AI Job Hunter — AI辅助求职全流程工作流

⚡ 首次使用必读（环境依赖）

Agent执行前必须先检查以下依赖，缺失时提醒用户安装。

基础依赖（猎聘/智联/社交平台/搜索引擎 抓取必需）

# macOS / Linux
pip3 install requests beautifulsoup4

# Windows
pip install requests beautifulsoup4

BOSS直聘依赖（可选，仅抓取BOSS时需要）

# macOS / Linux
pip3 install undetected-chromedriver selenium

# Windows
pip install undetected-chromedriver selenium

还需安装 Chrome浏览器（BOSS抓取依赖Chrome）。

一键环境检查

# macOS / Linux
python3 scripts/check-env.py

# Windows
python scripts/check-env.py

此脚本会自动检查所有依赖，缺失的提示安装。

概述

本skill提供一套结构化的AI辅助求职方法论，将求职从"盲目投递"转变为"目标驱动的自我调节过程"。核心原则：先理解人，再搜索岗位；策略质量 > 活动数量。

方法论基于5个学术框架：

1. 自我调节求职理论（Kanfer）：策略质量比投递数量更重要，组合策略成功率75-85%
2. 花图法（Bolles《你的降落伞是什么颜色》）：7维度自我分析
3. 冰山模型（McClelland）：显性素质+隐性素质分层匹配
4. 奥德赛计划（斯坦福 Burnett & Evans）：3个5年版本设计+原型对话验证
5. 招聘漏斗：投递→筛选→面试→offer转化率追踪

6步闭环流程

Step 0 自我认知 → Step 1 岗位搜索 → Step 2 智能初筛 → Step 3 深度整理 → Step 4 智能建议 → Step 5 投递执行 → Step 6 反馈迭代 → (回到Step 0)

Step 0：自我认知（一切真正的起点）

关键原则：先理解人，再搜索岗位。盲搜 = 浪费时间。

0.1 收集用户信息

向用户收集以下信息（可分批询问，不要一次问太多）：

1. 简历文件：让用户提供PDF/Word简历
2. 核心需求：想做什么方向？不想做什么？为什么？
3. 硬性条件：城市、薪资底线、通勤上限、住址区域
4. 工作价值观：什么最重要？（稳定/成长/高薪/意义感/自由度）

0.2 花图法7维度分析

基于收集的信息，完成以下7维度画像：

0.3 冰山模型深层分析

水面以上（简历能展示的）：
  知识 + 技能 → 搜索关键词映射

水面以下（简历展示不了的）：
  能力（可培养）→ 面试考察
  价值观（需匹配）→ 公司选择
  特质（较稳定）→ 岗位适配
  动机（最核心）→ 长期满意度

关键：识别用户表面需求背后的深层动机。例如"不想一线上课"可能不只是工作偏好，而是"从执行者→赋能者"的动机转变。

0.4 奥德赛计划

帮用户设计3个不同的5年版本：

每个版本评估3个维度（1-10分）：🟢资源匹配度、🔵信心水平、🟡价值观一致性

0.5 输出：个人画像

将完整画像写入workspace的 MEMORY.md，包含：

• 花蕊可迁移技能 + 搜索词映射
• 花瓣7维度偏好
• 冰山深层动机和价值观
• 奥德赛3版本
• 硬性需求清单
• 简历短板识别

Step 1：岗位搜索（多渠道组合策略）

核心数据：组合策略成功率75-85% > 单一策略45-60%。

1.1 三大渠道

1.2 搜索关键词生成

从花蕊技能 × 花瓣1领域 × 花瓣2工作条件 × 花瓣6地理 自动生成：

规则：可迁移技能 × 目标领域 × 岗位类型 × 城市限定

示例：
  课程设计 × 教育行业 × 督导/研发 × 北京 → "教学督导 北京" "课程研发 北京"
  培训讲授 × 医疗康复 × 培训师 × 北京 → "康复培训师 北京" "康复培训 北京"

排除词：基于花瓣2工作条件自动生成（如"不想一线上课"→排除"治疗师""训练师"，除非含"督导""主管"）

1.3 平台抓取技术

渠道A：招聘平台

渠道B：社交平台

渠道C：搜索引擎（事业单位/编制/特殊渠道）

1.4 抓取脚本使用指南

所有脚本位于 scripts/ 目录，跨平台兼容（macOS / Windows / Linux）。

1.4.1 环境检查（首次必做）

# macOS / Linux
python3 scripts/check-env.py

# Windows
python scripts/check-env.py

Agent应在首次使用skill时自动运行此脚本，检查依赖是否齐全。

1.4.2 猎聘/智联抓取（无需登录）

# 猎聘
python3 scripts/scrape-liepin-zhaopin.py --platform liepin --keyword "教学督导" --city "北京"

# 智联
python3 scripts/scrape-liepin-zhaopin.py --platform zhaopin --keyword "课程研发" --city "北京"

# 指定页数
python3 scripts/scrape-liepin-zhaopin.py --platform liepin --keyword "感统教研" --city "北京" --pages 3

# 指定输出文件
python3 scripts/scrape-liepin-zhaopin.py --platform liepin --keyword "教学主管" --city "北京" --output jobs.json

1.4.3 BOSS直聘抓取（需首次登录）

# 首次登录（弹出浏览器，手动登录后cookie自动保存）
python3 scripts/scrape-boss.py --login

# 后续抓取（使用已保存cookie，窗口移出屏幕不打扰）
python3 scripts/scrape-boss.py --keyword "教学督导" --city "北京"

# 指定页数
python3 scripts/scrape-boss.py --keyword "感统教研" --city "北京" --pages 3

BOSS抓取注意事项：

• 薪资字段被服务端隐藏，API返回为空——用猎聘同岗位薪资参考
• Cookie可能过期（通常1-7天），过期需重新 --login
• Windows用户确保Chrome已安装且为默认浏览器
• 首次 --login 需要用户在场手动操作

1.4.4 社交平台+搜索引擎抓取

# 小红书搜索
python3 scripts/scrape-social.py --platform xiaohongshu --keyword "特教 招聘 北京"

# 知乎搜索
python3 scripts/scrape-social.py --platform zhihu --keyword "儿童康复 招聘"

# 脉脉搜索（公司评价/薪资）
python3 scripts/scrape-social.py --platform maimai --keyword "XX公司 薪资"

# 事业单位/编制搜索
python3 scripts/scrape-social.py --platform gov --keyword "特殊教育 事业单位 北京"

# 人才引进搜索
python3 scripts/scrape-social.py --platform talent --keyword "北京 人才引进 心理学"

# 高校人才网直接抓取
python3 scripts/scrape-social.py --platform gaoxiao --keyword "特殊教育"

1.5 替代方案：用Agent内置工具抓取

如果不想运行脚本，Agent也可以直接使用内置工具抓取：

推荐优先级：

1. 先用 web_fetch 直接抓猎聘/智联（最简单）
2. BOSS用 execute_command 运行脚本（需要cookie）
3. 社交平台/事业单位用 web_search 或脚本均可

1.6 去重合并

1.7 输出格式

每条岗位标准化为JSON：

{
  "id": "平台缩写+序号",
  "title": "岗位名称",
  "company": "公司名称",
  "salary": "薪资范围（可能为空）",
  "location": "地区",
  "experience": "经验要求",
  "education": "学历要求",
  "source": "来源平台",
  "source_url": "原始链接",
  "skills": ["技能标签"],
  "company_size": "公司规模",
  "industry": "行业",
  "benefits": "福利",
  "job_desc": "职位描述（可能为空）",
  "crawl_time": "抓取时间"
}

Step 2：智能初筛（三层过滤 + 量化评分）

2.1 第一层：硬性排除（直接淘汰）

违反以下任一条件的岗位直接排除：

• 违反花瓣2工作条件（一线上课/薪资过低/城市不符等）
• 违反花瓣7使命（完全无关行业）
• 硬性不符（学历/经验差距过大）

2.2 第二层：需求匹配评分（0-100分）

2.3 匹配度等级

2.4 第三层：人工复核

AI给出评分 + 理由，用户最终决定是否保留。

Step 3：深度整理 + 多维排序

3.1 岗位信息卡片

每个S/A级岗位生成信息卡片，包含：

┌─────────────────────────────────────────────────┐
│ 🏆 S级 | {岗位名} | {公司名}                     │
├─────────────────────────────────────────────────┤
│ 💰 薪资：{薪资}    📍 地区：{地区}               │
│ 📋 经验：{经验}    🎓 学历：{学历}               │
│ 🏢 规模：{规模}    🏭 行业：{行业}               │
│ 🔗 来源：{平台}                                  │
├─────────────────────────────────────────────────┤
│ 花蕊匹配：{技能1}✅✅✅ {技能2}✅✅ {技能3}✅    │
│ 花瓣1匹配：{领域} → {分数}/20                    │
│ 非一线程度：⭐⭐⭐⭐⭐（{描述}）                  │
│ 冰山分析：                                       │
│   ✅✅✅ 价值观匹配：{分析}                       │
│   ✅✅  特质匹配：{分析}                          │
│   ⚠️  动机匹配：{风险点}                         │
├─────────────────────────────────────────────────┤
│ 短板风险：{分析}                                  │
│ 社交渠道：{小红书/知乎/脉脉是否有相关信息}       │
└─────────────────────────────────────────────────┘

3.2 多维排序维度

3.3 缺失信息标记

对每个缺失字段明确标注，并说明补全方式：

• 薪资缺失 → 用猎聘同岗位参考
• 职位描述缺失 → 提醒用户在APP中查看
• 休息日缺失 → 标注"需确认"
• 公司评价缺失 → 标注"待查"

Step 4：智能建议（花图+冰山驱动）

4.1 每个S/A级岗位的深度建议

包含以下5个模块：

1. 花蕊技能展示策略（简历/面试重点突出什么）

• 将用户的可迁移技能映射到岗位JD关键词
• 给出每个技能的具体展示话术

2. 冰山之下怎么说（面试中展现隐性素质）

• 价值观 → 用故事展现（不是直接说"我重视成长"）
• 特质 → 用具体行为证明
• 动机 → 解释转型原因和长期愿景

3. 短板应对策略

• 每个短板给2-3种回应角度
• 强调经验/学习能力/替代优势

4. 定制开场文字

• 针对具体岗位生成30-50字的开场白
• 包含：姓名+核心优势+对岗位的具体兴趣点

5. 简历调整建议

• 推荐使用哪个简历版本
• 需要调整的标题/重点/数据
• ATS关键词优化（从JD中提取）

4.2 简历3版本策略（对应奥德赛计划）

4.3 ATS优化要点

• 从目标岗位JD中提取关键词，确保简历中包含
• 用简单格式，避免表格/图片/特殊字体
• 最相关经验放在最前面
• 每条经验都有量化数字

Step 5：投递执行

5.1 投递材料生成

为每个S/A级岗位生成：

• 定制开场文字（30-50字）
• 推荐简历版本
• 如需调整简历，给出具体修改建议

5.2 投递方式

推荐方式：AI生成定制材料，用户手动投递。

5.3 投递节奏

Step 6：反馈迭代（自我调节闭环）

6.1 求职漏斗追踪

追踪以下数据，计算转化率：

搜索发现 → 投递 → 面试邀约 → 面试 → 终面 → Offer

正常转化率参考：
  发现→投递：15-25%
  投递→面试：20-30%
  面试→终面：40-50%
  终面→Offer：20-40%

6.2 动态调整规则

6.3 每周复盘清单

• 本周投递多少？收到多少回复？
• 哪个渠道效果最好？
• 面试反馈了什么？（记录Q&A）
• 短板暴露了什么？
• 需要调整什么？（搜索词/简历/面试策略/目标方向）

执行检查清单

Phase 0：自我认知（首次必做）

• 运行 scripts/check-env.py 检查环境依赖
• 收集简历+需求+硬性条件
• 完成花图7维度分析
• 完成冰山模型深层分析
• 设计奥德赛3版本
• 画像写入 MEMORY.md

Phase 1：岗位搜索

• 读取画像，确认搜索方向
• 生成搜索关键词
• 渠道A-猎聘：web_fetch 或 scripts/scrape-liepin-zhaopin.py --platform liepin
• 渠道A-智联：web_fetch 或 scripts/scrape-liepin-zhaopin.py --platform zhaopin
• 渠道A-BOSS直聘：scripts/scrape-boss.py --login（首次）→ scripts/scrape-boss.py --keyword
• 渠道B-社交平台：scripts/scrape-social.py --platform xiaohongshu/zhihu/maimai
• 渠道C-搜索引擎：scripts/scrape-social.py --platform gov/talent/gaoxiao
• 去重合并

Phase 2：初筛

• 三层过滤
• 标注S/A/B/C/D等级
• 排除D级

Phase 3：深度整理

• 按匹配度排序生成报告
• 生成岗位信息卡片
• 标注缺失信息

Phase 4：智能建议

• 每个S/A级岗位生成5模块建议
• 选择简历版本
• ATS关键词优化

Phase 5：投递

• 生成定制开场文字
• 用户确认后投递
• 记录投递时间

Phase 6：反馈迭代（每周）

• 更新漏斗数据
• 识别瓶颈
• 调整策略
• 更新 MEMORY.md

脚本文件索引

参考资源

详细的方法论说明、评分标准示例、简历模板等，参见 references/ 目录：

• references/methodology.md：完整的理论框架说明和学术引用