AI求职助手：基于n8n的自动化求职工作流实践

本文介绍由GarukaR开发的Job Application Assistant项目，该项目基于n8n工作流引擎，采用双智能体架构实现公司调研、职位分析和个性化申请材料生成，将大语言模型与自动化工具结合，旨在解决求职过程中耗时费力的痛点，提升求职效率。

求职过程需花费数小时准备一份高质量申请，大规模投递时成本倍增。人工智能时代，自动化技术可承担信息收集、内容生成等重复性工作，让求职者聚焦决策和人际沟通等高价值环节。

工作流引擎：n8n

选择n8n的优势：丰富节点生态、支持自定义JS代码、开源自托管、活跃社区。

双智能体架构

• 分析智能体：负责信息收集与深度分析，输出结构化情报摘要；
• 撰写智能体：基于分析结果生成个性化求职材料（求职信、简历优化建议等）。

集成服务

Google Serper API（实时搜索）、Google Docs API（文档生成存储）、OpenAI/Anthropic等大语言模型服务。

1. 触发与输入：用户提交职位URL/描述、个人简历、期望材料类型；
2. 公司调研：调用Serper API获取公司官网、新闻、行业评价等信息；
3. 职位分析：识别核心技能要求、团队文化、与候选人匹配点；
4. 内容生成：生成突出相关经验的求职信、简历优化要点、面试准备清单；
5. 文档输出：自动创建Google文档并保存到指定位置。

• 智能体协作：顺序协作模式降低认知负荷，中间结果可人工审核，便于优化与错误定位；
• 数据清洗格式化：JS代码节点清洗数据、提取关键信息、格式化输出；
• 可配置扩展性：支持调整搜索范围、修改智能体风格、添加步骤（邮件发送）、集成其他服务（LinkedIn/Notion）。

适用场景：

• 大规模投递阶段：快速生成基础材料；
• 目标公司深度研究：提供全面情报；
• 职业转型期：识别可迁移技能；
• 面试准备：参考分析报告与要点清单。 使用建议：将系统输出作为起点，加入个人化细节。

• 个性化需人工把关：AI生成内容需审核确保真实反映个人经历；
• 避免过度自动化：防止模板化材料被招聘方识别；
• 数据隐私考量：避免传输敏感数据到第三方API。

未来扩展：集成LinkedIn API、添加面试模拟、申请状态跟踪、多语言输出。 启示：复杂任务分解为子任务、配置专门智能体、利用现有API、保留人工审核环节，类似自动化助手可应用于旅行规划、学习辅导等领域。