job-hunter：AI 驱动的三阶段求职自动化工作流实践

job-hunter是一个配置驱动的求职工作空间，通过侦察员、申请构建器、面试教练三个AI Agent协作，实现从职位发现到面试准备的全流程自动化，且所有个人数据本地存储，解决传统求职流程复杂耗时、质量易下降及AI工具隐私风险等痛点。

传统求职痛点

• 流程复杂：需同时管理职位筛选、简历定制、面试准备等多环节，耗时且易因疲劳降低质量
• 隐私风险：多数AI求职工具要求上传敏感信息，数据安全无保障

项目定位

针对上述痛点，job-hunter构建三阶段AI Agent工作流，覆盖求职全流程，坚持数据本地化原则，敏感信息通过.gitignore机制避免意外提交。

1. 侦察员（Scout）

职责：职位发现与筛选，基于用户职业偏好（类型、公司、地理位置等）搜索多渠道职位，通过智能匹配、优先级排序生成推荐列表，支持去重与状态追踪

2. 申请构建器（Application Builder）

职责：生成定制化申请材料，包括简历优化（关键词匹配）、求职信撰写、项目描述调整、ATS格式标准化

3. 面试教练（Interview Coach）

职责：面试准备，提供技术问题预测、STAR法则回答框架、模拟面试反馈、公司研究信息整理

核心优势

• 分离关注点：配置层（用户定义需求）、逻辑层（Agent工作流）、技能层（AI能力封装）分离
• 可复用分享：配置文件支持备份、版本控制及社区分享（去敏感信息）
• 隐私优先：本地存储个人数据、.gitignore隔离敏感文件、可选加密存储

设计目标：降低用户使用门槛，保障数据安全

技能系统

模块化封装可复用AI能力：简历定制、求职信生成、面试问答、公司研究、薪资谈判等，统一接口便于复用与社区贡献

技术结构

• scripts/：自动化脚本（批量操作、定时任务）
• skills/：AI技能实现
• workflow/：Agent协作逻辑
• PLAYBOOK.md：使用指南

扩展性

支持添加招聘平台适配器、自定义技能、修改工作流、集成外部工具（日历、邮件等）

• 应届毕业生：探索行业岗位，积累求职经验
• 职场转型者：定制新领域简历与策略，弥补经验差距
• 被动求职者：保持市场敏感度，捕捉优质机会
• 批量申请者：维持材料质量，避免疲劳错误

核心价值：提升求职效率与质量，降低隐私风险

项目价值

展示AI Agent在垂直场景的落地路径：分解复杂任务为专业Agent协作，通过配置驱动实现个性化，坚守隐私底线

开发启示

1. 复杂任务应分解为专业Agent而非全能Agent
2. 配置优先降低用户门槛
3. 隐私设计需从架构层面考虑
4. AI能力封装为可复用模块提升效率

趋势：垂直场景AI Agent解决方案将越来越多，创造实际价值