一个程序员把找工作这件事，写成了一个 GitHub repo。
项目名叫 ai-job-search。使用方式很直观：fork 项目，把 CV、LinkedIn、学历、过往申请材料放进 documents/，然后在 Claude Code 里运行一组命令。
/setup 建立候选人画像，/scrape 搜索岗位，/rank 批量打匹配分，/apply <岗位链接> 针对岗位生成简历和 cover letter，/interview 准备面试，/outcome 记录结果并校准下一轮投递。
这不是普通的简历润色工具。更准确地说，它把求职做成了一套可执行工作流。
求职材料正在工程化
过去，求职的核心材料是一份 PDF。经历被压缩成一两页，等待 HR 或 ATS 理解。
这个项目展示了另一种形态：个人经历先被整理成结构化上下文，再由 agent 面向不同岗位生成不同输出。
项目经历不再只是“负责后端开发”，而需要沉淀为技术栈、问题背景、个人贡献、结果指标和可验证证据。技能也不再只是关键词列表，而要绑定具体场景和业务结果。
因为 agent 不怕材料多，怕的是材料散。
个人经历成为可调用资产
一份薄简历只能生成一份泛泛的申请。结构化的个人 repo，则可以根据岗位重新排列同一组经历。
数据岗位强调分析、建模和指标；工程岗位强调系统设计、交付和排障；管理岗位强调推进、协作和结果负责。
人没有变，查询方式变了，呈现出来的版本也会变。
这正是它比普通 AI 简历工具更值得注意的地方：它没有承诺“一键拿 offer”，而是在做许多朴素但真实的环节，包括编译 PDF、检查 ATS 可读性、让第二个 agent 审稿、记录申请结果、承认技能缺口，并避免编造经历。
简历变成导出结果
这个信号不会只停在求职。
绩效总结、作品集、学校申请、客户提案、销售材料，都可能进入类似模式：先沉淀结构化自我，再让 agent 针对具体目标重组表达。
所以简历不会消失，但它会从“最终作品”变成“某次查询的导出结果”。
真正重要的东西，藏在后面那套长期维护的个人上下文里：经历、证据、偏好、边界、反馈记录，以及一套解释自己的方式。
以前找工作，拼的是简历写得是否漂亮。
以后找工作，可能更早拼的是：谁能先把自己结构化给 AI。
