AI Job Hunter Pro

基于 RAG 的智能求职助手，支持语义匹配、自动化投递及数据驱动的应用跟踪。

初始化设置（仅首次运行）

运行初始化脚本以安装依赖项并初始化向量数据库：

cd {SKILL_DIR}
pip install -r scripts/requirements.txt
python3 scripts/setup_rag.py --init

然后创建您的个人资料文件：

cp assets/profile_template.json ~/job_profile.json
# 使用您的信息编辑 ~/job_profile.json

导入您的简历（PDF 或 DOCX 格式）：

python3 scripts/rag_engine.py --import-resume ~/path/to/resume.pdf

核心工作流

工作流 1：智能职位搜索（RAG 匹配）

当用户说“为我查找职位”或“匹配我的简历”时：

1. 从 ~/job_profile.json 加载用户资料
2. 运行 RAG 匹配引擎：

   python3 {SKILL_DIR}/scripts/rag_engine.py 
     --mode search 
     --platforms linkedin,boss 
     --min-score 0.75 
     --max-results 20
   

3. 按匹配得分由高到低排序展示结果
4. 对每个职位，显示：职位名称、公司名称、匹配得分、最匹配的技能、缺失技能
5. 询问用户希望投递哪些职位；若已配置，可自动执行投递

工作流 2：自动投递流水线

当用户说“投递这些职位”或“自动投递”时：

1. 对每个选定的职位执行：

   python3 {SKILL_DIR}/scripts/apply_pipeline.py 
     --job-id  
     --mode dry-run 
     --generate-cover-letter 
     --optimize-ats
   

2. 在 dry-run 模式下：展示生成的求职信及 ATS 优化后的简历关键点，供用户审核
3. 用户确认后，切换至 --mode submit 模式执行真实投递
4. 将投递结果记录至跟踪数据库

工作流 3：申请进度跟踪

当用户说“跟踪我的申请”或“求职报告”时：

python3 {SKILL_DIR}/scripts/tracker.py --report daily

申请状态流转：已发现 → 已投递 → 筛选中 → 面试中 → 已获 Offer / 已被拒

工作流 4：反馈闭环

当用户说“我喜欢这个职位”或“不感兴趣”时：

python3 {SKILL_DIR}/scripts/rag_engine.py 
  --mode feedback 
  --job-id  
  --signal like|dislike

该操作将调整 RAG 查询向量，从而提升后续推荐质量。

规则

• 始终以 dry-run 模式启动；未经用户明确确认，不得提交任何申请。
• 遵守各平台调用频率限制：所有平台合计每日最多投递 20 次。
• 不得在求职信或申请材料中夸大或歪曲用户的实际资质。
• 所有数据均本地存储；除目标招聘平台外，绝不将简历数据发送至任何外部服务。
• 当某平台返回错误或拒绝访问时，需清晰提示用户，并建议手动替代方案。
• 每次投递前，必须向用户展示匹配得分及具体匹配逻辑。

配置

用户配置位于 ~/job_profile.json；技能相关配置在 OpenClaw 中定义：

{
  "skills": {
    "ai-job-hunter-pro": {
      "enabled": true,
      "profile_path": "~/job_profile.json",
      "default_platforms": ["linkedin", "boss"],
      "max_daily_applications": 20,
      "min_match_score": 0.75,
      "require_confirmation": true,
      "dry_run": true
    }
  }
}