AI Native 求职全案 Skill 技能

AI Native 求职全案：让 Agent 替你做求职决策判断

产品简介

AI Native 求职全案是一套运行在本地文件 Agent 上的求职方法论，核心理念是「把判断交给 Agent，把决策留给自己」。它不是投简历的自动化脚本，而是一套在每个关键节点都能做出合理判断的决策系统，帮助用户在「投之前判断值不值」「面试前看清公司靠不靠谱」「面试后把反馈变成方向修正」「拿到 Offer 后排出优先级」这四个关键时刻少走弯路。

核心能力（≥5条）

• JD 岗位筛选：对招聘需求进行四级分类，结合用户自定义的必要条件和排除条件判断是否值得投递，匹配度不能覆盖硬性排除项
• 简历事实核验：所有简历内容来自用户本地事实池，来源可追溯，不依赖 LLM 凭空编造，支持输出定制简历与独立审查记录
• 公司尽调评估：从融资阶段、技术壁垒、团队背景和业务模式四个维度评估公司站不站得住，输出可视化的疑点表和问题清单
• 面试复盘转化：当天复盘卡记录被问内容、回答质量、红旗绿旗三态回填，溢出信息归因到方向调整
• Offer 横向排序：多 Offer 横比对照，标注排序翻转点，不输出虚假精确的综合分，给出「接」或「不接」的非模糊结论
• 投递判断闸门：缺失判断条件时拒绝发送，自动识别风控信号后停手，保留人工介入空间

安装配置（≥3条）

环境要求：需要一个能读写本地文件的 Agent（如 Claude Code、Codex、Cursor 等），无需编程基础，无需安装额外依赖，不需要预先阅读完整套方法论。

安装步骤：

1. 访问 GitHub 仓库 gilgameshcc/ai-native-jobhunt，找到对应场景的模块目录
2. 打开目标模块（如 jd-triage/），获取其中的 SKILL.md 文件内容
3. 将 SKILL.md 内容完整粘贴给 Agent，并补充你的个人背景和判断条件
4. 按提示提供手上已有的材料（简历、Offer 对比、面试记录等），Agent 会在本地生成对应的结构化文件

模块选择策略：首次使用可直接跳到最贴近当前处境的模块，无需按顺序从工作区初始化开始。每个模块设计为独立运行，缺上游文件时会报告缺失项并说明能否降级跑。

使用步骤（≥4步）

1. 选择模块：参照仓库 README 中的「你现在卡在哪一步」表格，找到对应场景入口（如「我要让 AI 帮我改简历」对应 01-resume）
2. 粘贴 SKILL.md：将目标模块的 SKILL.md 完整内容发给 Agent，并说明手上的材料情况和判断条件
3. Agent 执行生成：Agent 读取 SKILL.md 中的定义，在本地创建/更新工作目录下的结构化文件（如 positioning.md、triage/、reviews/ 等）
4. 按需衔接后续模块：一个模块的输出会作为下游模块的输入（如 JD 筛选结果进入面试评估），模块之间通过文件交接，可按需选择跑哪个
5. 复盘与迭代：每次面试后运行对应模块，把新信息补充进事实池，下一个模块会自动读取历史数据做更新

适用场景（≥4个）

• 刚开始找工作，不知道从哪个方向切入，需要先建立个人定位和方向判断
• 海投效率低、反馈少，怀疑是方向、表述还是阈值出了问题，需要周期归因分析
• 手握多个 Offer 或在犹豫是否离职，需要理性框架辅助决策而非凭感觉排序
• 面试后感觉答得不好但说不清哪里不对，需要结构化复盘找到真实问题
• 想用 AI Agent 做求职辅助但又担心 Agent 编造不实信息，需要事实可溯源的保障机制

适用人群

需要 AI Agent 辅助求职全流程的职场人群，包括但不限于：计划跳槽或正在求职的软件工程师、产品经理、数据分析师等知识工作者，以及希望借助结构化方法论提升求职效率和决策质量的任意行业从业者。Career Coach 和 HR 从业者也可将其作为系统性框架辅助客户辅导。

工作原理

本项目的底层是一套以「事实池」为核心的本地文件系统。Agent 依据 SKILL.md 中定义的判断规则操作文件，模块之间通过标准化文件格式（如 positioning.md、ledger.md）传递信息，实现状态持久化和上下文延续。判断逻辑不依赖外部 API，数据全程留存在用户本地，Agent 只负责读取、生成和更新结构化文本文件。

本仓库不提供简历代写、面试题预测或无上限批量投递等功能，也不采集用户个人信息。判断闸门的设计确保 Agent 在条件不满足时主动停手，而非盲目执行。

官方链接

• GitHub 仓库：https://github.com/gilgameshcc/ai-native-jobhunt
• 官方说明：README 包含完整模块说明、快速开始指南及与同类项目的横比分析