GigAI Skill 技能

技能简介

GigAI 是一个"本地优先"的 AI 求职 Agent 框架，核心卖点是：AI 工作在你自己的电脑上运行，设置、凭据与工作数据全部留在本机，每一次模型调用都可检查。它复用你已有的模型通道——Codex、Claude Code、Ollama 或 OpenRouter，不绑定任何新订阅。内置的第一个 Gig 叫 Scout（侦察兵）：它维护一份公开职位的本地库，按你的简历给职位打分排序，对通过你确认的职位做评估、逐条追问职位描述里没写清楚的问题、记住你的回答与经历故事，最后为指定职位草拟一份定制简历 PDF，可直接下载。Scout 既能在浏览器里用，也能交给你自己的 AI Agent 驱动。项目处于 alpha 阶段，Apache-2.0 开源。

核心能力

1. 海量公开职位监控：持续检查约 10,000 个公开职位板（Greenhouse、Lever、Ashby 等），每天自动复查 8 次，gigai scout new 一条命令即可查看"上次检查以来有什么新职位"及其预估成本。
2. 简历匹配与评估：按你的简历与目标岗位画像对职位打分排序；你批准后 Scout 对每个职位做深度评估，并把结果呈现在网格视图中。
3. 交互式信息补全：对职位描述中含糊不清的点，Scout 逐个向你提问，你的回答被记住并在后续复用；较长的回答经你同意后会沉淀为"故事"素材。
4. 定制简历生成：为单个职位执行 "Tailor resume" 草拟简历，最终 PDF 里的姓名与联系方式由你在浏览器里亲自填写——Agent 永远拿不到你的联系信息。
5. Agent 原生集成：gigai agent-skill 输出可直接喂给 Agent 的工作流指令；Claude Code 用 --format skill 生成 SKILL.md，Codex 用 --format agents-md 追加到 AGENTS.md，其他 Agent 可粘贴 gigai agent-context 的输出；本地 Scout 还会暴露 /llms.txt 与 OpenAPI 文档。
6. 隐私红线设计：GigAI 从不存储你的姓名、邮箱、电话、地址与社交链接；简历入库前自动剥离联系方式行，升级后还会做一次性历史清理；配 Ollama 时简历完全不出机器。
7. 用量护栏：后台评估有每日限额（每次触发 10 个职位、每天 40 次模型调用），超出需你再次批准；后台自动检查也可在设置中关闭。

安装配置

1. 环境要求：macOS 或 Linux、Python 3.11+、uv，并安装且登录任一模型 CLI——Codex（codex login）或 Claude Code（claude 后 /login）。
2. 安装：uv tool install gigai；后续升级用 uv tool upgrade gigai。
3. 网络建议（重要）：Scout 会发起数千次请求并每天 8 次轮询，雇主方能看到这些流量——请在个人电脑与个人网络上运行，不要用公司笔记本或办公 Wi-Fi。
4. 让 Agent 替你安装：把 README 中的安装提示词粘给 Claude Code / Codex，Agent 会检查并补齐依赖、在读取简历前先跑联系方式检测、任何联网或耗模型的步骤都先征求你同意。
5. 给 Agent 的权限：gigai agent-permissions 打印一段权限配置，由你手动合并——GigAI 自身不改任何设置。

使用步骤

1. 启动：gigai scout run，按向导选择模型、提供简历（.md 或 .txt）并设定目标岗位。
2. 填充职位库：点击 "Update sources" 拉取公开职位板（这是耗网络的一步，Agent 会先询问）。
3. 查看匹配：Jobs 页面列出与你画像匹配的已存职位，支持过滤片与标签；gigai scout new 查看新增。
4. 评估与问答：对选中的职位执行 "Assess these"，随后回答 Scout 提出的开放问题。
5. 生成简历：对目标职位执行 "Tailor resume"，通过 "open in Scout" 链接在浏览器中补全姓名与联系方式后导出 PDF。
6. Agent 会话用法：新会话中直接问 "Scout 上有什么新职位？"，Agent 会调 gigai scout new 展示结果，并按限额在后台完成评估与草拟。

适用场景

1. 海投前的职位初筛：用打分排序替代人工刷职位板，把注意力留给真正值得申请的岗位。
2. 多对一的定制简历流水线：针对每个目标职位生成差异化简历与匹配理由。
3. 隐私敏感的求职者：不想把简历与联系方式交给招聘平台 AI 的人，可全程本地运行（配合 Ollama 完全离线）。
4. 已有编码 Agent 的用户：把求职流程作为 Skill 挂进 Claude Code / Codex，用对话驱动整个循环。
5. 结构化求职追踪：本地库天然成为投递历史与问答记录，面试复盘有据可查。

适用人群

正在求职的工程师与技术人员、希望用 AI 提升投递效率但重视数据主权的个人、已经在日常使用 Claude Code 或 Codex 的编码 Agent 用户。

工作原理

Scout 维护一个本地职位数据库：定时从公开职位板增量抓取新职位并存储；匹配阶段用你提供的简历与岗位画像在本地计算相关度排序；经你批准后，调用你配置的模型（Codex / Claude Code / Ollama / OpenRouter）对职位逐一评估，并把模型提出的信息缺口转成向你的提问；你的回答与"故事"作为上下文缓存，起草简历时模型据此生成定制内容，而姓名、电话等联系方式始终留在浏览器侧、直到导出 PDF 那一刻才由你输入——这就是它"Agent 从不接触联系信息"的边界设计。

官方链接

• PyPI：https://pypi.org/project/gigai/
• GitHub：https://github.com/karthik446/gigai
• 文档：https://karthik446.github.io/gigai/
• Agent 集成指南：https://karthik446.github.io/gigai/latest/scout/agents/
• 隐私说明：https://karthik446.github.io/gigai/latest/scout/privacy/