Back to search
qiuzhao
SkillGitHub
国内校招求职 Agent Skill:岗位筛选、JD 评分、简历定制与本地投递看板。可直接试跑虚构数据演示。
Safety scan
A static text scan, not a guarantee. Select the badge to see what was scanned and every finding.
Checked today
Badge for your README
Markdown
[](/listings/guzhezao--qiuzhao)HTML
<a href="/listings/guzhezao--qiuzhao"><img src="/api/listings/guzhezao--qiuzhao/badge.svg" alt="findsafeskills safety rating" /></a>Install
i
What was scanned
The files the safety scan read, as written by the repository's author and shown as plain text. Lines with a finding are marked.
SKILL.md · Manifest · 316 lines
View this file on GitHub (read at the repository's current version: the scan did not record which commit it read)
- ---
- name: qiuzhao
- description: "国内校招投递助手 / Chinese campus recruiting application assistant. 当用户要投国内校招或实习岗位、改简历、填校招表单、答开放题、记录投递进度时使用。也可用于初始化个人求职档案、经历库、投递看板。覆盖:简历 STAR 改写、JD 匹配、字节等校招系统填表、投递记录追踪。Use when a user wants help applying to Chinese campus/internship positions, tailoring a resume with STAR, filling campus recruiting forms, answering application questions, or tracking application outcomes."
- ---
- # qiuzhao
- 面向国内校招生的投递工作流。
- **定位:帮你把岗位理出来、判断值不值得投、把简历改到贴 JD、把表填对、把记录留下。**
- **不替你搜岗位、不推荐岗位源。** 国内校招生不缺信息源(学校就业网、公众号、牛客、内推群、公司官网),AI 搜出来的岗位时效性差、准确率不可靠,用户也不会信。
- **但你已经登录的招聘站,可以帮你成批读。** 打开公司官网的校招列表页,点网站自带的筛选器,把岗位和 JD 正文抓下来,按你自己的规则粗筛,再逐个读 JD 打分排序——这些是你本来就能看到的内容,只是手工做要几个小时。见 `references/job-collection.md`。
- **红线不变:不绕人机验证、不点投递、不点保存。** 遇到验证码就停下来交给你。
- ## 核心契约
- - 只做真实、可追溯、能拿到面试的投递,不做无脑海投。
- - **最终提交前必须用户明确确认。预览页面不算同意。**
- - 绝不编造经历、学历、日期、指标、证书。
- - 初始化由 agent 主导,不是甩给用户一张问卷。
- ## 工作目录
- **这个 skill 的源码目录只读,用户的所有档案、简历、岗位数据、看板 CSV 都写在「工作目录」里。**
- 工作目录 = 用户自己的求职文件夹(比如 `~/求职`),跟 skill 装在哪儿无关。所有脚本的默认工作目录按这个顺序确定:
- 1. 环境变量 `QIUZHAO_HOME`
- 2. 当前 shell 的 `pwd`
- 所以推荐显式设置 `QIUZHAO_HOME`,或跑脚本前先 `cd` 到用户的求职目录。文档里出现的相对路径(`./jobs-all.json`、`materials/jd/…`、`dashboard/job_pool.csv`)全部指工作目录下,不是 skill 目录下。
- ```
- <工作目录>/ ← 用户的真实数据,可写
- candidate_profile.json experience_bank.md resume_strategy.md
- answer_bank.md application_rules.md
- jobs-all.json scores.jsonl ← 批量收集的中间产物
- materials/
- jd/<公司>_<岗位ID>.txt ← JD 原文
- tailored/<公司>_<岗位ID>_<日期>.{md,json}
- dashboard/*.csv ← 看板数据,首次启动自动建
- scoring-batches/ ← 并行打分的标尺和分批结果
- <skill 目录>/ ← 只读,别往里写东西
- SKILL.md references/ templates/ scripts/ dashboard/{dashboard.html,server.js,*.example.csv}
- ```
- 看板启动脚本会**主动拒绝**把 skill 源码目录当工作目录(exit 1)。真出现「数据写进了 skill 仓库」,是用法错了,不是 gitignore 该兜。
- ## 快速出结果路径(单岗 / 小批)
- 用户第一次来、只想先看到结果,别拉着做完整初始化。按这个顺序:
- 1. **要一份现有简历**(PDF / Markdown / 随便什么格式)+ **问一个问题:你哪一届毕业?**(届别是红线,不能推算)
- 2. 从简历解析出 `candidate_profile.json`,先只填能解析的,缺的留空。
- 3. 用户手上有具体岗位 → 直接第 3 步读 JD,判匹配度,给结论。
- 用户要成批筛 → 第 2 步抓岗位 + 打分 + 进看板。
- 4. **等用户看到一个有用的结论之后**,再回头补经历库的 STAR、答案库、投递规则。
- 判断标准:`experience_bank.md` 缺 STAR 只挡「定制简历」这一件事(第 4 步精准模式),不挡读 JD、不挡打分、不挡进看板。别把完整初始化设成所有事情的前置。
- 这条“快速路径”适用于单岗或小批量,不等于承诺 100+ 岗位的首次冷启动必定在 5 分钟内完成。大批量首次运行还包含新锚点、并行评分和独立盲测;模型延迟不可控,审计不通过还必须重评。**准确性门槛优先于计时:审计失败就停,不得为了卡进 5 分钟而生成看板。**
- ## 模式识别
- 用户只要其中一件事时,直接做那件,不要拉着走完整流程:
- | 用户说 | 直接做 |
- |---|---|
- | "帮我改简历" / "这段经历怎么写" | 读 `references/resume-writing.md`,改写 |
- | "按 JD 定制简历:<公司> <岗位>…"(看板按钮复制出来的指令) | 读 `references/resume-tailoring.md`,走里面的 7 步(最后一步是把定稿填进官网简历) |
- | "把这个招聘网站的岗位抓下来评一遍" / "帮我筛一批岗位" | 读 `references/job-collection.md`,走三层筛选 |
- | "我要投这个岗位"(给了 JD 或链接) | 从下面第 3 步开始 |
- | "帮我填这个表" | 第 5 步 |
- | "我投了哪些了" | 读看板,汇报 |
- | "帮我配置一下" / 第一次使用 | 第 1 步 |
- ## 工作流
- ### 1. 初始化(一次性)
- 第一次使用时做,之后不再重复。
- **目标:让用户尽可能少动手。** 让用户提供一份现有简历(PDF 或任意格式),从简历里解析出能解析的一切,只问简历里推不出来的东西。
- 从简历可以解析的(**不要问用户**):姓名、手机、邮箱、学校、学历、专业、起止时间、实习经历、项目经历、获奖、证书、技能。
- 简历里推不出来、**必须问**的,一次性问完(编号 + 选项,不要一个个来):
- 1. **届别**——你是哪一届毕业?(红线:猜错整个投递作废,不允许从入学时间推算后直接使用)
- 2. **投递类型**——A 校招正式 / B 校招实习 / C 日常实习
- 3. **目标岗位方向**——最多 3 个,按优先级
- 4. **目标城市**——按优先级
- 5. **期望薪资**——可以填"暂不确定",遇到必填字段时再问
- 收齐后**一次性生成全部草稿文件**,不要每生成一个就等用户确认一次:
- | 从模板 | 生成 |
- |---|---|
- | `templates/candidate_profile.template.json` | `candidate_profile.json` |
- | `templates/experience_bank.template.md` | `experience_bank.md` |
- | `templates/resume_strategy.template.md` | `resume_strategy.md` |
- | `templates/answer_bank.template.md` | `answer_bank.md` |
- | `templates/application_rules.template.md` | `application_rules.md` |
- 看板的 CSV **不用你手动复制**:第一次跑 `dashboard/start-dashboard.sh` 时,`server.js` 会自动照着同目录的 `*.example.csv` 建出空的 `dashboard/*.csv`。列的含义见 `templates/dashboard-template/README.md`。
- 生成后一次性把结果给用户看,让用户一次性纠正。
- **经历库要写到 STAR 层**(见 `templates/experience_bank.template.md`)。简历里信息不足以填满 STAR 的部分,列出来问用户,但同样一次问完。这一步的投入是后面所有投递的复用基础——省这一步,就等于每投一个岗位都重做一遍。
- 详细流程见 `references/setup-workflow.md`。
- ### 2. 批量收集岗位(可选)
- 用户手上已经有具体岗位就跳过这步,直接进第 3 步。
- 要成批处理一个招聘站("帮我把××的校招岗位都筛一遍")时走这条:**先让网站砍、再让规则砍、最后才让 AI 读**。实测一个大厂校招站 7463 个岗位,网站筛选器 19 秒砍到 290,本地规则 1 秒内砍到 264,AI 只读这 264 个。
- ```bash
- # ① 只读侦查,搞清楚这个站长什么样(不点击任何元素)
- node scripts/run-with-playwright.js scripts/recon-jobs.js --url <列表页> --profile-dir <profile> --out ./recon.json
- # ② 照着侦查输出写 scripts/job-sites/<站点>.json,然后点筛选器 + 抓取
- node scripts/run-with-playwright.js scripts/collect-jobs.js --site scripts/job-sites/<站点>.json \
- --profile-dir <profile> --filters "产品,2027届" --pages all --out ./jobs-all.json
- # ③ 硬门槛粗筛(届别、城市)
- node scripts/prefilter-jobs.js --jobs ./jobs-all.json --out ./jobs-kept.json
- # ④ agent 先严格评 8–10 个锚点,写 anchor-scores.jsonl;脚本确定性生成紧凑标尺。
- # 不要让模型从头撰写整份 RUBRIC(慢且容易把输出格式写漂)。
- node scripts/build-scoring-rubric.js --profile candidate_profile.json --experience experience_bank.md \
- --jobs scoring-batches/anchor-jobs.json --scores scoring-batches/anchor-scores.jsonl \
- --out scoring-batches/RUBRIC.md
- # 岗位多时切成 8–10 批并行评分,每批立刻落盘:
- node scripts/split-score-batches.js --jobs ./jobs-kept.json --out-dir scoring-batches/jobs --batches 10
- node scripts/merge-scores.js --in scoring-batches/scored-*.jsonl --out ./scores.jsonl --jobs ./jobs-all.json
- node scripts/audit-scores.js --sample --scores ./scores.jsonl --jobs ./jobs-all.json --out ./audit-sample.json -n 10
- node scripts/audit-scores.js --compare --scores ./scores.jsonl --rescored ./audit-rescored.json
- # ⑤ 写进看板并校验
- node scripts/scores-to-csv.js --scores ./scores.jsonl --jobs ./jobs-all.json --site scripts/job-sites/<站点>.json
- node scripts/verify-csv.js dashboard/job_pool.csv
- ```
- 四条硬规矩:
- - **绝不点投递/申请/提交/保存/收藏/删除**。`collect-jobs.js` 里有正则闸门,只点文本精确等于筛选项名的小控件。
- - **遇到人机验证就停**,把浏览器交给用户手动过,不要想办法绕。
- - **分母不许自己定**:抓到的数量和页面报的总数对不上,就说对不上,不许把分母改小然后宣布 100% 完成。
- - **缺什么留空**:没抓到链接、没有 JD 正文,就让 `job_url`/`jd_path` 空着,看板会自动降级。不编。
- - **不完整岗位默认不进待投递区**:`scores-to-csv.js` 会跳过缺链接、缺 JD、join 失败或缺评分依据的行;只有显式 `--allow-incomplete` 才保留,并标记 `Needs user`。
- 完整流程、站点档案怎么写、翻车了怎么查,见 `references/job-collection.md`。
- ### 3. 读 JD
- 用户给出岗位(链接、截图、或粘贴的文本)后:
- - 拿到 JD 全文。链接抓不到正文时截图看(国内校招站点常见正文不是 DOM 文本直出)。
- - JD 原文存到 `materials/jd/<公司>_<岗位ID>.txt`,看板里只存路径。**不要把 JD 全文塞进 CSV 单元格**——会把看板撑爆且难以阅读。
- - 在 `job_pool.csv` 加一行,至少填:`date_added`、`company`、`job_title`、`job_id`、`location`、`recruit_program`(招聘项目/届别)、`source`、`job_url`、`jd_path`、`deadline`(有网申截止就填)、`status=Pending`。
- - **核对届别和招聘项目**是否和用户的真实届别一致。对不上就停下告诉用户,不要投。
- - 核对完把结论写进 `cohort_match_status`:`Yes` / `No` / `Unclear`。**不要留空**——看板"已确认开放,还没投"这一栏完全由这一列驱动,留空等于这个岗位在看板里消失在"状态不明"里。
- ### 4. 选经历 + 定简历策略
- **先检查经历库**:`experience_bank.md` 不存在,或者目标方向下没有任何一段写到了 STAR 层(Action 和 Result 都是空的 / 只有一句角色描述),就**停在这里**,告诉用户缺什么、回到第 1 步补,不要往下走。
- 原因:从"我在小红书做过 AI 搜索"这种角色范围推不出简历 bullet——按 `references/resume-writing.md` 的证据分级,它连 C1 都不到。硬往下走的结果只有两个:要么编,要么产出一堆"负责 XX 相关工作"的废话。先分析 JD 再发现没料,等于白烧一轮。
- 经历库到位后:
- - 从 `experience_bank.md` 的矩阵取目标方向的候选池,**读这个 JD** 挑 2-4 段最贴的。
- - **告诉用户选了哪几段、为什么**(短列表 + 一句话理由)。这是硬性检查点,不是可选步骤。
- - 判一次匹配度,**四档结论和百分制分数都要写**(两者并存不替换:档位用来筛,分数用来在同一档里排序)。详见下面的「匹配度怎么打分」。`勉强` 和 `不建议` 要说清楚是哪一条不匹配,让用户自己决定,不要替用户否决。
- - 定模式:批量(用现有主简历)还是精准(针对这个 JD 改简历)。
- - **精准模式走 `references/resume-tailoring.md` 的 7 步**:JD 拆成带编号的条目 → 经历库覆盖矩阵 → 重挑 2-4 段 → 逐条重新压缩并标注对应 JD 哪一条 → 出 diff 式改动清单(含「仍然存在的缺口」和「需要你确认的事实」)→ 用户确认后落盘 `materials/tailored/<公司>_<岗位ID>_<日期>.{md,json}`(`.md` 给人看,`.json` 给填表器用,格式见 `templates/tailored_resume.template.json`)→ **用 `scripts/tailor-to-autofill.js` 把定稿转成填表数据,接第 5 步自动填进官网简历**。单条 bullet 具体怎么措辞、证据怎么分级,仍看 `references/resume-writing.md`。
- - **定制不产生新事实。** 能动的只有「挑哪几段、什么顺序、什么措辞、哪段详略」;经历本身、数字、时间、职责范围一个字不能改。没有 JD 原文就别做定制——只靠岗位名猜出来的不叫定制。
- - **只交付内容,不代做排版。** 改好的简历以文本成稿给用户(Markdown 或直接在对话里),说明改了哪几条、为什么。**不要代替用户导出 PDF**——排版翻车(撑成两页、字体替换、中文标点变形)你看不见,代做等于把风险转嫁给用户还没人复核。贴回源文件、导出、检查排版这三步由用户自己做。
- - **公司限投 1-2 个岗位时,必须先告诉用户再让用户决定投哪个**——不要替用户消耗投递名额。
- #### 匹配度怎么打分
- 先过**硬门槛**:届别对不上、城市不在用户的目标城市里——直接出局,**不打分、不进池子**。硬门槛是一票否决,不折算成扣分,否则一个致命问题会被其他维度的高分稀释掉。
- 过了门槛的岗位打 100 分,拆成三个维度:
- | 维度 | 满分 | 看什么 |
- |---|---|---|
- | 职责匹配 | 50 | JD 的"工作职责"逐条 vs 经历库里的具体事情 |
- | 领域匹配 | 25 | 业务领域 / 产品形态是否同题(如都是 AI Agent、都是电商营销) |
- | 任职要求匹配 | 25 | 专业、技能、经历年限等硬性条件 |
- 专业和学历**放在任职要求里扣分,不做一票否决**——校招卡专业的写法往往比实际执行严格。
- 三列一起写进 `job_pool.csv`:
- | 列 | 例子 | 说明 |
- |---|---|---|
- | `match_score` | `91` | 三维之和,0–100 的整数 |
- | `match_breakdown` | `职责47/50 领域24/25 任职20/25` | 分数怎么来的,加总必须等于 `match_score` |
- | `match_basis` | `JD职责3字面写「社群运营Agent」↔ 个人项目同题` | **必须能指回 JD 原文的具体某一条** |
- `match_basis` 是这套分数唯一的可信度来源。写不出"JD 第几条 ↔ 哪段经历",就说明这个分是拍的——宁可标注存疑,也不要给一个看起来精确的数字。JD 正文过短(不足一两百字)时在 `match_basis` 里注明置信度低。
- **岗位挂的"职能"标签不可信**:名字叫产品经理、实际在招数据分析或项目管理的岗位很常见。以 JD 正文为准,判定不一致时打低分并在 `match_basis` 里标出来。
- `match_level` 与分数的对应,以及 `priority`、`status` 的推导:
- | `match_score` | `match_level` | `priority` | `status` |
- |---|---|---|---|
- | ≥ 85 | `强匹配` | `P0` | `Pending` |
- | 80–84 | `可以投` | `P1` | `Pending` |
- | 70–79 | `可以投` | `P2` | `Pending` |
- | 60–69 | `勉强` | `P3` | `Skipped` |
- | < 60 | `不建议` | `P3` | `Skipped` |
- `Skipped` 的行要在 `skip_reason` 里写清楚是分数没过线,用户随时可以自己捞回来——**分数是排序建议,不是替用户做的决定**。
- 没评过分就把 `match_score` 留空,**不要填 0**。看板会把它显示成"未评估"并单独统计;填 0 会让它在排序里等同于"评过且极差"。
- **这套规则是默认值,不是定论。** 三个维度的权重(50/25/25)、四档的分数线、硬门槛只放届别和城市——这些是一个人跑 264 个岗位试出来的一组参数,换个方向、换个阶段就该换。用户要调权重、加硬门槛、改分档线,照改,改完把新规则写进 `application_rules.md`,让后面每一轮都按同一套标准评。**唯一不能松的是 `match_basis` 必须指回 JD 原文的具体某一条**——权重可以谈,可追溯不能谈。
- **并行打分时(几十上百个岗位派多个 worker 分批评)**,上面这张表远远不够。实测 205 个岗位 / 4 个 worker、只给规则不给样本,结果分数全挤在 88–93 的 6 分带里,抽 10 个盲测重打 **10/10 高估、平均 +15.6 分、最大 +32**,排序彻底失效。原因是权重锚不住尺度——"职责匹配 47/50"到底该给多少,只有看过已定分的真实样本才对得齐。
- 所以并行必须走三件套,缺一不可:
- 1. **主 agent 先建统一标尺** —— 严格评 **8–10 个锚点岗位**写成 `anchor-scores.jsonl`(覆盖高中低分段,含标题陷阱和 70 分以下例子),再用 `build-scoring-rubric.js` 确定性生成 `RUBRIC.md`,发给每个 worker 全文。
- 2. **并行派 worker,分批不重叠** —— 各写自己的 `scored-<n>.json`,然后 `merge-scores.js` 合并 + 尺度体检(加总/重复/超分是致命错误直接退出;带宽塌缩、批次均值差是警告,还会点出是哪个 worker 飘了)。
- 3. **盲测审计,不可省** —— `audit-scores.js --sample` 分层抽 10 个,输出**剥掉全部分数字段**,主 agent 重打后 `--compare` 算偏差。平均绝对偏差 >3、任一岗位绝对偏差 >8、或系统性同向偏差超限,都要整批重评;正负误差不能互相抵消。把审计结果当新锚点写回 RUBRIC。
- 细节和命令见 `references/job-collection.md` 第 4 步。
- ### 5. 填表
- 读 `references/application-playbook.md`。投字节的话再读 `references/bytedance-campus.md`(已实测的字段图谱和填写配方)。
- **刚在第 4 步定制完简历、要把定稿填进官网账号简历**——这是最常见的入口,走这条:
- ```bash
- # ① 离线校验(不开浏览器,几毫秒。红线拦截 + 字段校验 + 按站点档案预演填写计划)
- node scripts/tailor-to-autofill.js --tailored ./materials/tailored/<公司>_<岗位ID>_<日期>.json --dry-run
- # ② 生成填表数据
- node scripts/tailor-to-autofill.js --tailored ./materials/tailored/<公司>_<岗位ID>_<日期>.json --out ./my-materials/autofill_data.json
- # ③ 填进页面(首次需要用户自己登录;脚本永不点保存)
- node scripts/run-with-playwright.js --data ./my-materials/autofill_data.json \
- --profile ./scripts/profiles/bytedance-campus.json \
- --url https://jobs.bytedance.com/campus/resume/edit --append
- ```
- 第 ① 步必跑。它会**直接拒绝**任何证件号(含 18 位身份证形状的值)、**整块跳过**教育经历、并在缺字段/日期格式错/不是时间倒序时报错且完全不产出文件。详见 `references/resume-tailoring.md` 第 7 步。
- **要填的是同一张长表上十几到几十个纯文本字段**(典型场景:第一次把账号简历录完整),先看 `references/autofill-script.md` —— 用 `scripts/autofill-core.js` 批量填,实测 35 字段 13.5 秒,比逐字段填快两个数量级。三五个字段、或者一堆下拉/多选/上传,还是走下面的手工路径。
- 国内校招的结构特点:**简历是账号级存档的,每个岗位通常只剩 1-3 个开放题**。所以:
- - **动手之前先扫一遍 `never_guess`**:对着这个岗位要填的表,把清单上缺答案的字段一次性列出来问用户,**不要填到一半卡住再问一次、再卡住再问一次**。缺的字段问不到就直接记 `需要用户` + `blocker`,不要开始填。
- - 先检查账号简历是否已完整。缺什么补什么,不要每次重走完整录入。
- - 批量填。增删条目一定让 ref 失效,`fill` 通常不会(实测一次 inspect 连打 13 个 fill 没失效)但**不保证**,所以顺序是**先把「添加」点够 → 一次 inspect → 连续填一屏 → 滚动 → 再 inspect**,不要填一段快照一次。详见 playbook 的「效率规则」。
- - **复核靠回读,不靠肉眼看截图**,且必须在 blur + 强制重渲染之后读。
- - `candidate_profile.json` 里有明确值的直接填。
- - 开放题用 `answer_bank.md` 的已确认答案;没有就起草,让用户确认一次,之后复用。
- - **`never_guess` 清单上的字段一律停下来问**:届别、身份证号、学历层次、教育经历起止时间、预计毕业时间、期望薪资、服从调剂、三方协议、政治面貌类身份字段。
- - 表单自动带出来的、简历和 profile 里没有依据的内容(比如账号里存的旧自我介绍),**先核实再让它进入提交**。
- 遇到验证码、人机验证、登录、2FA、付款、权限弹窗、不清楚的法律/身份问题——**停下交给用户**,不要绕。
- ### 6. 预览 → 用户确认 → 提交
- 提交前给用户一份摘要:公司、岗位、招聘项目/届别、简历版本、选中的经历、关键开放题答案、薪资数字。
- **用户明确说提交才能点最终提交按钮。预览页面不算同意。**
- 提交后要看到**真实确认证据**才算成功:成功文案、跳转成功页、或**应聘记录页出现了这条投递**(国内系统最可靠的证据)。收藏、保存草稿、表单看起来填完了——都不算。
- ### 7. 回写
- 每次投递尝试都要落到一个状态:
- - `已投递`:看到了确认证据
- - `跳过`:不投,写原因
- - `阻塞`:自动化走不下去,写卡点和下一步
- - `需要用户`:缺高影响事实、需要用户过验证码/登录/上传、或需要用户做判断
- - `待处理`:值得投,但要等前置条件
- 同时更新:
- - `job_pool` 状态
- - `application_log`:简历版本、用了哪几段经历、关键答案、确认证据、JD 路径
- - `follow_up`:已知的下一步(笔试、面试时间)
- - `daily_dashboard`:汇总
- **还要回写 profile**:填表过程中冒出来的、`candidate_profile.json` 里没有的事实(新的实习细节、更新的成绩、用户当场说的偏好),写回 profile,不要让它只存在于这一次投递里。遇到模板没覆盖的新表单字段,确认用户的真实答案后写进 profile 的 `扩展字段`。
- ### 8. 从阻塞中学习
- 每轮结束后总结卡点,把重复出现的问题变成规则:下拉框处理、地址匹配、简历上传检查、登录态检查、特定公司系统的坑——写进 `references/application-playbook.md` 对应的公司小节和 `automation_rules`。
- 新公司系统实测后,按 playbook 里的模板补一节。**只写实测过的,不要凭印象写。**
- ## 看板
- `dashboard/` 下是 CSV + 一个本地网页看板。启动:
- ```
- ./dashboard/start-dashboard.sh
- ```
- **不要直接双击 `dashboard.html`**——它要从本地服务读 CSV,直接打开会因为浏览器的文件访问限制读不到数据。
- ## 安全边界
- 涉及自动化限制、验证码、登录、隐私、公开分享、仓库里不该放什么时,读 `references/safety-and-boundaries.md`。
- 不要把私人简历、手机号、邮箱、身份证号、住址、投递记录、浏览器会话、cookie、验证码写进公开仓库。
README.md · README · 161 lines
View this file on GitHub (read at the repository's current version: the scan did not record which commit it read)
- <div align="center">
- # qiuzhao
- ### 国内校招求职 Agent Skill
- [](LICENSE)
- 
- 
- 从岗位采集、筛选与评分,到简历定制、表单预填和本地看板。
- **不编造经历,不绕验证码,不在未经确认时提交申请。**
- </div>
- ## 先看效果
- 
- *实际看板截图;公司、岗位、评分和日程均为虚构演示数据,不代表真实投递或求职结果。*
- ### 不用交简历,先试一次
- 只需 Git 和 Node.js 18+。下面的演示不需要 Agent、招聘网站登录或 `npm install`:
- ```bash
- git clone https://github.com/guzhezao/qiuzhao.git
- cd qiuzhao
- node scripts/demo-dashboard.js
- ```
- 打开 [本地演示 http://localhost:8421](http://localhost:8421/),可以查看 8 个示例岗位、筛选匹配度、展开评分依据和查看日程。
- 数据写入系统临时目录,不读取或覆盖你的求职工作区;终端按 `Ctrl+C` 停止服务。
- 这一步只演示看板,不会采集岗位、生成简历或提交申请。
- [查看完整工作流 ↓](#快速开始) · [反馈问题](https://github.com/guzhezao/qiuzhao/issues/new?template=bug_report.md) · [提出需求](https://github.com/guzhezao/qiuzhao/issues/new?template=feature_request.md)
- ## 能做什么
- - 批量采集招聘站岗位,按届别、城市和方向筛选
- - 逐份读取 JD,统一评分并给出可追溯的推荐理由
- - 针对具体 JD 选择经历、改写简历并标出能力缺口
- - 预填校招表单,在最终提交前停下等待确认
- - 用本地看板管理投递、面试、截止日期和跟进记录
- ## 支持状态
- | 能力 | 字节跳动校招 | 快手校招 |
- |---|---|---|
- | 采集、筛选、评分、看板 | 已实测 | 已实测 |
- | 按 JD 定制简历 | 已支持 | 已支持 |
- | 表单预填 | 已实测,提交前停住 | 尚未适配 |
- | 最终提交 | 必须由用户明确确认 | 必须由用户明确确认 |
- 快手公开只读接口实测可在数秒内采集完整岗位池。字节大规模冷启动受页面和模型响应速度影响,不承诺每次都在五分钟内完成。
- ## 快速开始
- ### 1. 克隆
- ```bash
- git clone https://github.com/guzhezao/qiuzhao.git
- cd qiuzhao
- ```
- 需要 Node.js 18 或更高版本;脚本本身不需要 `npm install`。
- 如果你拿到的是 ZIP 包:将压缩包解压为 `qiuzhao/` 文件夹,并把它放到
- MiniMax Code 的 skills 目录(例如 `~/.minimax/skills/qiuzhao`);Windows 可放在
- `%USERPROFILE%\\.minimax\\skills\\qiuzhao`。解压后保持 `SKILL.md` 位于文件夹第一层,
- 不要把 ZIP 本身或外层重复目录名当作 Skill 路径。
- ### 2. 准备独立工作目录
- 不要把真实简历和运行结果放进 Skill 仓库。另建一个目录,例如:
- ```text
- 求职工作区/
- ├── resume.md
- └── materials/
- ```
- 然后在该目录开启 Agent 会话,并告诉它 Skill 的位置:
- ```text
- 请使用 /path/to/qiuzhao/SKILL.md,根据 resume.md 初始化求职工作流。
- 我的目标是 2027 届、北京/上海、AI 产品与策略方向。
- ```
- Agent 会生成候选人档案、经历库、投递规则和本地看板数据。缺少的事实会向你确认,不会自行补写。
- ### 3. 筛选岗位
- 可以把招聘列表页或选好的 JD 交给 Agent:
- ```text
- 请用 qiuzhao 筛选这个招聘站的校招岗位,完成采集、硬门槛筛选、评分、推荐和看板生成。不要提交申请。
- ```
- 快手公开岗位也可直接采集:
- ```bash
- node scripts/collect-jobs.js \
- --site scripts/job-sites/kuaishou-campus.json \
- --keyword AI --pages all --out ./jobs-kuaishou-ai.json
- ```
- ### 4. 打开看板
- ```bash
- QIUZHAO_HOME=/path/to/求职工作区 ./dashboard/start-dashboard.sh
- ```
- Windows 可双击 `dashboard/start-dashboard.bat`。看板默认运行在 `http://localhost:8420`,所有 CSV 数据都保留在本地。
- ### 5. 定制简历或预填表单
- ```text
- 请根据这个 JD 定制简历。每条改写都要能追溯到我的真实经历,并列出无法满足的要求。
- ```
- 表单预填需要 Agent 具备浏览器操作能力,并由你提前完成登录与验证码。任何最终提交都必须再次明确确认。
- ## 文件说明
- | 路径 | 用途 |
- |---|---|
- | `SKILL.md` | Skill 入口、工作流和评分规则 |
- | `references/` | 采集、简历、填表与安全细则 |
- | `scripts/` | 岗位采集、筛选、评分与校验脚本 |
- | `templates/` | 空白候选人、简历和规则模板 |
- | `dashboard/` | 零依赖本地看板 |
- ## 隐私与安全
- - 仓库只包含源码、空模板、示例 CSV 和公开站点配置
- - 真实简历、联系方式、JD、评分、投递记录、浏览器配置与截图均应留在独立工作目录
- - `materials/`、真实看板 CSV、浏览器 profile 和常见运行产物已被 `.gitignore` 排除
- - 模板中的 `13800000000`、`zhangsan@example.com`、`示例公司` 均为虚构占位符
- - 不绕过验证码、反爬或限投规则;不把收藏误记为已投递;不自动最终提交
- ## 平台说明
- - macOS:已完成主要流程实测
- - Windows:提供 `.bat` 启动器,Node 脚本使用跨平台路径;完整浏览器端到端流程仍建议在本机验证
- - 中国大陆网络:快手公开接口和字节招聘页面已验证;登录态、验证码及公司网络策略仍由用户处理
- ## License
- MIT © 2026 **COOL(顾着造)**。
- 这是一个独立维护的仓库,不是其他仓库的 fork。既有工作的必要版权署名保留在 [LICENSE](LICENSE) 中。
- ---
- <div align="center">
- **Build useful things. Keep them honest.**
- </div>
Ratings and comments
Sign in to rate this skill.
Sign inFree to use. If it’s helped, pass it on.