career-ops VC 组合种子扫描实战：用 `--seeds` 把 YC/a16z 投资组合变成招聘职位发现源-平芜编程栈

career-ops VC 组合种子扫描实战：用`--seeds`把 YC/a16z 投资组合变成招聘职位发现源

【免费下载链接】career-opsOpen-source AI job search: scan job portals, evaluate listings into a structured A-H report with a global 1-5 score, tailor your CV, track applications — runs locally in your AI coding CLI (Claude Code, Codex, OpenCode, Antigravity…)项目地址: https://gitcode.com/GitHub_Trending/ca/career-ops

导读

本文讲解 career-ops 中seeds/模块的设计与使用：它绕过「等公司在 ATS 目录里出现」的被动模式，直接从 Y Combinator、a16z 等顶级 VC 的公开投资组合页拉取公司名单，逐家探测其 Greenhouse / Lever / Ashby 招聘看板，把结果汇入与portals.yml追踪公司完全相同的扫描管线。读完本文，你将掌握--seeds命令行用法、程序化调用 API、数据转换与安全边界，以及如何扩展新的 VC 组合数据源。

为什么需要一套"组合种子"发现路径

scan-ats-full.mjs的常规工作方式是反向扫描公开 ATS 目录：遍历 Greenhouse、Lever、Ashby、Workday 等招聘板聚合目录，从中发现正在招人的公司。这种方式的局限在于——一家公司只有在被目录收录之后才会进入视野。

而seeds/层提供了面向初创公司求职者的高信号起点：不等待公司出现在 ATS 目录里，而是先从知名 VC 的公开投资组合划定候选宇宙。种子公司名单拉取后，会被转换成与portals.yml追踪条目一致的PortalEntry，再走与scan.mjs中追踪公司完全相同的探测流程，因此一次扫描即可覆盖数百家 YC / a16z 被投公司的实时在招岗位。核心文档见 seeds/README.md，实现位于 seeds/vc-portfolios.mjs。

整体数据流如下：

VC portfolio API/page ↓ seeds/vc-portfolios.mjs SeedCompany[] ↓ toPortalEntry() PortalEntry (careers_url set to best-guess ATS URL) ↓ provider.detect() (same as portals.yml companies) ATS provider fetches jobs ↓ title_filter / location_filter / dedup data/pipeline.md

核心实现拆解：种子获取器 vc-portfolios.mjs

实现文件顶部注释明确了三条硬性设计约束，是理解整个模块的钥匙（见 seeds/vc-portfolios.mjs）：

零鉴权：只用公开数据源，不登录、不要 API key；
零 LLM 消耗：纯 HTTP + JSON / HTML 解析，不消耗任何模型 token；
同一套 slug 守卫：凡是会拼进 URL 的 slug 都经过SLUG_RE校验，伪造或畸形的 payload 永远无法向 URL 注入意外字符。

数据类型：SeedCompany 与 SeedPortalEntry

两个用 JSDoc 声明的核心类型（seeds/vc-portfolios.mjs）：

SeedCompany：种子输出的统一单位，字段包括name（展示名，如 Stripe）、slug（必须通过SLUG_RE的 URL 安全段）、url（官网）、可选的ats（'greenhouse' | 'lever' | 'ashby'）、ats_id（用于构造招聘板 URL 的组织段）、source（来自哪个 VC 名单）、batch（仅 YC，如W21）；
SeedPortalEntry：与providers/_types.js中PortalEntrytypedef 形状一致、可直接交给 ATSprovider.detect()消费的对象，只含name、careers_url（尽力而为的 ATS 或官网 URL）和可选的source。

纯解析函数：可测试性的根基

解析逻辑被刻意设计为纯函数（无网络、无副作用），这是整个模块能被 CI 用内联 fixture 无 mock 测试的关键：

parseYCPayload(payload)（seeds/vc-portfolios.mjs）：解析 YC API 的分页 JSON，优先取显式slug，缺省时由name小写化派生（name.toLowerCase().replace(/[^a-z0-9]+/g, '-')），并剔除两端连字符；无效 slug、重复 slug 都会被过滤。url只接受http(s)开头的值；
parseA16zPayload(html)（seeds/vc-portfolios.mjs）：无 DOM 解析器的三层降级策略——① 优先找页内application/ld+json的Organization/Corporation结构化数据块；② 其次匹配 React 渲染的data-company-name/data-company-url属性；③ 最后退回到含portfolio|company|cardclass 的<a>锚文本，并对read more、visit、press等导航性文字做过滤。页面结构变化时逐层优雅降级；
parseSeedEntries(payload, source)（seeds/vc-portfolios.mjs）：统一入口，按source分发到上述两个解析器，是 issue 验收标准与 test-all.mjs 直接引用的可测试单元。

网络抓取：超时 + 分页走查

fetchWithTimeout()是本地最小实现（刻意不引providers/_http.mjs，保证seeds/自包含）：用AbortController实现默认 20 秒超时，并携带 user-agent.mjs 的默认 UA 头；非 2xx 响应会抛出带状态码与前 200 字符摘要的错误（seeds/vc-portfolios.mjs）。

两个抓取函数：

fetchYCCompanies({ timeoutMs, maxPages })：逐页走查 YC API。注意实现细节：请求里带着per_page=1000，但服务端会自行限页，因此走查终点不是自己猜，而是跟随 API 返回的分页信号——若给出整数totalPages则照其停止；若缺失则用parseYCNextPage()解析nextPage字段（可能是一个裸数字、page=N片段或携带page=N的完整 URL），并要求必须前进，否则中断（seeds/vc-portfolios.mjs）。真正的防失控硬顶是导出的YC_MAX_PAGES = 500，任何显式maxPages（哪怕是Infinity）都会被钳制在该上限内，防止某天 API 不再上报分页元数据时无限空转（seeds/vc-portfolios.mjs）。第 1 页抓取失败会直接抛错，第 2 页起失败则容忍部分数据后跳出；
fetchA16zCompanies()：a16z 无公开 JSON API，直接抓取公开组合页 HTML 交给parseA16zPayload()（seeds/vc-portfolios.mjs）。

SEED_SOURCES 注册表

导出对象把种子源 ID 映射到抓取函数与可读标签（seeds/vc-portfolios.mjs），它是scan-ats-full.mjs --seeds与 CLI 工具消费的唯一入口：

export const SEED_SOURCES = { yc: { fetch: fetchYCCompanies, label: 'Y Combinator Portfolio', }, a16z: { fetch: fetchA16zCompanies, label: 'Andreessen Horowitz (a16z) Portfolio', }, };

命令行使用法：通过 scan-ats-full.mjs（推荐）

scan-ats-full.mjs新增了--seeds标志，取值是逗号分隔的注册表键（见 scan-ats-full.mjs）：

# 从 Y Combinator 投资组合播种，只看最近 7 天 node scan-ats-full.mjs --seeds yc --since 7 # 同时播种 YC 和 a16z，仅预览（dry-run 不出写结果） node scan-ats-full.mjs --seeds yc,a16z --dry-run # 种子 + 常规 ATS 源混扫 node scan-ats-full.mjs --seeds yc --ats greenhouse,lever --since 5 # npm 快捷命令（定义见 package.json） npm run scan:seeds # yc + a16z npm run scan:yc # 仅 YC

几个值得注意的 CLI 语义（均可在 scan-ats-full.mjs 源码中确认）：

未知种子源会直接报错退出：Error: unknown seed source(s): xxx. Valid: yc, a16z；
--seeds与--ats的默认值联动：当--seeds是唯一的发现标志（未给--ats）时，--ats自动默认为空列表，避免在种子扫描之外还无意间全量走一遍常规 ATS 目录；反过来，不传--seeds时行为不变，默认遍历全部 ATS 源（Object.keys(SOURCES)）；
--limit对种子同样生效：按 slug 截断公司数量，配合--shuffle时会先洗牌再取前 N 家；
--since决定职位新鲜度：runSeedScan内部以Date.now() - sinceDays * 86_400_000为截止线，早于它的dated职位被标记stale丢弃；无日期职位默认丢弃，需--include-undated才保留（scan-ats-full.mjs）。

程序化 API

不经过 CLI、在自有脚本里直接集成也可以：

import { fetchYCCompanies, fetchA16zCompanies, toPortalEntry, SEED_SOURCES } from './seeds/vc-portfolios.mjs'; // 抓取 YC 公司 const companies = await fetchYCCompanies(); console.log(companies[0]); // → { name: 'Stripe', slug: 'stripe', url: 'https://stripe.com', source: 'yc', batch: 'W11' } // 转成可交给 ATS provider.detect() 的 PortalEntry const entry = toPortalEntry(companies[0]); // → { name: 'Stripe', careers_url: 'https://job-boards.greenhouse.io/stripe', source: 'yc' } // 遍历注册表 for (const [id, source] of Object.entries(SEED_SOURCES)) { const companies = await source.fetch(); console.log(`${source.label}: ${companies.length} companies`); }

toPortalEntry：ATS URL 的猜测优先级

toPortalEntry()（seeds/vc-portfolios.mjs）把SeedCompany转成PortalEntry，careers_url的解析顺序有严格的分层，理解它有助于排查"为什么某公司没被探测到"：

显式 ATS 提示：当company.ats与ats_id同时存在且ats_id通过SLUG_RE时，按平台拼出标准看板 URL——Greenhouse 为https://job-boards.greenhouse.io/${atsId}、Lever 为https://jobs.lever.co/${atsId}、Ashby 为https://jobs.ashbyhq.com/${atsId}；
无提示则按 slug 猜 Greenhouse：https://job-boards.greenhouse.io/${company.slug}（Greenhouse 是 YC 公司最常用的 ATS，先拿它试）；
兜底回退到公司官网：适用于 ATS 在自定义子域的情况，交由provider.detect()在扫描时从域名自动识别。

最终careers_url是否有效，要等扫描期 ATS provider 的detect()确认；对不上就跳过并给出告警。对应断言可见 test-all.mjs。

runSeedScan：种子如何汇入既有扫描管线

scan-ats-full.mjs中的runSeedScan(seedId, opts, ctx, seenUrls, label)（scan-ats-full.mjs）承担了从种子名单到职位 offer 的完整链路，其探测顺序固定为：

// ATS providers that can auto-detect from a careers_url, in probe order. // Workday is excluded: its URL format requires a tenant|instance|site triple // that can't be derived from a portfolio slug alone. const SEED_PROVIDERS = [greenhouse, lever, ashby];

（见 scan-ats-full.mjs。）Workday 被排除的原因值得注意：其 URL 需要tenant|instance|site三元组，仅凭组合页的 slug 无法推导，因此种子路径不参与 Workday 探测。

逐家公司处理时：

用parallelEach(capped, CONCURRENCY, ...)以受控并发批量探测，并设置了每家公司 5 分钟的公司级超时（COMPANY_TIMEOUT_MS，见 scan-ats-full.mjs）——防止某家公司的 DNS 或 provider 缺陷拖垮整个 worker 槽位，这对动辄上千家公司的扫场至关重要；
依次调用greenhouse → lever → ashby的detect(entry)，首个命中者胜出并调用其fetch(entry, ctx)，与portals.yml中追踪公司走scan.mjs的路径完全一致；
返回的每个 offer 打上source = \${seedId}-seed`（如yc-seed），区分于常规扫场的{sourcesKey}-full`；
去重沿用与主扫场共享的seenUrls集合与dedupTokenFor()辅助函数；由于 Greenhouse/Lever/Ashby 目前都未定义dedupKey，种子 offer 实际走normalizeUrlForDedup(url)的纯 URL 去重（scan-ats-full.mjs），并同时接受titleFilter/locationFilter/contentFilter与--limit的约束。

最终新增职位与常规源产出汇入同一data/pipeline.md，后续的标题过滤、位置过滤、去重与投递评估全部复用既有链路，这也是该功能接入成本极低的原因。

数据源一览

Source	URL	Format	Auth
Y Combinator	`https://api.ycombinator.com/v0.1/companies`	JSON API	无
a16z	`https://a16z.com/portfolio/`	公开 HTML 页	无

YC：fetchYCCompanies()逐页走查公开 API，按 slug 全程去重；分页跟随服务端返回的totalPages/nextPage信号推进，且被 500 页的YC_MAX_PAGES硬顶钳制（分页契约有独立测试覆盖，见 tests/vc-portfolios-yc-pagination.test.mjs），覆盖各公开 YC batch；
a16z：抓公开组合页，经 JSON-LD →data-company-name→ 锚文本的三层降级策略解析，页面结构变化时可优雅回退。

安全设计

该模块面对的是不可信的第三方页面内容，因此防御是显式设计而非事后补丁：

slug 白名单校验：所有进入 URL 拼接的 slug 先过SLUG_RE = /^[A-Za-z0-9._-]+$/（导出自 seeds/vc-portfolios.mjs），任何含/、空格、!等危险字符的条目在解析阶段即被丢弃——测试用内联 fixture 证明了good-co、also.good_123通过而bad/slash、bad space、bad!bang被拒（test-all.mjs）；
构造出的 ATS URL 再经过既有的entryOnHost()SSRF 守卫后才到达任何 provider，从根上阻止向内网/非预期主机发起请求；
零凭据、零无头浏览器、零 LLM 调用：不引入任何新的攻击面与 token 成本，也无需 API key 配置。

扩展更多 VC 组合源

仓库把"加一个新 VC"做成了四步流水线，其中第 1、4 步的可测性约束是硬性的（对应 seeds/README.md 中的指南与 seeds/vc-portfolios.mjs 的注册表注释）：

写一个parseXyzPayload(payload)纯函数（不触网——用内联 fixture 即可测试）；
写一个fetchXyzCompanies(opts?)异步函数，调用公开端点并返回SeedCompany[]；
注册进SEED_SOURCES：

export const SEED_SOURCES = { yc: { fetch: fetchYCCompanies, label: 'Y Combinator Portfolio' }, a16z: { fetch: fetchA16zCompanies, label: 'Andreessen Horowitz (a16z) Portfolio' }, // 新增源： sequoia: { fetch: fetchSequoiaCompanies, label: 'Sequoia Portfolio' }, };

在test-all.mjs中为你的parseXyzPayload()补测试用例（现有种子相关断言的完整样例位于 test-all.mjs 的 "9b" 小节，覆盖 YC 解析、a16z HTML 解析、parseSeedEntries分发、SLUG_RE 过滤、toPortalEntry三级 fallback、slug 去重与注册表形态）。

测试与验证

除test-all.mjs"9b" 小节的内联 fixture 测试外，tests/vc-portfolios-yc-pagination.test.mjs 单独锁定了分页走查的契约：fetchYCCompanies必须走完 API 上报的每一页；当totalPages缺失时能跟随nextPage（数字、片段、URL 三种形态由parseYCNextPage统一解析）；即便传入maxPages: Infinity也绝不超过 500 页硬顶——该上限值被独立锁定为 500，防止有人悄悄抬高它让测试"静默通过"。

适用前提与注意事项

种子扫描依赖对第三方公开接口/页面的实时抓取，YC 与 a16z 任何一方改版都可能导致瞬时空结果或报错（YC 首页失败抛错、翻页中断后容忍部分数据；a16z 走三层降级策略），可通过重试或改日再扫缓解；
种子产出的 offersource是yc-seed/a16z-seed，与常规源的-full后缀可明确区分，方便在去重与统计层面追踪来源；
该路径不覆盖 Workday 看板（URL 无法由 slug 推导），使用 Workday 的公司需经由常规 ATS 目录发现；
npm run scan:seeds/scan:yc只是 package.json 里对scan-ats-full.mjs --seeds的封装，完整参数列表（--verbose、--json、--dry-run、--liveness等）可在 docs/SCRIPTS.md 中继续查阅。

career-ops VC 组合种子扫描实战：用 `--seeds` 把 YC/a16z 投资组合变成招聘职位发现源