上个月我还在跟招聘软件搏斗，每天刷几十个岗位，投出去的简历像扔进黑洞。直到我在GitHub上刷到一个19K星的项目，思路一下子打通了：用Claude Code把自己求职流程里最耗时间的环节全部串起来，从岗位采集、JD解析、简历匹配打分，到定制简历、生成求职信、跟进状态管理，五个步骤一条龙自动化。那时候我才意识到，Claude能做的不只是聊天写代码，它完全可以当作一个“会帮你干活的终端实习生”，前提是你把流程设计得够清楚。
这篇就是我个人完整复现这套方案的全记录。我会从Claude Code怎么装、Windows上那些莫名其妙的环境报错怎么破，到每一个自动化步骤的Prompt和参数怎么调，再到实际跑了两个星期的效果数据，全部摊开讲。适合正在找工作的朋友，也适合对AI工具落地感兴趣、想看看一个命令行Agent到底能接多少活的开发者。整个过程不涉及任何玄学，全是能直接抄的作业。
1. 先搞清楚：这套自动化工具体系到底在解决什么问题
1.1 求职里最耗时间的，恰恰是最不适合人干的事
我复盘了一下自己投简历的全过程，发现一个很扎心的事实：真正影响Offer的决策只有那么几个——要不要投这家、简历里重点突出哪段经历、怎么开场和HR打招呼。但每一家简历都要微调、求职信要改、状态要记，这些极其机械化的操作，正在把人的精力吃得干干净净。
我举个具体场景。你看到一个JD，正常流程是这样的：先花20秒扫一眼硬性要求，再花两分钟把原简历里相关的项目经历调出来，琢磨着怎么改表述，然后把改好的内容复制到招聘网站重新填一遍，写完打招呼语还要复制到备注里怕忘。一两家还行，一天看二十家，到后面已经是在靠惯性操作，大脑根本不转了。
这种工作有一个共同特点：规则明确、产出结构固定、重复性极高。这恰好是Claude这类模型最擅长的事。它不是要帮你做“投递决策”，而是把投递前所有需要花时间的物料准备、信息整理、状态同步全部做掉，你只需要在最后做判断和点击。
1.2 Claude Code在其中扮演什么角色
先说清楚Claude Code是什么。它是Anthropic出的一个命令行Agent工具，不是普通的聊天网页。装好之后，你在终端里敲claude就能进入一个交互环境，它可以读取你指定目录下的文件、修改文件、执行Shell命令、调用API，甚至自己写脚本让事情跑起来。
把它比喻成“一个会打字的实习生”最合适。你给这个实习生交代清楚目标，他自己会用电脑上的文件、工具、脚本来完成。和普通聊天不同的地方在于：它背后连着本地文件系统，所以它读的是你真实的简历文件，改的是你真实的工作文档，跑的结果直接落在文件夹里，而不是停留在对话框里。
所以我这套求职自动化系统，本质上就是给Claude Code搭了一套“工作环境”：一个放简历和岗位信息的文件夹、一份告诉它背景规则的CLAUDE.md、几个抓数据和处理数据的脚本，再加上一套精心设计过的Prompt。它跑一趟，把该整理的整理好，把该生成的生成完，最后交给你一份可以直接用的成果。
2. 开工前的准备：Claude Code安装与配置，别在第一步翻车
2.1 安装Claude Code和常见环境报错（Windows用户尤其注意）
安装本身不复杂。前提是机器上有Node.js，版本建议18以上，然后执行一条命令：
npm install -g @anthropic-ai/claude-code装完之后敲claude --version验证。如果这里报“无法将claude项识别为cmdlet、函数、脚本文件或可运行程序的名称”，说明npm的全局安装目录没进系统PATH。用npm config get prefix看一下全局目录，比如我这边返回的是C:\Users\用户名\AppData\Roaming\npm，把这个目录加到环境变量Path里，重启终端就好了。这个坑特别多，几乎每个Windows用户都会踩一次。
接下来Windows上还有一个高频报错，提示文案长这样：Claude's workspace requires the virtual machine platform on windows. enable。这个不是Claude Code坏了，是它要用Windows的虚拟机平台做安全沙箱隔离。解决方式：打开“启用或关闭Windows功能”，勾选“虚拟机平台”和“Windows虚拟机监控程序平台”，重启电脑。这一步做完，这个报错就消失了。
2.2 登录、API Key与权限配置
Claude Code有两种使用方式。第一种是登录Claude账号，直接在终端里跑claude login走浏览器授权；第二种是拿API Key，设置环境变量ANTHROPIC_API_KEY。我建议如果只是想玩一下，先登录账号就行；如果想跑脚本批量调，用API Key更稳定，方便控制成本和写进自动化流程。
首次运行的时候，Claude Code会申请文件系统权限。一定要看清楚它的范围，默认情况下最好是把它限制在你要工作的求职项目目录里，别给它整盘权限。在它尝试执行命令时也会逐个确认，我一般在测试阶段选择逐条同意，等脚本稳定了再配置白名单。
还有一个小细节：在项目根目录放一个CLAUDE.md文件，里面写清楚你的基本信息、简历文件路径、输出目录约定、命名规则。Claude Code启动时会自动读取这个文件作为背景知识。这一步非常关键，它相当于你的“实习生入职培训”，有了它，Claude就不会拿一套通用逻辑来瞎猜你的需求。
2.3 给Claude Code装Skills和自定义配置
如果你用过VS Code里的Claude Code扩展，会发现它能在编辑器里直接和Claude对话，但这只是入口不同，核心能力是一样的。真正让这套系统好用的是Skills机制。Skills相当于预先写好的技能包，一个Skill就是一个目录，里面放一个SKILL.md描述技能适用场景，再加上若干脚本或Prompt模板。
比如我给这套求职系统做了一个“简历定制”的Skill，里面定义了输出格式、禁止事项、生成逻辑。Claude Code在任务里检测到相关关键词时，会主动加载这个Skill去执行。这样我从命令行输入一句“帮我把简历调整成适合产品经理岗的版本”，它就知道该走哪套逻辑，而不是每次都要把规则重新讲一遍。
在VS Code里配置Claude Code也很简单：装好官方扩展，打开命令面板选择“Claude Code: Open in Terminal”，它就会在终端面板里启动。调试Prompt的时候这种方式效率很高，因为你能边看项目文件边改逻辑，我后面所有Prompt的迭代基本都是在VS Code里完成的。
3. 核心环节：5个步骤搭出求职自动化流水线
3.1 第一步：岗位采集与JD解析成结构化数据
自动化第一步，先把JD变成程序能读的数据。我没有写那种自动点击投递的脚本，一个是招聘平台普遍反爬，容易出事；另一个是投递动作本身应该保留给人工。我选择的做法是：从招聘平台、公司官网、内推渠道把感兴趣的岗位链接和原文JD收集到一个inbox/jobs/目录下，然后让Claude Code做解析。
解析之前，我会让Claude先跑一个小脚本，把每个JD文件里的正文提取出来，再按照我定义的字段输出JSON：
{ "company": "某某科技", "title": "高级前端工程师", "location": "上海", "salary": "25K-40K", "hard_skills": ["React", "TypeScript", "性能优化"], "soft_skills": ["跨团队沟通", "项目管理"], "years_experience": "5年以上", "education": "本科及以上", "jd_summary": "负责XX平台的前端架构设计与优化", "source_url": "https://...", "source_file": "inbox/jobs/job_001.md" }这一步的意义在于把杂乱文本变成统一格式。Claude Code会读原始JD文件、拆字段、归类、去重，然后把结构化结果写到data/jobs.json。你不需要手动整理任何一条，它跑完你检查一下有没有识别错就行。实测解析一百份JD，准确率能到95%以上，个别薪资范围不明确的会标成“面议”，这都能接受。
3.2 第二步：简历匹配打分，让Claude扮演筛选器
有了结构化JD，下一步不是直接改简历，而是先做匹配度打分。我会让Claude扮演一个“用人部门初筛HR”，拿着我的原始简历和JD逐项对照。打分规则我写成了一套固定Prompt，核心是约束它只打三个维度：硬技能匹配度、经验重合度、职级适配度。每个维度0到100分，最后输出一个综合分和我应该重点突出的经历编号。
Prompt的核心部分大概是这样的：
你是一名严谨的HR筛选员。请对照以下JD和候选人简历，分别给出 hard_skill_score、experience_score、level_fit_score，满分100。综合分取三者加权，权重为50%、30%、20%。输出JSON格式，并列出简历中与JD最匹配的3段经历ID。不要输出任何鼓励性语言，不要编造简历中不存在的经历。这里有一个很重要的设置：必须明确告诉Claude“不要编造”，并且要求它引用的是简历里的具体内容。否则模型很容易为了好看而给你加一段根本不存在的项目经历，这在后续面试时就是灾难了。
跑完一轮，data/scored_jobs.csv里就会多出每一家公司的匹配分和推荐策略。我设定的筛选线是75分以上才进入简历定制环节，低于这个分数的直接跳过，不去浪费时间。以前我筛岗位靠肉眼，一天下来头晕眼花；现在让Claude先筛，我再在剩下的高质量候选里做决策，心里踏实很多。
3.3 第三步：定制简历，锁死事实约束
第三步是整个流程里最核心的。我的原始简历是一个resume/master_resume.md，里面详细写了我所有项目、职责、量化结果，相当于一个事实库。定制简历时，Claude Code会把原始简历加JD打分结果一起丢给模型，按照JD的关键词要求，重新排列项目顺序、调整描述侧重点、换用 JD 里出现的术语。
定制过程必须遵守几条铁律，我写进了系统提示词：
- 只允许从原始简历中取事实，不得新增经历、不得修改时间线。
- 同一个项目可以从不同角度描述，但技术栈和结果数字不能变。
- 输出为Markdown格式，并标注每一项来自原始简历的哪一节，便于我核对。
这里分享一下我自己试出来的技巧：给Claude一个“岗位适配度中心词”。比如说JD里特别强调“数据驱动”，那我在Prompt里加上“请将涉及数据分析与实验评估的经历前置，并在每段描述首句点出与数据驱动的关联”。这样生成出来的简历不是把所有内容堆上去，而是有目的地突出JD最关心的点。
生成的文件按output/resume_{公司关键词}.md的规则存放，方便我一眼看到是哪家公司。我一般不直接改原简历，而是保留定制版本和原始版本分开，每次投递前人工花30秒读一遍，确认没有离谱表述，再转成PDF提交。
3.4 第四步：求职信、打招呼语与小作品集说明
简历定制完了，顺手让Claude把求职信和打招呼语一起生成。我在Prompt里明确要求：打招呼语控制在50字以内，口语化，提一句和JD相关的最强经历；求职信控制在200字以内，分三段，第一段说匹配点，第二段给证据，第三段提下一步行动建议。
实际生成的效果我觉得比我自己写的更像“招聘方想看的”。原因很简单，我自己写打招呼总是太客套，或者恨不得把十年经历全塞进去。而Claude在约束下会抓最核心的那一个点。比如投电商公司前端岗，它写出来的句子是“我之前有双11大促活动页的性能优化经验，单页加载时间从2.1秒降到0.8秒”。这句话直接对应JD里的“有高并发活动页经验”，比“我精通前端开发”有效得多。
生成的文案同样落到output/目录，和定制简历命名一致。到这一步，每次投递我手里就已经有一份定制简历、一封可复制的打招呼语、一封求职信正文。剩下的就是人工点一下发送，整个过程不超过两分钟。
3.5 第五步：面试跟进与复盘，全自动记录到表格
投出去之后，还有一个经常被人忽略的工作流：跟进和复盘。我让Claude Code在每次运行结束时，把本轮处理的公司、岗位、匹配度、简历文件、投递状态统一合并到一个总表data/tracking.csv。字段包括公司、岗位、匹配分、投递日期、状态、下一步计划、备注。
我自己每周会跑一次复盘脚本，让Claude读这张表，统计本周投了多少家、回复多少、面试邀约多少、哪个渠道转化率最高。它还会在周报里提示我“你的产品经理岗位回复率明显高于运营岗，建议下周多做PM方向的简历定制”。这种反馈比我用Excel手拉透视表快得多，关键是它还能基于这些数据给出可以执行的建议，不只是冷冰冰的数字。
4. 实操记录：一次完整的自动化运行，我改了哪些参数
4.1 从运行命令到生成结果，现场走一遍
我把整套流水线写成了一个Shell脚本run_pipeline.sh，核心逻辑就是按顺序执行解析、打分、生成、汇总四个阶段：
claude -p "执行求职流水线：解析 inbox/jobs 下新增的JD，写入 data/jobs.json，然后按规则打分，生成定制简历与求职信到 output/ 目录，最后更新 data/tracking.csv。所有规则见 CLAUDE.md 和 skills 目录，生成前逐条核对事实来源。"这里用的claude -p是Claude Code的非交互执行模式，适合脚本调用。跑一次大概需要10到15分钟，取决于新增JD数量和模型负载。跑完之后我去看output/目录，每家公司的定制文件都在，命名清晰，data/tracking.csv里的新记录也追加好了。整个过程不用我盯着命令行，它自己在后台跑。
对比一下我手动干这件事的时间：按每天20个岗位算，光是整理JD、改简历、写打招呼语就要两个小时以上；用这套流程，我每天要做的事只剩三件——把感兴趣的JD丢进inbox目录、跑一次脚本、花半小时检查生成的材料。效率提升不是一点点。
4.2 关键的调参经验：temperature与系统提示词
我用下来最值得调的两个参数，一个是temperature，一个是max_tokens。打分类任务，比如JD匹配打分，我把temperature调到0.2，让它尽量稳定输出数字，不要发挥；生成类任务，比如定制简历和求职信，我调到0.4左右，风格上保留一点灵活度，但又不会跑偏。
另外一个参数容易被忽略：max_tokens。定制简历这种任务，输出往往很长，如果上限给得太小，Claude会在生成一半时被截断，文件变成残缺的Markdown。我习惯把上限设置为4096以上，同时在Prompt里要求它“先输出简历主体，再输出校验说明”，这样即使内容长了，也能保证最重要的部分完整。
系统提示词这块，我踩过一次坑：最开始我一股脑把所有规则写进一句Prompt里，结果Claude常常顾此失彼。后来我把规则拆成三层：第一层是CLAUDE.md里的全局背景，第二层是Skill里的流程规则，第三层是每次调用时针对具体任务的关键约束。分层之后，错误率明显下降，尤其是“编造经历”这种致命问题再没出现过。
4.3 成本与频率控制
因为用的是API模式，每一步都在消耗Token，所以成本控制也得聊。我自己统计过，解析一份JD大约消耗1500到2500个Token，生成一份定制简历加求职信大约消耗3000到4000个Token。以常用的中等模型计费，处理20个岗位一天的成本大概在10块人民币以内，比我之前买简历优化服务的花费便宜太多。
策略上，我不让脚本高频跑。正常情况下每天跑一次就够，而且只处理inbox/jobs/里新增的文件，已经跑过的JD会被标记为processed，不会二次处理。还有就是要给脚本加个保险：API调用失败时最多重试三次，连续失败就退出并发送通知，避免死循环把预算烧光。这套控制逻辑让我每天的成本非常可控，一个月下来也就是一顿饭钱。
5. 常见问题速查与我的避坑心得
5.1 从热搜问题里挑几个高发报错，逐个排雷
我把最近大家在群里问得最多的几个问题整理成一个表，这些基本都是我亲身踩过或者看着别人踩过的：
| 报错或现象 | 原因 | 处理方法 |
|---|---|---|
claude’s workspace requires the virtual machine platform on windows | Windows沙箱依赖未启用 | 开启“虚拟机平台”和“Windows虚拟机监控程序平台”后重启 |
claude : 无法将“claude”项识别为 cmdlet | npm全局目录不在PATH中 | 找到npm全局bin目录并加入系统环境变量，重启终端 |
unfortunately, claude is not available to new users right now | 账号注册受限或支付验证失败 | 检查账号地区信息、支付卡段，过段时间再试；也可以改用API Key方式开通Claude Code |
| VS Code里打开Claude Code扩展没有反应 | 扩展没有正确绑定终端 | 在VS Code命令面板执行“Claude Code: Open in Terminal”手动启动 |
| 桌面版通过网关登录一直失败 | 系统时间异常或DNS解析问题 | 校时、刷新DNS、确认网络环境正常后再登录 |
| Claude Code无法调用外部API | 权限配置限制了命令执行 | 在权限白名单中加入需要的域名或命令，仅限本机开发环境 |
这里多提醒一句：遇到任何“登录失败”“网关拒绝”之类的提示，第一时间检查系统时间是不是准的。很多认证逻辑依赖时间戳，时间偏了哪怕几分钟都会出诡异问题，这个坑我自己折腾了半个下午才找到原因。
5.2 权限安全与隐私红线：简历是敏感资产
整套系统里最敏感的不是代码，是你的简历。简历里有工作经历、联系方式、教育背景，属于个人隐私数据，绝对不能大意。我的做法是：单独的求职目录只在本地和私人Git仓库里存在，不推到任何公开仓库；API调用只走官方通道；CLAUDE.md里不写身份证、家庭住址这类无关信息。
如果你要接第三方的兼容模型端点来降成本，一定要先确认这个服务商的数据处理政策，以及它能不能保证对话内容不用于训练。我见过有人为了省几块钱把简历造假数据传到不知名的中转服务上，结果后面出了隐私问题，非常不值得。自己本地跑和VSCode调试没问题，但一旦涉及外部服务就要先想清楚数据去向。
5.3 哪些环节千万别交给Claude自动执行
Claude Code能做的，是可重复、有明确输出格式的工作。但求职里有些环节，我强烈建议保留人工操作。面试问答要不要让Claude全自动模拟？可以练，但不能把压力测试完全交给它。薪资谈判、背调信息填写、确认Offer这种事，也不能自动化，一旦出错没有后悔药。
还有一个观念要说清楚：这套自动化只是提高“物料生产”的效率，不会替你做决策。匹配分高不代表你一定会面过，匹配分低也不代表这家公司不值得聊。AI给的是参考依据，最后的判断必须落在你手里。把这句话记牢，就不会被自动化的便利冲昏头脑，也不会因为某个岗位分数低就稀里糊涂错过一个好机会。
6. 这套系统的效果数据与下一步扩展
6.1 两周实测：数据比海投好多少
我在两周时间里跑了13次流水线，一共处理了48个岗位，最终生成定制简历48份、求职信48封，全部投出去。结果对比很明显：人工海投阶段，我的简历打开率大概在20%左右，回复率不到5%；用这套定制化投递后，简历打开率接近50%，回复率提到20%以上，拿到了9次面试邀约，最终进入了两家公司的终面。
当然这个数据样本不大，里面也有岗位匹配本身的因素，我不能把所有功劳都算在自动化头上。但有一点是确定的：同一份简历，花十分钟针对JD改过的版本，和直接一键海投的版本，效果差距是肉眼可见的。Claude Code做的只是把这个“花十分钟改”的动作从每天两个小时的负担，变成了可以批量执行的流程。
还有个有意思的附带效果：因为每次面试我都会顺手让Claude把这家公司的背景、业务模式、近期动态整理成一份一页纸的简报，面试前看一遍，在聊到“你为什么选择我们公司”这种问题时，明显从容了很多。这部分我没写进五个步骤里，但实际价值特别高。
6.2 还可以扩展的方向
这套系统跑通之后，我已经开始琢磨怎么把它继续往前推。目前想做的有几个方向：第一，把data/tracking.csv接上可视化工具，生成每周的投递趋势和渠道转化图表，一眼看出问题；第二，把目标公司的技术栈和产品信息做成自动更新的知识库，方便面试前快速建档；第三，把整个流水线塞进GitHub Actions，每天早上自动跑一次，醒来就能看到当天推荐的岗位和新生成的简历版本。
还有一个我觉得特别实用的扩展：给Claude装一个“面试模拟”的Skill，让它基于JD和目标公司背景，扮演不同角色的面试官来追问候选人，输出每次模拟的回答录音文字和优化建议。现在这类事我已经在做了，效果还挺好的，面试前的焦虑感明显降了不少。
这套东西做下来，我个人最大的体会是：工具本身不神奇，Claude Code也只是把“能处理文字和文件”这个能力组合了起来，真正值钱的是你愿意把流程拆解成清晰步骤，并且持续优化每一个环节。对我来说，它不仅仅是帮我投简历，更是一个能举一反三的自动化模板，换到内容创作、数据分析、周报生成这些场景，稍微改改Prompt和目录结构就能继续用。
