最近在看新的工作機會，光是瀏覽職缺、比對 JD、調整履歷就花了不少時間。
後來找到 Career-Ops 這個開源專案
作者 santifer 用這套系統篩了 740 多個職缺、產出 100 多份客製化履歷，最後拿到 Head of Applied AI 的 offer。
看起來蠻有意思的，所以我就在 Windows 上實際裝了一輪，這篇就來把整個安裝和設定的過程記錄下來。
我這邊搭配的 AI 後端是 GitHub Copilot CLI。
Career-Ops 是什麼
在開始安裝之前，先簡單介紹一下 Career-Ops 提供了哪些功能：
職缺評估：用 A-F 的評分架構來分析一個職缺值不值得投遞
客製化 PDF：根據每個 JD 的關鍵字，自動調整履歷內容，產出 ATS 友善的 PDF
職缺掃描：可以自動掃 Greenhouse、Ashby、Lever 等平台，內建 45+ 家公司的設定
批次處理：一次評估多個職缺，不用一個一個慢慢跑
申請追蹤：用 Markdown 表格集中管理所有申請狀態
這邊要特別提一下，Career-Ops 的設計理念比較偏向「篩選」而不是「海投」。簡單來說就是幫你從大量職缺中找出值得花時間的那幾個，如果評分低於 4.0/5，系統會直接建議不要投。
我實際跑了 12 個職缺下來，覺得這個門檻設定蠻合理的。
環境需求
| 工具 |
版本 |
說明 |
| Node.js |
18+ |
執行核心腳本 |
| Git |
任意 |
Clone 專案用 |
| GitHub Copilot CLI |
最新 |
我這邊使用的 AI 後端，也可以使用任何支援 Skill 的 AI CLI |
| Go |
1.21+（選用） |
編譯 Dashboard 看板，不裝也不影響功能 |
| Python |
3.10+（選用） |
用來把 PDF 履歷轉成 Markdown，使用微軟出的 Markitdown |
安裝與設定
Clone 專案、安裝依賴
首先把專案 Clone 下來並安裝相依套件：
git clone https://github.com/santifer/career-ops.git
cd career-ops
npm install
相依套件蠻少的，就 js-yaml 和 playwright 兩個：
added 4 packages, and audited 5 packages in 15s
found 0 vulnerabilities
安裝 Playwright Chromium
Career-Ops 使用 Playwright 來做兩件事：產生 PDF 以及到職缺頁面確認該職缺是否還在開放中。所以這邊需要安裝 Chromium：
npx playwright install chromium
這邊會下載大概 290MB 左右，需要等一下。安裝完成後會顯示下載路徑：
Chrome for Testing (playwright chromium) downloaded to C:\Users\{你的使用者}\AppData\Local\ms-playwright\chromium-xxxx
Chrome Headless Shell downloaded to ...
設定個人資料
這邊是整個安裝過程中最重要的部分。Career-Ops 需要先認識你，才能幫你評估職缺和客製化履歷。
首先把三個模板檔案複製出來：
# 複製個人設定模板
cp config/profile.example.yml config/profile.yml
# 複製入口網站掃描器模板
cp templates/portals.example.yml portals.yml
# 複製個人化客製模板（這個檔案永遠不會被系統更新覆蓋）
cp modes/_profile.template.md modes/_profile.md
這三個檔案分別是個人資料、掃描器設定、以及個人化覆寫設定。其中第三個 _profile.md 比較特別，系統更新的時候不會動到它，所以個人的客製化設定放這裡最安全。
接下來打開 config/profile.yml，這是最核心的設定檔，修改成自己的資訊：
candidate:
full_name: "你的名字"
email: "your@email.com"
phone: "+886-XXX-XXX-XXX"
location: "Taipei, Taiwan"
linkedin: "linkedin.com/in/yourprofile"
portfolio_url: "https://yoursite.dev"
github: "github.com/yourusername"
target_roles:
primary:
- "Senior Cloud Engineer"
- "Senior Software Engineer"
archetypes:
- name: "Cloud/Platform Engineer"
level: "Senior/Staff"
fit: "primary" # primary = 夢想職位
- name: "Full Stack Developer"
level: "Senior"
fit: "secondary" # secondary = 不錯的選擇
- name: "Solutions Architect"
level: "Senior"
fit: "adjacent" # adjacent = 延伸嘗試
narrative:
headline: "你的一句話職業標題"
exit_story: "你的獨特故事 — 是什麼讓你與眾不同"
superpowers:
- "你的超能力 1"
- "你的超能力 2"
- "你的超能力 3"
proof_points:
- name: "專案名稱"
url: "https://your-project.dev"
hero_metric: "量化的成果指標"
compensation:
target_range: "TWD 2,000,000-3,000,000"
currency: "TWD"
minimum: "TWD 1,800,000"
location_flexibility: "Taipei preferred, remote-friendly"
location:
country: "Taiwan"
city: "Taipei"
timezone: "Asia/Taipei (UTC+8)"
visa_status: "Local citizen"
這邊有個小細節要注意：archetypes 裡的 fit 欄位分成三種 — primary 代表最想要的目標方向，secondary 是也可以考慮的，adjacent 則是有點距離但願意嘗試看看。系統會根據這個設定來調整評分的權重。
關於 modes/_profile.md
這個檔案是用來存放「你自己的規則」的地方，像是：
希望怎麼包裝自己的經歷（敘事框架）
面試時薪資要怎麼談
哪些工作地點可以接受
職位原型的對應方式
這邊有一條重要的規則：個人化的設定放 _profile.md 或 profile.yml，不要去修改 _shared.md。因為 _shared.md 是系統檔，更新的時候會被覆蓋掉。
準備履歷
Career-Ops 需要一份 Markdown 格式的 cv.md 來當作所有評估和 PDF 產生的資料來源。
# 方法 1：手動建立
# 直接建立 cv.md，用 Markdown 格式撰寫你的履歷
# 方法 2：從 PDF 轉換（需要 markitdown）
pip install "markitdown[pdf]"
python -m markitdown your-cv.pdf > cv.md
從 PDF 轉換
我這邊手上有現成的 PDF 履歷，所以直接用 markitdown 來轉換。這個工具是 Microsoft 出的，轉出來的格式還不錯：
# 安裝 markitdown（含 PDF 支援）
pip install "markitdown[pdf]"
# 轉換你的 PDF 履歷
python -m markitdown path/to/your-cv.pdf > cv.md
要注意的是轉完之後建議自己檢查一下，有些格式可能會跑掉，特別是表格和多欄排版的部分。主要確認以下幾個區段有正確抓到就好：Professional Summary、Work Experience、Technical Skills、Projects、Education、Certifications。
設定 markitdown MCP（選用）
如果也有在用 VS Code 或 Copilot CLI 的話，可以把 markitdown 設成 MCP server，這樣之後可以直接在對話中叫它轉檔：
pip install "markitdown[mcp]"
在專案中建立 .vscode/mcp.json：
{
"servers": {
"markitdown": {
"type": "stdio",
"command": "python",
"args": ["-m", "markitdown.mcp"]
}
}
}
驗證安裝
專案有內建一個 doctor 指令，跑一下就可以知道哪裡還有問題：
npm run doctor
全部打勾就代表可以開始使用了：
career-ops doctor
================
✓ Node.js >= 18 (v24.13.1)
✓ Dependencies installed
✓ Playwright chromium installed
✓ cv.md found
✓ config/profile.yml found
✓ portals.yml found
✓ Fonts directory ready
✓ data/ directory ready
✓ output/ directory ready
✓ reports/ directory ready
Result: All checks passed. You're ready to go!
如果有 ✗ 的項目，它會告訴你要怎麼修，修完再重跑一次即可。
使用方式
透過 GitHub Copilot CLI
我這邊是在專案目錄中開啟 Copilot CLI，最直接的用法就是貼一個職缺 URL 進去：
# 貼上職缺 URL，系統會自動執行完整 pipeline
https://apply.careers.microsoft.com/careers/job/xxxxx
貼進去之後它就會自動跑完整個流程 — 抓 JD、評估、產生報告、製作 PDF、更新追蹤器，全部自動完成。也可以透過指令單獨執行特定功能：
career-ops # 顯示所有可用指令
career-ops scan # 掃描入口網站
career-ops pdf # 產生 ATS 優化 PDF
career-ops tracker # 查看申請狀態
career-ops batch # 批次評估多個職缺
透過 Claude Code
如果使用的是 Claude Code：
claude # 在專案目錄中啟動 Claude Code
透過 slash 指令來操作：
/career-ops # 顯示選單
/career-ops scan # 掃描入口網站
/career-ops pdf # 產生 PDF
Auto-Pipeline 流程
那接下來就來看看貼一個 URL 進去之後到底會發生什麼事。整個流程如下：
透過 Playwright 或 WebFetch 去抓取 JD 內容
執行 A-G 七個區塊的完整評估
將評估報告儲存到 reports/
根據 JD 關鍵字重新編排履歷，產出 ATS 友善的 PDF
在 data/applications.md 新增一筆追蹤紀錄
我第一次跑的時候蠻驚訝的 — 一個 URL 貼進去，幾分鐘之後就產出了一份完整報告、一份客製化 PDF，還自動更新了追蹤表。
評估報告介紹
每份報告包含七個區塊，下面來一一介紹：
| 區塊 |
說明 |
| A) 角色摘要 |
快速瀏覽這是什麼類型的職位、級別、是否支援遠端 |
| B) CV 匹配 |
把 JD 的每個需求拿出來，逐一對照履歷中的對應經歷，有匹配的標記、沒有的會告訴你怎麼補 |
| C) 等級策略 |
如果 JD 的職級比你低，會提供「如何避免被降級」的談判建議 |
| D) 薪資研究 |
從 Glassdoor、Levels.fyi 抓取即時薪資數據，附上資料來源 |
| E) 客製化計畫 |
針對這個職缺，列出 CV 和 LinkedIn 各自 Top 5 的修改建議 |
| F) 面試準備 |
準備 6-10 個 STAR 故事，直接對應 JD 的需求 |
| G) 職缺真實性 |
判斷這個職缺是否為真實開放中的機會，還是所謂的幽靈職缺 |
專案結構
career-ops/
├── cv.md # 你的履歷（必要）
├── config/profile.yml # 你的個人設定（必要）
├── modes/_profile.md # 你的客製化（不會被更新覆蓋）
├── portals.yml # 掃描器設定（建議）
├── data/applications.md # 申請追蹤器
├── reports/ # 評估報告（自動產生）
├── output/ # PDF 檔案（自動產生）
├── modes/ # 技能模式（系統檔案）
│ ├── _shared.md # 共用系統設定
│ ├── oferta.md # 單一職缺評估
│ ├── pdf.md # PDF 產生
│ ├── scan.md # 掃描器
│ └── ...
├── templates/
│ ├── cv-template.html # ATS 優化 CV 模板
│ └── states.yml # 標準狀態定義
└── batch/ # 批次處理
檔案分層架構
這邊蠻重要的，Career-Ops 把檔案分成兩層：
使用者層（系統更新時不會動到）：
cv.md、config/profile.yml、modes/_profile.md
portals.yml、article-digest.md
data/*、reports/*、output/*、interview-prep/*
系統層（更新時會覆蓋，不要放個人資料）：
簡單來說就是：個人化設定放 _profile.md 或 profile.yml，不要去修改 _shared.md。
客製化
Career-Ops 有一個我覺得設計得蠻好的地方：它的設定檔都是 Markdown 和 YAML 格式，AI 可以直接讀取也可以直接修改。所以不需要自己去翻文件找設定在哪裡，直接用自然語言跟 AI 講就好：
| 想做的事 |
跟 AI 說 |
| 改變目標職位類型 |
"把 archetypes 改成後端工程師相關的角色" |
| 翻譯模式檔案 |
"把所有 modes 翻譯成繁體中文" |
| 新增掃描公司 |
"在 portals.yml 加入 Google、Apple、Meta" |
| 修改評分權重 |
"把薪資維度的權重調高" |
| 更新履歷 |
"用我剛貼的內容更新 cv.md" |
| 修改 CV 模板設計 |
"把 CV 的配色改成藍色系" |
使用心得
實際使用了一段時間之後，有幾個地方值得注意：
系統不會自動幫你送出申請。它會協助填表、撰寫回答、產生 PDF，但最後按下送出的動作一定是由自己來完成。這點我覺得設計得很好。
評分低於 4.0 的職缺建議就不要投了。我跑了 12 個職缺，4.0 以下的確實都有明顯不合適的地方，硬投反而浪費時間。
認真準備投 5 家，比亂投 50 家來得有效。
AI 偶爾會產生不正確的資訊，特別是薪資數據和公司資訊的部分，提交之前記得自己再確認一下。
小結
這套系統在剛開始使用的時候評估不會太準確，因為它對你的了解還不夠。多跑幾次、多給它一些回饋（像是「這個分數太高了，我不會投這種」），它會越來越準。我大概到第五、六個職缺的時候，就覺得它的判斷跟我自己的直覺差不多了。
如果你也在找新的工作機會，推薦可以試看看。
參考連結：
![[IT 鐵人賽] ASP.NET Core 與 Log 紀錄和追蹤的愛恨交織 - Day 05 - Elmah - 02](/_next/image?url=https%3A%2F%2Fcdn.hashnode.com%2Fres%2Fhashnode%2Fimage%2Fupload%2Fv1776070454149%2Fa0702417-5357-4217-a572-7ba53ea36735.png&w=3840&q=75)
![[IT 鐵人賽] Azure Data Service - Day 04 - Cognitive Service - 辨識 - Video Indexer](/_next/image?url=https%3A%2F%2Fcdn.hashnode.com%2Fres%2Fhashnode%2Fimage%2Fupload%2Fv1776070473207%2F6423fd4a-4041-4bb2-b918-4cfe3f9aea5e.png&w=3840&q=75)