# Career-Ops 安裝與設定 — 用 AI 來幫你篩職缺、客製履歷

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](https://github.com/santifer/career-ops) 這個開源專案

作者 [santifer](https://santifer.io) 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：

1.  **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
    
2.  **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
    
3.  **職缺掃描**：可以自動掃 Greenhouse、Ashby、Lever 等平台，內建 45+ 家公司的設定
    
4.  **批次處理**：一次評估多個職缺，不用一個一個慢慢跑
    
5.  **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](https://nodejs.org/) | 18+ | 執行核心腳本 |
| [Git](https://git-scm.com/) | 任意 | Clone 專案用 |
| [GitHub Copilot CLI](https://github.com/features/copilot) | 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](https://go.dev/) | 1.21+（選用） | 編譯 Dashboard 看板，不裝也不影響功能 |
| [Python](https://python.org/) | 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：

```bash
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：

```plaintext
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：

```bash
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：

```plaintext
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：

```bash
# 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：

```yaml
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。

```bash
# 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](https://github.com/microsoft/markitdown) 來轉換。這個工具是 Microsoft 出的，轉出來的格式還不錯：

```bash
# 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：

```bash
pip install "markitdown[mcp]"
```

在專案中建立 `.vscode/mcp.json`：

```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：

```bash
npm run doctor
```

全部打勾就代表可以開始使用了：

```plaintext
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：

```plaintext
# 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：

```plaintext
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：

```bash
claude   # 在專案目錄中啟動 Claude Code
```

透過 slash 指令來操作：

```plaintext
/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：

1.  透過 Playwright 或 WebFetch 去抓取 JD 內容
    
2.  執行 A-G 七個區塊的完整評估
    
3.  將評估報告儲存到 `reports/`
    
4.  根據 JD 關鍵字重新編排履歷，產出 ATS 友善的 PDF
    
5.  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

```plaintext
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）：

*   `modes/_shared.md`、`modes/oferta.md` 等系統模式檔
    
*   `CLAUDE.md`、`*.mjs` 腳本、`templates/*`
    

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。
    

![](https://cdn.hashnode.com/uploads/covers/68367de88272b61f191620e6/0c4f5e27-3b04-4f06-8af0-ab6460a3bb53.png align="center")

![](https://cdn.hashnode.com/uploads/covers/68367de88272b61f191620e6/18c12472-a2bf-46c6-b971-af27f5dcc202.png align="center")

## 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：**

*   [Career-Ops GitHub](https://github.com/santifer/career-ops)
    
*   [作者的作品集（也開源）](https://github.com/santifer/cv-santiago)
    
*   [Discord 社群](https://discord.gg/8pRpHETxa4)
    
*   [作者的案例研究](https://santifer.io/career-ops-system)