一、背景：从CRUD Boy到求职Crawler Boy

今年上半年，和许多人一样，我“光荣下岗”了。

最初的一个月，我陷入了迷茫。每天重复着“刷招聘->改简历->投递”的机械循环，感觉自己从一个CRUD Boy，变成了一个“求职Crawler Boy”，只不过这个爬虫，是我自己的人肉爬虫。

效率低下，心态血崩。

作为一个开发者，我骨子里就有一种“自动化”的冲动。我意识到，我不能再这样“人肉”下去了。与其把时间浪费在重复性劳动上，不如把求职本身，当成一个Side Project来做。

于是，一个大胆的想法诞生了：我要为自己写一个专属的AI求职系统。

二、项目架构设计：我的个人求职Agent v1.0

我的目标很明确：构建一个能模拟我求职全流程的智能体（Agent），将我从繁琐的事务中解放出来。

[此处可配一张图：项目的架构图，包含数据源、爬虫模块、LLM处理模块、任务队列、执行器等]

1. 数据采集层（爬虫模块）

技术栈： Python + Scrapy + Playwright

实现逻辑： 针对几个主流招聘平台，我编写了定制化的Scrapy爬虫。考虑到反爬机制，我并未使用高并发请求，而是模拟正常用户的低频访问。对于一些动态加载（SPA）的页面，我集成了Playwright来渲染JS，确保数据获取的完整性。

核心功能： 定时（比如每3小时）拉取符合我预设关键词（如“AIGC”, “SaaS”, “Golang”）的新增岗位，存入一个MongoDB任务队列。

2. 智能处理层（LLM大脑模块）

这是项目的核心，也是区别于普通爬虫的关键。

技术栈： LangChain + OpenAI API

实现逻辑：

岗位清洗与结构化： 我设计了一个Chain，它读取任务队列中的原始JD文本，利用LLM强大的信息提取能力，将其清洗并结构化为JSON格式（包含：公司名、薪资、技术要求、岗位职责等）。

简历-JD精准匹配： 这是最关键的一步。我将我所有的项目经验、技能点都向量化后，存入一个本地的ChromaDB向量数据库。每当有一个新的、结构化的JD进来，我就会将其同样进行向量化，然后在向量空间中计算余弦相似度。这比简单的关键词匹配，精准度高出几个数量级。只有相似度得分超过0.85的岗位，才会被判定为“高意向”。

动态内容生成： 对于“高意向”岗位，我构建了另一个Chain。它会以JD和我的向量化简历作为上下文，动态生成一份高度定制化的求职信和简历摘要。这解决了AI可以帮我写求- 职信吗这个经典难题。

3. 任务执行层（RPA模块）

技术栈： uiautomator2 (针对APP), Selenium (针对Web)

实现逻辑： 对于匹配和内容生成完毕的岗位，我并没有做完全自动化的投递，因为我坚信“临门一脚”需要人工确认。但这个模块会自动拉起对应的APP或网页，将生成好的内容填充到输入框，等待我最终点击“发送”。这为我节省了大量的复制粘贴时间。

三、项目成果与意外收获

这个项目跑起来后，我的求职效率发生了质的飞跃。我每天只需要处理系统筛选出的几个“高意向”岗位，其余时间全部用来刷算法题和准备面试。

但最大的收获，来自于一次面试。

那是一家我非常心仪的AIGC公司，面试官在深挖我的项目经历时，我把我这个“个人AI求职系统”的整个架构、实现思路、遇到的困难和解决方案，完完整整地讲了一遍。

我能明显看到，面试官的眼睛都亮了。

他最后说：“市面上讨论AI求- 职软件哪个好的人很多，但真正动手把它实现出来的人很少。你不仅有解决复杂问题的能力，更有主动发现并定义问题的能力，这正是我们需要的。”

最终，我凭借这个独特的“个人项目”，成功拿到了Offer。

四、复盘总结

这次经历让我明白，对于技术人而言，我们的代码，就是我们最硬核的简历。与其把时间浪费在无尽的焦虑和内耗中，不如静下心来，动手去构建一个能解决自己实际问题的项目。

这个过程，不仅能让你保持技术的热度，更能在不经意间，为你打开一扇意想不到的大门。

对这个个人求职Agent实现思路感兴趣的，可以找圈内大神 mattguo 聊聊，他在这块玩得比我深。