job-workbench

job-workbench 是一个本地优先、可审计的工作台，旨在利用存储在本地磁盘上的纯 Markdown 和 CSV 文件以及用户自己的 AI 命令行工具，运行从职位描述（JD）分析到 Offer 决策的整个求职流程。该项目使用 Python 编写，并基于 MIT 许可证发布。 该项目将求职的真正难点定义为阻碍决策的分散信息：例如某公司是否值得申请、哪个版本的简历发送到了哪里，以及有多少个申请正在进行且截止日期临近。该工作台将这些材料转化为可查询、可追踪的文件。 设计遵循三大原则。首先是本地优先的隐私保护：所有内容均以纯文本形式存储在磁盘上，支持 git-diff 且兼容电子表格，无遥测且无服务器。真实的个人数据存储在排除在版本控制之外的个人目录中，因此新克隆的仓库是空的，且仓库本身不包含真实数据。其次是可审计的 AI 而非黑盒自动化：用户自己的 AI CLI 执行语义判断（如阅读 JD 并评分），而 Python 脚本处理确定性工作（如资格门槛、分数验证、PDF 生成以及追踪器的输入输出）。包括申请健康状况、CSV 导入差异和失败聚类在内的自动化判定，都会提供明确的、可由人工检查的原因，而非仅给出一个分数。第三是反造假保障：简历导入被定义为“提取”而非“生成”，每个持久化值必须能追溯到源文本，未提取的字段会被标记，且 AI 重写建议在被接受前必须通过五项本地反造假检查。 在功能上，该工具提供了四个命令行工作流，涵盖 JD 解析与评分、申请打包、追踪器与漏斗管理，以及带有验证的简历重构。Web UI 提供了七个共享相同数据文件的页面：仪表盘、追踪器、具有一键导入/受控 AI 重写/Word 导出的简历工作坊、包含面试题库的进度页、回顾页、库和设置页。 申请后的循环支持带有一键日历导出的面试记录、招聘人员跟进、以侧边对比事实形式呈现（不提供推荐）的 Offer 比较、简历版本谱系、阶段转化回顾、失败聚类，以及由四个状态（每个状态均有具体原因）表示的申请健康状况。 评分采用两阶段框架：首先是涵盖学位、专业、届别、语言和城市的资格门槛，任何一项不合格将导致不进行评分；随后是四个加权维度产生五级判定。更改评分规则通过编辑 Markdown 配置文件而非修改代码来实现。其架构被描述为从领域技能到脚本、再到数据、最后到版本控制的四层单向依赖，并在领域无关工具、可插拔领域配置文件和用户工作空间之间设有三层分离。 快速上手需要 Python 3.8 或更高版本（仅使用标准库），可选安装 PDF 库用于验证，并使用 Chrome 或 Edge 生成 PDF。初始化脚本会创建一个包含六个模块、配置文件模板和一个领域插件的工作空间；第二个脚本将技能分发到支持的 AI 运行时。用户随后填写 Agent 配置文件（其中硬性资格事实部分为必填，因为 JD 门槛故意拒绝猜测），然后使用自然语言与 AI CLI 交互。 对于没有 Python 或 Node 的用户，可以在 releases 页面下载打包好的 Windows 桌面应用程序，数据存储在本地应用数据文件夹中。仓库包含作为持续集成门槛的测试、使用指南、设计文档、路线图和贡献指南。用户界面目前以中文为主，英文界面已列入路线图。