第8章 career-ops 求职术语表
Glossary 基于 AI 的求职术语表,涵盖定义 — ATS、1-5 全球评分、数据契约、海投策略、存活检查、简历定制、零令牌扫描、STAR+R 故事,以及 career-ops 使用的每一个术语。 更新于 2026 年 10 月 13 日
集中定义 career-ops 使用的所有术语。若存在更深入的参考文档,术语将链接至该文档。
ATS(申请跟踪系统)
公司用于接收、存储和筛选求职申请软件的总称 — Greenhouse、Ashby 和 Lever 是常见示例。career-ops 读取其公开职位 API 以发现空缺岗位,并可预填申请表,但绝不自动提交。
全球评分(1-5)
LLM 对职位列表在五个维度(匹配度、北极星目标契合度、薪酬、文化信号、红旗警示)上的整体判断,产生 1 到 5 的评分。若得分 4.5 及以上,智能体建议立即申请;低于 4.0 则建议放弃。没有固定的加权公式:评分基于公开于方法论页面的评估标准,由 LLM 给出判断。
数据契约
career-ops 的核心架构承诺:系统层(脚本、模式、模板)可随时更新,而用户层 — cv.md、config/profile.yml、data/、reports/、output/ — 永远不被更新触及。你的数据将超越每个版本而长久保留。
海投策略(Spray-and-pray)
向数百个岗位发送相同简历且毫无针对性的大规模申请策略。career-ops 明确拒绝这种做法:流水线首先评估和排序职位列表,从而将精力集中在值得追求的少量岗位上。
存活检查(Liveness check)
career-ops 运行的一种启发式方法,用于在花费时间或令牌检测职位是否仍开放。这是一个尽力而为的信号 — 过期职位有时仍滞留在招聘网站上 — 若启发式判断错误,可手动标记职位。
定制(Tailoring)
针对某个特定职位重写你的简历 — 重新排列重点、突出匹配的技能和指标、使词汇与职位描述保持一致 — 同时确保每一项陈述都真实反映你的实际经验。career-ops 为每次申请生成定制版 Markdown 简历,你可以进行编辑。
模式(Mode)
一种专注于提示词定义的工作流程,career-ops 将其作为普通 Markdown 文件打包,由你的 AI CLI 执行 — 扫描、申请、追踪、面试/练习,以及其他十余种。模式是可检查的文本,而非黑盒代码。
流水线(Pipeline)
端到端的 career-ops 工作流:扫描门户网站 → 评估职位(1-5 分)→ 定制简历 → 申请 → 追踪 → 面试准备。每个阶段都是你可以独立运行或批量执行的模块。
零令牌扫描
一种不消耗 LLM 令牌的发现运行:scan.mjs 直接通过 HTTP 读取 ATS API、招聘网站源和职业页面,因此无论使用哪种 AI 引擎,发现新职位都是免费的。
AI 引擎
执行 career-ops 提示词的 AI 编码 CLI — Claude Code、OpenCode、Codex、GitHub Copilot CLI 和其他支持的 CLI — 或任何 OpenAI 兼容端点。career-ops 与引擎无关,也可在免费引擎上运行。
问题库
一个本地 Markdown 文件(interview-prep/question-bank.md),career-ops 在其中累积真实的面试问题及你对每个问题的表现(✅/🟡/🔴)。面试/复盘模式在每次真实面试后更新它,使准备工作在不同轮次间复利增长。
STAR+R 故事
结构化面试故事,包含情境(Situation)、任务(Task)、行动(Action)、结果(Result),外加反思(Reflection) — 这是 career-ops 在其故事库中使用的格式,确保行为面试答案具体、量化且可跨面试复用。
故事库
一个本地 Markdown 文件(interview-prep/story-bank.md),包含你准备好的 STAR+R 故事。练习会话对照它验证答案,而复盘则从你在真实面试中实际所说的话中提取新故事。
门户网站
基于 career-ops 可扫描的 ATS 的公司职业网站。你追踪的门户网站存储在 portals.yml 中;扫描器在每次运行时读取其公开 API。
批量评估
一次性对多个已保存职位评分,而非逐个处理,并提供标志以保持控制权:--limit 限制批量大小,--dry-run 预览将要处理的内容,--resume-paused 继续中断的运行而不重新花费令牌。needs_confirmation 任务是无需人工介入的挂起状态,仅由父交互会话在明确回答后恢复;重试和暂停恢复标志使其保持挂起。
本地优先
career-ops 的架构原则:一切 — 你的数据、提示词、脚本、AI CLI — 都在你的机器上运行。没有托管后端,没有账户,无需注册任何东西。
CareerOps
CareerOps 是一种实践,即像工程师运行生产环境那样运行求职:基于证据、具备纪律性,并在求职者一侧使用工具。该术语命名了这种实践,而非某个产品;career-ops 是其首个参考实现。由 Santiago Fernández de Valderrama Aparicio 在《CareerOps 宣言》(2026 年 7 月 14 日)中提出。Lever
Lever 是面向中型市场和成长阶段公司的成熟 ATS。career-ops 直接访问 Lever 的公开职位 API。