我把自己求职用的“外挂”开源了：一个LLM+RPA驱动的AI求职Agent

摘要： 本文不仅是一个“上岸”复盘，更是一个个人项目的完整开发手记。在求职的“黑暗时期”，我为自己构建了一个AI求职Agent，它不仅帮我拿到了Offer，现在，我决定把它分享出来，希望能成为更多技术同行的“光”。

一、 缘起：当求职变成一场“反爬”与“被反爬”的战争

今年失业后，我做的第一件事，就是想写个爬虫，去聚合招聘信息。结果发现，Too young, too simple. 各大平台的反爬机制，已经把我这种小打小闹的脚本安排得明明白白。

我突然意识到，现代求职，本质上就是一场信息战。 企业用ATS（AI筛选系统）来“反爬”我们这些求职者，而我们，却还在用最原始的“人肉”方式去撞墙。

这不公平，也不够Geek。

与其抱怨AI求职软件哪个好，不如自己动手，丰衣足食。我决定，把求职本身，当成我的一个开源项目来做。我给它起了个名字，叫“云端职达”。

二、 架构选型：做一个真正“懂我”的AI求职智能体

我的目标不是做一个简单的自动投简历工具，而是做一个能理解我、为我规划、替我执行的Agent。

[此处可配一张图：项目的架构图，包含感知、规划、行动三个核心模块]

感知模块 (Perception): 我使用了Scrapy框架结合Selenium来解决动态加载和反爬问题，实现对设定目标的7x24小时岗位监控。所有数据进入一个MongoDB队列。

规划模块 (Planning - The Brain): 这是项目的灵魂。我没有自己训练模型，而是巧妙地利用了LangChain来编排多个LLM的API调用。

JD解析与向量化： 对抓取到的岗位描述进行深度解析，提取关键技术栈、软实力要求，并将其向量化。

简历-JD精准匹配： 我把我所有的项目经历存入一个ChromaDB向量数据库。通过计算JD向量与我简历向量的余弦相似度，实现远超关键词匹配的精准度。

行动链生成： 对于高匹配度的岗位，LLM会生成一个行动指令集，例如：“为该岗位生成求职信”、“准备XX项目的面试说辞”、“3天后进行一次跟进”。

行动模块 (Action): 根据大脑生成的指令，RPA单元（我用了PyAutoGUI的简化思路）会执行内容填充、初步沟通等操作。

三、 从“作品”到“产品”：意外的收获

这个“外挂”跑起来后，我的求职效率提升了至少10倍。我不再焦虑，因为我知道，我的Agent在后台为我工作。

最戏剧性的是，在我最终拿到Offer的面试中，我用了整整20分钟，向面试官完整地展示了我这个“云端职达”项目。从需求分析到架构设计，再到遇到的技术难点和解决方案。

面试官听完后，笑着说：“你不用等通知了，我们现在就需要一个像你这样，能用技术手段系统性解决业务问题的人。”

入职后，我并没有停止对“云端职达”的迭代。很多朋友听说了我的故事，都想试试我这个“神器”。于是，我花了一些周末，把它从一个本地运行的脚本，重构成了一个SaaS化的Web应用。

我把它部署上线了，希望能帮到更多像我当初一样迷茫的开发者。

这个AI求职智能体真的很好用，我把它做成了免费使用的模式，希望能帮助更多人。

免费使用链接在这里：zhida.century-cloud.com/register/free

我为它录制了一个快速上手的视频，注册后在首页就能看到，花3分钟看一下就知道怎么用了。它能帮你完成90%的重复性求职工作，让你把精力真正聚焦在面试本身。

希望我的这个个人项目，能成为你在求职路上的一把利器。