1. 项目概述与核心价值如果你正在用 Claude Code、Cursor 这类 AI 编程助手并且恰好也在找工作、想优化简历或者准备面试那么你很可能已经发现了一个尴尬的现实这些强大的 AI 工具在生成通用建议时很在行但一旦涉及到你个人职业发展这种高度定制化、需要深度挖掘和策略性思考的问题时它们给出的答案往往流于表面充满了“积极沟通”、“结果导向”这类正确的废话也就是所谓的“AI 废话”。我自己在帮朋友做职业咨询和修改简历时就深受其扰。你需要的是一个能像资深职业教练一样基于证据、有方法论、且能深度交互的“专家系统”而不是一个只会复述网络信息的聊天机器人。这就是Career-Ops要解决的核心问题。它不是一个独立的软件而是一个开源的、模块化的“技能包”你可以把它安装到 Claude Code、Cursor、Gemini CLI 等支持技能或自定义指令的 AI 代理环境中。它的口号是“No Slop. Just Strategy.”——杜绝废话只讲策略。其背后是一套经过精心设计的四阶段引擎结合了动机性访谈、智能路由、反废话质量门禁和会话记忆旨在将一次普通的 AI 问答变成一次结构化的、有深度的职业辅导会话。简单来说它把你的 AI 助手从一个“信息检索员”升级成了一个懂得如何提问、如何分析、并能确保输出质量的“职业战略顾问”。2. 四阶段引擎从闲聊到深度策略的蜕变Career-Ops 的核心是一套名为“四阶段引擎”的标准化处理流程。每一次你向启用了该技能的 AI 发起一个职业相关的请求比如“帮我看看简历”这个引擎就会自动启动确保整个过程是系统化、高质量且可追溯的。理解这个引擎是理解其价值的关键。2.1 第一阶段面试官模式——动机性访谈框架绝大多数人在向 AI 描述自己的成就时会本能地陷入“自我评估”的陷阱说出“我擅长团队合作”、“我提高了效率”这样空洞的陈述。这是因为我们缺乏一个有效的框架来挖掘和结构化自己的经历。Career-Ops 的第一阶段采用了动机性访谈框架。这不是简单的提问而是一个包含 5 个阶段的、有心理学依据的引导过程建立融洽关系AI 会以合作、非评判性的姿态开场降低你的防御心理。引发改变谈话通过开放式问题引导你谈论过去工作中具体的挑战、行动和结果而不是自我评价。处理矛盾心理当你表达出“虽然做了很多但感觉不值一提”的矛盾时AI 会帮你梳理其中的价值点。增强自我效能感通过肯定你叙述中的具体行动和微小成功帮助你建立“我能做到”的信心。制定行动计划将挖掘出的素材自然过渡到后续的修改或准备行动中。实操心得这个阶段最妙的地方在于它迫使你进行“事实陈述”而非“观点陈述”。比如AI 不会问“你沟通能力怎么样”而是会问“请回忆一个你需要向非技术背景的同事解释复杂技术问题的场景你具体是怎么做的对方最后的反馈是什么” 这种问题导向能挖出“将月度技术报告改为可视化看板使销售团队的理解速度提升 50%”这样的硬核素材。2.2 第二阶段智能路由——精准调用知识模块当你的核心经历和需求在第一阶段被初步厘清后系统不会用一个“通用大脑”来处理所有问题。Career-Ops 内置了 10 个独立的参考模块每个模块都是一个高度专业化、基于实证研究的“知识库”。智能路由系统会根据你的请求关键词自动加载最相关的模块。例如你输入“Tailor my resume for a DevOps role”系统会自动加载resume.md模块。你输入“How to answer ‘tell me about a time you failed’”系统会加载interview.md模块。你输入“Best time to post on LinkedIn”系统会加载linkedin.md模块。这保证了回应的专业性和深度因为每个模块的内容都是聚焦的、证据充足的避免了跨领域知识混淆导致的浅层回答。2.3 第三阶段反废话质量门禁——输出前的强制评分这是 Career-Ops 最具创新性也最“硬核”的一环。在 AI 生成最终答案并呈现给你之前这个答案必须先通过一个名为“反废话门禁”的评分系统。系统会从 5 个维度对输出内容进行打分每个维度满分 10 分总分 50 分。评分维度详解直接性是否避免使用“可能”、“或许”、“在一定程度上”等模糊词汇和被动语态句子是否主动、肯定节奏感句式结构是否富有变化是否避免了单调的“我做了A我做了B我做了C”的罗列可信度所有声称的成就、数据是否有依据是否避免了“显著提升”、“大幅优化”这类无法验证的表述真实性语言是否自然像真人职业教练的口吻是否堆砌了“赋能”、“抓手”、“闭环”等空洞的行业黑话信息密度每一句话是否都承载了必要信息是否有冗余的、不增加价值的句子门禁规则只有总分达到35分及以上答案才会被放行。如果低于 35 分系统会自动触发重写并附上评分卡和修改说明告诉你哪里被扣分了以及如何改进。注意事项这个门禁不仅针对 AI 的输出也潜移默化地教育着用户。当你反复看到 AI 因为“可信度”得分低而重写一个缺乏数据的句子时你自然会学会在描述自己时也追求具体和可验证。例如它会将“负责优化系统性能”重写为“通过引入缓存层和数据库索引优化将 API 平均响应时间从 220ms 降低至 95ms承载流量提升 3 倍”。2.4 第四阶段会话记忆——持续进化的个人档案单次会话的成果需要被沉淀。Career-Ops 会在每次会话后自动更新一个本地的、仅你可见的“个人档案”。这个档案不是简单的聊天记录而是结构化信息已发现的技能从你的叙述中提取出的硬技能和软技能。已浮现的成就那些通过动机性访谈挖掘出的、可量化的具体案例。个人偏好你提到的倾向如“偏好远程工作”、“对 B2B SaaS 行业感兴趣”等。这意味着下一次当你再问“用我之前提到的那个项目案例来回答行为面试题”时AI 能立刻调取精准的上下文提供高度连贯和个性化的建议体验上就像一个真正记得你所有故事的长期教练。3. 安装与多平台适配实战Career-Ops 的设计哲学是“本地优先、无依赖”。它不需要你注册任何 API 密钥也不依赖外部云服务所有操作都在你的本地 AI 代理环境中完成保证了隐私和速度。3.1 基础安装Claude Code对于 Claude Code 用户安装过程最为直接因为这是其原生支持的环境。# 打开终端执行以下命令将项目克隆到 Claude Code 的技能目录 git clone https://github.com/poferraz/career-ops.git ~/.claude/skills/career-ops执行完毕后重启你的 Claude Code 应用。当你下次在聊天中输入任何与职业相关的内容如“review my resume”、“prepare for interview”时Claude Code 会自动识别并激活 Career-Ops 技能。你会在回复中看到其标志性的、基于证据的、结构清晰的回答风格。3.2 其他平台适配使用转换脚本Career-Ops 的强大之处在于其可移植性。项目根目录下的scripts/convert.sh脚本可以将核心的“技能逻辑”和“参考模块”转换成其他 AI 编码助手能理解的格式。通用操作流程克隆仓库首先无论你用什么平台都需要先将项目克隆到本地。git clone https://github.com/poferraz/career-ops.git cd career-ops运行转换脚本针对你的目标平台运行对应的转换命令。对于 Codex (或类似自定义指令的平台):bash scripts/convert.sh codex这会在output/目录下生成一个career-ops-codex-instructions.md文件。你需要将这个文件的内容完整地复制粘贴到你所用工具的“自定义指令”、“系统提示”或“角色设定”区域。对于 Gemini CLI:bash scripts/convert.sh gemini生成career-ops-gemini-instructions.md同样用于填充 Gemini CLI 的初始化指令。对于 Cursor:bash scripts/convert.sh cursorCursor 通常通过.cursorrules文件来定义规则。脚本会生成或更新此文件或给出明确的配置指引。平台配置根据生成的指引文件或脚本输出的提示完成对应客户端的配置。这可能涉及重启应用、刷新会话等操作。实操心得在运行转换脚本前建议先阅读项目docs/integrations.md文件。里面包含了各平台最新的配置细节和已知问题。例如某些平台对提示词长度有限制脚本可能会进行智能裁剪或分段。以我的经验第一次配置 Cursor 时因为没把生成的规则文件放在正确的工作区目录下导致技能未生效。后来按照集成文档的说明操作才一次成功。4. 十大参考模块深度解析与使用指南Career-Ops 的“智能”来源于其十大参考模块。这些模块不是网络文章的摘要而是经过研究、去伪存真后的结构化知识库。了解每个模块的精华能让你在提问时更加有的放矢。4.1 简历模块基于眼动追踪与 ATS 原理resume.md模块的核心是RISE 重构法和对申请人追踪系统的深刻理解。RISE 重构法Result以结果开头。不是“负责用户增长”而是“实现季度用户增长 30%”。Impact强调影响。将“节省了时间”量化为“每周为团队节省 10 小时手动报告时间”。Scope界定范围。明确是“领导 5 人小组”还是“协调跨 3 个部门的项目”。Evidence提供证据。使用数据、百分比、金额。ATS 优化模块会指导你如何选择对 ATS 友好的简历模板简单的单列或双列布局避免图形、表格、特殊符号如何布局关键词将职位描述中的技能词自然融入工作经历以及哪些格式如 PDF的解析成功率最高。使用示例当你问“如何将‘管理项目’写得更好”时AI 会引导你“请用 RISE 框架描述这个项目。首先最终的可量化结果是什么其次这个结果对部门或公司的核心指标产生了什么影响……”4.2 面试模块超越 STAR 的验证与预测interview.md模块不止于教你 STAR 原则。它引入了STAR 验证环和问题预测引擎。STAR 验证环在你按照情境、任务、行动、结果叙述后AI 会从面试官角度追问验证性问题如“你当时为什么选择这个方案而不是另一个”、“你的队友对此有何反馈”帮你提前打磨故事的逻辑严密性。问题预测引擎模块内嵌了基于职位描述的分析逻辑。你可以粘贴一个 JDAI 会预测出可能出现的 5-8 个技术问题和 3-5 个行为问题并给出准备要点。例如JD 中强调“跨部门沟通”AI 会预测“请举例说明你如何解决与另一个部门的优先级冲突”。4.3 求职策略与市场数据模块科学规划求职活动job-search.md和market-data.md模块将你的求职从“玄学”变为“科学”。渠道有效性数据模块会告诉你根据多项研究员工内推的简历反馈率平均约为 30%而海投仅为 2-3%。它会建议你分配时间50% 用于拓展和维护人脉领英、行业活动30% 用于针对性修改简历和求职信20% 用于海投。收益递减曲线盲目每天投递 50 份简历效率极低。模块会建议采用“冲刺-优化”循环集中 2 天深入研究 10 家公司并精心准备申请材料比一周无差别投递 100 份效果更好。薪资研究它会提供具体的、可操作的研究路径例如“对于旧金山的 Senior DevOps 工程师先去Levels.fyi看科技公司范围再用Glassdoor补充中型企业数据最后在Blind上匿名验证。”4.4 反废话与侦察兵模块确保信息质量anti-slop.md和research-scout.md模块是 Career-Ops 的“质量守门员”和“事实核查员”。反废话模块这就是第三阶段质量门禁的评分标准库。它包含一个“禁用短语列表”如“think outside the box”、“synergize”、“paradigm shift”等。它还能检测“熟悉度问题”即那些听起来合理但缺乏具体细节的陈述。侦察兵模块当 AI 需要引用实时数据如“当前某技术栈的薪资趋势”时此模块会启动一个严格的网络搜索协议。它会要求 AI 必须注明信息来源并对超过 6 个月的信息标记[UNVERIFIED]提醒你注意数据的时效性。注意事项这些模块是静态的参考文件但其设计理念是动态的。项目鼓励社区贡献经过验证的新数据和新方法。这意味着随着更多行业报告的加入和求职市场的变化你本地的 Career-Ops 知识库也可以通过更新项目来保持前沿。5. 基于证据的研究方法论为何可信Career-Ops 所有建议的基石是其严谨的证据分级体系。在模块中任何一条建议或数据都会被标记为 T1 到 T4 四个等级T1已验证- 来源为同行评议的学术研究、随机对照试验、元分析。例如“使用量化成就的简历获得面试的几率提高 40%”这一结论可能引用自《哈佛商业评论》发表的某项具体研究。T2已报道- 来源为平台方控制的实验报告如 LinkedIn 发布的招聘有效性报告、知名招聘公司的年度调研。T3专家共识- 来源为领域内公认的资深从业者如顶级科技公司的招聘经理、资深职业教练广泛分享并被实践验证的经验。T4已排除- 已被证据反驳或来源不明的“网络传言”、“感觉上说”。这类信息不会出现在模块中。这个体系确保了你不会被“据说”、“一般认为”这样的模糊信息误导。当 AI 建议你“在周二上午 10 点发布 LinkedIn 动态”时它会明确告诉你这是基于 T2 级别的 LinkedIn 平台内部数据分析而不是随便一个博客的猜测。6. 实战场景从零开始优化一份简历让我们通过一个完整的实战案例看看 Career-Ops 如何协同工作。假设你是一名软件工程师想申请一个 Tech Lead 的职位。启动与访谈你向已安装技能的 Claude Code 输入“我想申请一个 Tech Lead 的职位请帮我优化简历。”第一阶段触发AI 不会直接要你的简历而是进入面试官模式“很好。为了帮你提炼出最有竞争力的经历我们先聊聊。在你过去的项目中哪一个最能体现你‘带领他人’和‘做出技术决策’的能力请描述一下当时的技术背景和团队构成。”深度挖掘你开始描述一个微服务迁移项目。AI 会持续用动机性访谈技巧追问“当时面临的最大技术风险是什么你是如何评估并决定采用服务网格方案的”“在推动其他工程师接受新架构时遇到的最大阻力是什么你具体用了什么方法化解”智能路由与模块加载在获取足够信息后系统识别这是“简历优化”请求自动加载resume.md和interview.md为潜在的领导力问题做准备模块。生成与评分AI 根据你的叙述生成了一条新的简历要点“主导从单体架构到微服务的迁移通过引入 Istio 服务网格制定分阶段灰度发布策略带领 5 人后端团队在 6 个月内完成核心模块重构系统可用性从 99.5% 提升至 99.95%并编写了团队内部技术规范文档。” 随后反废话门禁对此句评分直接性 10/10节奏感 9/10可信度 8/10因有具体技术栈和指标真实性 9/10密度 9/10总分 45/50通过。输出与记忆AI 将这条优化后的要点呈现给你并解释其符合 RISE 框架和 ATS 友好原则。同时你的本地档案中会记录下“微服务迁移”、“Istio”、“团队领导”等技能和成就关键词。整个流程下来你得到的不是一段被简单润色的文字而是一个经过深度思考、有数据支撑、且符合招聘逻辑的战略性成果。7. 常见问题与排查技巧实录在实际使用中你可能会遇到一些典型问题。以下是我在多次使用和协助他人配置过程中总结的排查清单。问题现象可能原因解决方案在 Claude Code 中发送求职问题但回复看起来是普通回答没有 Career-Ops 的风格。1. 技能未成功安装或加载。2. 对话上下文过长技能指令被挤占。1. 确认~/.claude/skills/career-ops目录存在且包含skill.json等文件。重启 Claude Code。2. 开启一个新对话窗口再试。技能通常在全新对话中最容易激活。转换脚本运行后在其他平台如 Cursor中技能不生效。1. 生成的指令文件未放置到正确目录。2. 平台的自定义指令有字符长度限制内容被截断。1. 仔细阅读docs/integrations.md中对应平台的“安装路径”说明。Cursor 的.cursorrules文件需要放在项目根目录或用户全局配置目录。2. 检查输出文件是否完整。如果平台限制可能需要手动将output/目录下的长文件分段放入多个“规则”或“指令”框中。AI 的回答虽然结构清晰但感觉有些生硬或模板化。处于技能使用的初期AI 在严格遵循模块框架个性化融合不够。这是正常现象。在对话中多提供你的个人细节和上下文。例如不要说“优化我的简历”而说“请用我刚刚提到的 A 项目和 B 项目经历为我申请‘金融科技公司 DevOps 工程师’的职位优化简历摘要”。技能的记忆功能会逐渐生效回答会越来越贴合你个人。反废话门禁的评分标准我觉得太严/太松了。评分标准是预设的可能不完全符合所有人的偏好或行业特点。Career-Ops 是开源的。你可以直接修改references/anti-slop.md文件中的评分权重和“禁用短语列表”定制属于你自己的质量门禁。这是高级用法建议先理解原有逻辑再调整。我想贡献一个新的面试问题研究该如何操作不确定贡献的格式和证据要求。首先详细阅读CONTRIBUTING.md文件。任何新增内容都必须遵循 T1-T3 的证据分级并提供可查证的来源。建议先提交一个 Issue 讨论你的想法维护者会指导你如何结构化地添加到相应的.md模块文件中。最后我个人最深的体会是Career-Ops 的价值不仅仅在于它产出的一份更优秀的简历或面试答案更在于它通过一套严谨的流程重塑了你思考和表达职业经历的方式。它像一位严格的教练强迫你抛弃模糊的自夸转向具体的、可验证的成就陈述。这种思维模式的转变才是你在漫长职业生涯中持续受益的核心资产。开始使用时可能会觉得有点“慢”因为它总在提问而不是直接给答案但请相信这个过程——它是在帮你挖掘自己都未曾清晰意识到的价值。