AI自动求职机器人1.0

图：AIHawk 现仓库 Jobs_Applier_AI_Agent 的 GitHub 主页，含工作流程说明（2026-11 截图）

定位与基本信息

AIHawk（现仓库名 Jobs_Applier_AI_Agent）是一款开源的 AI 自动求职投递工具：你给它一份简历，它先从公开职位库里筛选匹配的岗位，打分排序后由你挑选，再打开招聘企业官网的申请表逐项填写、附上简历并提交。项目托管在 GitHub 的 feder-cr 账号下，采用 MIT 许可证。需要先说明的是，这个仓库原名 Auto_Jobs_Applier_AIHawk，现已更名为 Jobs_Applier_AI_Agent，旧链接会自动跳转到新仓库。截至 2026 年 11 月快照，仓库约有 3.25 万 Star、4,750 多 Fork，仍在频繁更新。本站已经下线”招聘求职”类目，本条目仅作工具现状记录：它属于高度自动化的投递机器人，与招聘平台的规则之间存在明确冲突，使用前请先看完文末的风险提示，不要只看功能。

它的工作方式可以拆成两半：前半段是”找岗位”——聚合公开职位数据、按简历打分排序，这部分与普通的职位聚合搜索差别不大；后半段是”代投递”——用真实浏览器替人填写并提交申请表，争议与风险几乎全部集中在后半段。看懂这个结构，才能理解为什么它一边收获了 3 万多 Star，一边又被不少招聘从业者明确批评。

平台背景

项目创建于 2024 年 8 月，赶上生成式 AI 求职工具的热潮，很快被 TechCrunch、The Verge、Business Insider、404 Media 等海外媒体报道或实测：有记者用它投出过 2,843 份申请，也有报道指出它自动生成的答案出现过事实错误。这类工具的走红，本身折射出招聘市场中”海投对抗算法筛选”的现状。现行版本的工作方式比早期有所收敛：官方说明强调先由用户从打分列表里挑选岗位并确认一次，再由程序执行投递，而不是完全无人值守地盲目群投。

另一个背景是招聘平台与这类工具的长期博弈：平台不断加验证码、行为检测与账号风控，工具则改用真实浏览器、模拟人工节奏来应对。军备竞赛的结果，是普通手动投递的用户也越来越频繁地撞上验证环节。从这个角度看，这类工具的外部性并不只落在它自己的用户身上。

核心服务与功能

图：AIHawk 仓库的支持站点文档页，列出其覆盖的求职来源站点（2026-11 截图）

• 简历解析与职位搜索：读取简历，提取目标职位名、技能与地点，在本机检索职位库；官方称其职位来自 37 个公开来源、约 1,000 万条，每 5 小时重建一次。
• 匹配打分：由大模型逐条对照简历给出 1 到 5 分的匹配分，岗位列表分页呈现，供用户筛选。
• 自动填表投递：打开真实的 Firefox 浏览器进入企业申请页，填写必填项、上传简历附件并提交。
• 结果留档：每次投递保存页面回复与截图，方便事后核对到底投了哪些岗位。
• 插件与配置：提供配置文档与插件机制，可调整搜索与投递参数；其覆盖的站点清单维护在仓库的 docs/sites.md 文档中。
• 投递计数与透明度：每次完成的投递会回传一个匿名结果标记用于统计总量，README 对此有专门说明，不包含个人与岗位信息；介意的话可以在配置阶段了解其工作方式。
• 本地运行：搜索、打分与浏览器操作都跑在用户自己的电脑上，没有官方的云端托管版本，这既是它的数据特点，也是它的安装门槛来源。

使用方式

官方提供一键安装脚本：Windows 在 PowerShell 里执行仓库的 run.ps1，Linux 执行 run.sh 拉取安装。运行前需要准备一个大模型服务的 API Key，当前 README 指定经 OrcaRouter 获取，费用按该服务商计价，仓库内未标价。配置完成后在本地运行：导入简历，设定目标职位与地点，等它给出带匹配分数的岗位列表，人工勾选并确认后，程序打开 Firefox 逐个填写企业申请表。搜索与打分在本机完成，投递动作发生在真实浏览器里。换句话说，它省掉的是逐个填表的体力活，岗位选择仍需要人来把关。

适用人群

理论上，它适合投递量大、岗位标准化程度高的求职场景，尤其是海外校招与初级岗位的海投。但必须强调：值得”了解”不等于适合”使用”——它与主流招聘平台的服务条款直接冲突（见注意事项一节）。对普通求职者来说，更稳妥的做法是只借鉴它简历匹配与打分的思路，真正的投递仍然手动完成。本站的招聘求职类目已经退场，本条目不构成任何使用推荐。

HR 与招聘方同样值得了解它：当一份申请来自自动化工具时，其背后的筛选逻辑是什么、材料可信度如何打折，正在成为招聘流程设计的新课题。换句话说，无论你站在求职者还是招聘者一边，这个工具都是观察 AI 如何冲击招聘市场的样本，但样本不等于推荐。

免费与付费对照

图：AIHawk 仓库的配置文档页，说明搜索与投递参数的设置方法（2026-11 截图）

软件本身开源免费，MIT 许可证，没有官方订阅档位。实际使用成本主要来自大模型 API：职位打分与表单问答都要消耗 token，按量付费，仓库未给出统一价目，以 OrcaRouter 等服务商的实时价格为准。但还有一笔更贵的隐性成本要算清楚：招聘平台账号一旦被限制或封禁，损失的是自己多年经营的求职主渠道，这笔账远比 API 费用贵得多。这也是本站把它归为”只记录现状”的原因。

另外注意，它的”发布”记录里有大量以 jobs 开头的数据快照，那是职位库的定时更新，不是软件版本更新；判断项目是否还在正经维护，看代码提交与议题回复比看发布区更靠谱。

优缺点

优点

• 流程闭环完整：搜索、打分、挑选、投递、留档都在一个工具里完成。
• 保留了人工确认环节，岗位列表带匹配分数，不是完全闭眼盲投。
• 开源透明，代码与配置文档齐全，搜索打分在本机运行，简历数据不经过项目方的服务器（模型调用除外）。
• 维护活跃，仓库在 2026 年 11 月仍保持更新节奏。

缺点

• 与招聘平台规则冲突：主流平台的用户协议普遍禁止用机器人等自动化手段操作账号（详见注意事项）。
• 生成内容可能出错：海外媒体实测中出现过答非所问与事实性错误，而申请一旦提交无法撤回。
• 投递命中不稳定：很多企业申请表带定制问题，自动填写的准确率参差不齐。
• 维护成本不对称：招聘网站页面结构一改版，填表脚本就可能失效，需要等更新或自己改配置。
• 容易制造虚假繁荣：投递数量涨上去不等于面试机会涨上去，大量低匹配投递反而可能稀释个人在同一家公司的形象。
• 需要自备 API Key 并承担费用，还要自己处理安装、调试与浏览器环境问题。

同类竞品对比

站内与它同属”自动化”范畴的工具还有两个，但定位完全不同，放在一起是为了说明差异：

注意事项与风险

• 平台规则：LinkedIn、Indeed 等主流招聘平台的用户协议普遍禁止使用机器人、爬虫或其他自动化手段访问服务、代填表单。用真实账号运行这类工具，轻则触发验证码与功能限制，重则账号被限制或封禁，且通常申诉无门。
• 雇主侧观感：越来越多企业会在筛选中识别并过滤模板化、机器生成的申请材料，自动投递并不必然提高命中率，部分企业明确会降低此类申请的权重。
• 内容准确性：大模型代答的求职信与问答可能包含与简历不符的表述，一旦提交即构成对雇主的正式陈述，后果由求职者本人承担。
• 隐私与安全：一键安装脚本来自网络仓库，运行前先审计脚本内容；简历包含大量个人信息，API 调用会把简历与职位信息发往模型服务商，注意其隐私政策。
• 求职策略：与其追求投递数量，不如把时间花在简历与目标岗位的匹配度上；确实要试用同类思路，也应避开明确禁止自动化的平台主账号。
• 版本判断：仓库发布区多为职位数据快照，不要把它的更新频率等同于软件功能迭代。