Repo-AI-Analysis

Appearance

Career-Ops

3.3/5综合评分
3.0/5推荐度
GitHub ↗ai-programs/agents/assistant-agentsJavaScript / TypeScriptMIT★ 1,290核验 2026-07-21

证据等级：GitHub REST/GraphQL metadata, release/advisory APIs, README/docs/manifests and local shallow-clone scan at commit f7117464247332ba389432fb74e2f6271099b978; no install, AI-provider session, browser autofill, Docker run, web UI or end-to-end job-search workflow was executed

开始阅读
维度评分Career-Ops：能力 4.0/5，易用性 3.0/5，性能 3.0/5，代码质量 3.0/5，文档 4.0/5，社区 4.0/5，成熟度 2.0/5，可扩展性 4.0/5，安全性 3.0/5，推荐度 3.0/5维度评分能力易用性性能代码质量文档社区成熟度可扩展性安全性推荐度

Career-Ops ​

面向求职者的 local-first AI career operations workspace：把职位发现、评估、CV/cover letter、申请准备、面试与 pipeline 记录做成可审计的文件/CLI 工作流。

状态: active · 总分: 3.3/5 · 推荐度: 3/5 核验版本: commit f7117464247332ba389432fb74e2f6271099b978 / package 1.21.0；GitHub/API 快照 2026-07-21 验证边界: 本轮未安装 package、未连接 Claude/Codex/OpenRouter、未操作真实求职数据、未运行 browser autofill、Docker、web UI 或 tests；能力与风险判断来自官方 release/docs/source scan。

一句话总结 ​

Career-Ops 已从“Markdown 求职模板”成长为有 CLI、ATS scanner、browser autofill、plugins、interview modes、experimental web UI 与 84 个 release objects 的 career workflow product；方法论和自动化边界很有价值，但两个月内从 v1.9 快进到 v1.21，仍不宜无验证地托管关键个人数据与申请动作。

总体评价 ​

Career-Ops 的中心不是单次 resume generation，而是一套 local-first career operations state machine：cv.md、profile、reports、pipeline、scan history 与 follow-up cadence 形成可审计记录；AI runner 负责解释、研究与起草，Node scripts 负责可重复的发现、校验、编号、渲染和迁移 [GH:readme][GH:package]。

2026-06 至 07 的功能扩张有分析后果：Docker、interactive onboarding、cover letters、opt-in plugin registry、Greenhouse/Lever/Ashby autofill（prepare, don't submit）、interview plan/practice/debrief、独立版本的 experimental web UI，以及聚合五类公司风险的 Risk Summary 都已进入 release 轨道 [GH:releases][GH:apply][GH:plugins]。这使 capability 4 仍成立，也放大浏览器、插件、provider、数据迁移与 UI 故障面；maturity 继续为 2。

推荐度：3/5 ​

推荐给愿意把求职过程当作长期项目、接受本地文件/CLI 为 canonical state、并能人工审查 AI 输出的个人用户；尤其适合希望避免无节制 auto-apply、保留决策理由和风险信号的人。

不按 4 推荐的原因不是功能少，而是变化太快：v1.10-v1.21 在六周内连续加入 Docker、plugins、autofill、web、interview 与 risk aggregation；本轮未跑 tests 或真实 provider/browser 流程。建议从 disposable clone 和脱敏 sample profile 开始，pin 版本，先验证 update/rollback、PDF、scan 与 browser preflight，再迁移真实资料。

优势 ​

  1. local-first canonical state：资料、报告、pipeline 与历史以 Markdown/YAML/TSV/JSON 为主，便于 diff、备份、审计和迁移 [GH:readme]。
  2. 流程纵深完整：从 zero-token job discovery、role/company evaluation、CV/cover letter 到 apply preflight、interview、follow-up、dashboard 与 Risk Summary [GH:releases]。
  3. 自动化边界正确：ATS autofill 只准备字段，不点击 submit；unsupported fields、preflight mismatch 与 manual review 会明示给用户 [GH:apply]。
  4. 扩展性开始制度化：plugins 有 manifest、integrity、provenance、hooks allowlist、health/removal 与 seed/successor 模型 [GH:plugins]。
  5. 工程治理信号强于项目年龄：752 tracked files、16 workflows、81 test-ish paths；package 有 Node tests、dashboard/web build 与文件 allowlist [GH:local-scan][GH:package]。

劣势 ​

  1. 复杂度接近小型产品套件：CLI、scripts、dashboard、web、plugins、Docker、browser、AI runners、PDF 与 updater 同时存在。
  2. 发布/功能膨胀过快：84 个 release objects、current v1.21.0，但项目 2026-03 才创建；频繁版本不等于 API 稳定 [GH:api][GH:releases]。
  3. 效果依赖外部世界：ATS 页面、anti-bot、provider API、LLM plan、浏览器版本和招聘网站字段都会变化。
  4. plugins 不是 sandbox：manifest/哈希/registry 是治理措施，但 declared hooks 仍可运行外部命令 [GH:plugins]。
  5. 个人数据面宽：CV、联系方式、偏好、公司评价、面试记录与 browser form 都可能敏感；local-first 不自动消除 model/API/backup 风险。

适合什么场景 ​

  • 同时管理大量岗位、reports、follow-up、面试与材料版本。
  • 希望把评分、风险信号与决策理由保存在可 diff 的本地文件中。
  • 使用 Claude Code、Codex、OpenCode 或 OpenRouter runner，但坚持人工审核。
  • 想用 ATS discovery/autofill 降低机械工作，同时拒绝自动提交。
  • 需要 Docker 作为 locked-down host 的可重复环境，或想试验 opt-in web UI。

不适合什么场景 ​

  • 需要企业 ATS/招聘团队 multi-user RBAC、审计与 SLA。
  • 追求全自动批量投递或完全无人值守申请。
  • 不愿维护本地 state、备份、版本 pin 与迁移。
  • 无法审查 AI 生成的事实、薪资/公司风险结论和浏览器字段映射。
  • 只需一次性生成简历或 cover letter；此时套件复杂度可能不划算。

与类似项目对比 ​

项目定位相对本项目
personal-ai-infrastructure个人 agent workflow/assistant stackCareer-Ops 更垂直于求职，PAI 更泛化 [L1:pai]
OpenClaw通用个人 AI assistantCareer-Ops 内建 career state/schema；OpenClaw 场景覆盖更广 [L1:openclaw]
Hermes Agent通用个人 AI assistant/agent runtimeCareer-Ops 是 career-specific application；Hermes Agent 更通用、可承载多任务 [L1:hermes-agent]

以上为 assistant-agents 同类/相邻项目的定位级比较，本轮未按同一 10 维框架重审比较对象，表格不构成相对质量 benchmark。

它能做什么 ​

capability 评分 4/5：

  • 从公共 ATS/job boards 做 zero-token discovery、liveness 与 trust/coverage tracking [GH:readme][GH:releases]。
  • 用 profile/CV/role/company signals 生成职位报告、统一 Risk Summary 与 pipeline decision [GH:readme][GH:releases]。
  • 生成/维护 CV PDF、cover letter、outreach 与 follow-up [GH:releases]。
  • 通过 Greenhouse/Lever/Ashby Playwright path 做 preflight + allowlisted autofill，但永不自动 submit [GH:apply]。
  • 提供 interview onboarding、plan、practice、debrief、red-flag 与 panel-intel workflow [GH:releases]。
  • 提供 terminal dashboard、opt-in experimental web UI、agent inbox 与 plugin registry [GH:readme][GH:releases][GH:plugins]。
  • 通过 Claude/Codex/OpenCode/OpenRouter 等 runner 协作，具体质量取决于 provider 与用户资料 [GH:readme]。

不给 5：多数核心价值仍依赖实时网页、模型判断与用户操作；本轮没有真实 job-search benchmark，也缺长期稳定证据。

运行环境与资源占用 ​

  • 核心运行时：Node.js >=22.5.0；career-ops binary 指向 scripts/cli.mjs [GH:package]。
  • 浏览器：Playwright 用于 scanner/autofill/PDF 等路径；autofill 需要人工 review [GH:apply]。
  • Docker：官方 Dockerfile 基于 Microsoft Playwright Node 22 image，属于用户可运行的 full-pipeline path，故 docker_support: true [GH:docker]。
  • AI 后端：Claude Code、Codex/OpenCode、OpenRouter 等；tokens/cost/retention 由 provider 决定。
  • 资源：CLI/Markdown 路径通常 CPU-only；browser/PDF/web/Docker 增加内存与磁盘。本文保守给至少 2GB free，未实测峰值。
  • GPU：不要求；用户自接本地大模型时另计。

上手体验 ​

评分 3/5。npm scaffolder、interactive onboarding、doctor、dashboard、Docker 和 web alpha 都降低入口门槛 [GH:readme][GH:releases]；但真正使用仍要准备 profile/CV、AI runner/API key、browser、目录 state，并理解大量命令。升级历史里还出现过 updater gap，故不能因 onboarding 改善直接给 4 [GH:security-release]。

代码质量 ​

评分 3/5。当前扫描有 752 tracked files、16 workflows、81 test-ish paths，package scripts 覆盖 Node tests、dashboard/web build、integrity/schema/registry/doctor checks [GH:local-scan][GH:package]。release notes 记录 race/data-loss/path-traversal/SSRF/updater 类修复，说明团队在补边界 [GH:security-release]。但两个月内代码与 surface 近乎倍增，本轮未执行 tests，feature velocity 也提高回归风险，暂不评 4。

可扩展性 ​

评分 4/5。modes、templates、providers、runners、job-board registry 与 plugins 都提供扩展点。plugin manifest/integrity/provenance/allowlisted hooks 比散落脚本可维护 [GH:plugins]；但它不是强 sandbox，third-party plugin 与本地修改都要 pin/hash/review，升级时还要处理 successor/migrations。

文档质量 ​

评分 4/5。README、docs、modes、examples、standards、release notes、apply/plugin contracts 都很细，no-auto-submit 边界也写得明确 [GH:readme][GH:apply][GH:plugins]。局限是文档量随 surface 快速增长，旧教程/命令可能随 release 失效；应按 pin 的版本阅读。

社区与成熟度 ​

维度评分说明
社区活跃度4/51,290 stars、159 forks、26 open issues、20 open PRs；release notes 显示多位贡献者，CI/治理文件充足。但规模仍小，不能用活跃度代替 production adoption [GH:api][GH:releases]
成熟度2/52026-03 创建，2026-07 已到 v1.21.0、84 release objects；browser/plugin/web/interview surface 快速增长，feature bloat 与稳定年限都要求保守 [GH:api][GH:releases]

安全与风险 ​

评分 3/5。本轮 repository advisory API 返回空，只表示没有在该 endpoint 查到公开 GHSA，不是安全认证 [GH:advisories]。正面边界包括 local-first、autofill never-submit、preflight、plugin integrity/provenance，以及 release 中对 SSRF/tmpfile/PDF path/tracker cells 的 hardening [GH:apply][GH:plugins][GH:security-release]。

主要风险：

  • CV、联系方式、薪资、公司评价、面试笔记与 browser form 都是敏感数据；Git history、sync、logs、screenshots 也会泄露。
  • AI provider 会接收用户资料与 JD；runner/API key 的 retention 与权限必须单独治理。
  • Browser automation、网页内容、PDF/Markdown rendering 形成 untrusted-input surface；no-submit 降低后果，但不消除误填与 secret exposure。
  • Plugin hooks 可执行外部命令，integrity/provenance 不是 sandbox [GH:plugins]。
  • 历史 release 已修 SSRF bypass、path traversal、tmpfile/data-loss 等问题，说明 attack surface 真实存在；应 pin 最新并先做 disposable-data rollback test [GH:security-release]。

建议真实资料不进 public Git；对 provider 做最小数据披露；使用独立 browser profile；autofill 后逐字段复核；third-party plugin 逐文件审查；保留 encrypted backup 与 update 前 snapshot。

学习价值 ​

项目适合学习四件事：如何把长期个人流程转成可审计 state machine；如何把 LLM judgment 与 deterministic scripts 分层；如何把 browser automation 约束为 prepare-not-submit；如何为用户 plugin 设计 provenance、integrity、lifecycle 与 rollback。其价值主要在 workflow/product engineering，而非单一算法创新。