这个 Skill 能做什么，适合哪些场景？
Job Scraper 是 ai-job-search 框架中负责职位搜寻的技能（.claude/skills/job-scraper）。它通过已安装的各招聘门户网站命令行工具（CLI）搜索与你个人档案匹配的新职位，Portal 没有对应 CLI 时回退到网络搜索；跨运行去重（对照已见职位文件和申请追踪表），并对每条新职位给出高/中/低的快速匹配评估。运行结束后生成按匹配度排序的职位表格，并为高、中匹配职位生成 LinkedIn 推荐联系人搜索链接。该框架由一位地球物理学家在求职过程中构建并自用验证（作者自称凭此获得 AI 工程师职位），整体面向个人求职者。注意：仓库自带六个门户 CLI，其中四个针对丹麦市场，其他国家用户需要用仓库提供的 /add-portal 命令生成自己的门户技能。
读取 search-queries.md 中的搜索策略和 seen_jobs. / job_search_tracker.csv 的历史状态；优先调用 .agents/skills/ 下各门户 CLI（用 Bun 运行，结果限定最近 14 天、每次约 20 条，多门户并行），CLI 不可用时回退到 WebSearch/WebFetch；对值得深入的结果调用门户的 detail 命令提取关键要求、申请截止日期和描述摘要，检测已下架职位并标记为 expired；合并同一公司的跨城市批量发帖（mass-posting）为一条并标注；按高/中/低给出快速匹配评估，并叠加语言门槛覆盖规则；用 tools/job_key.py 生成规范去重键，把所有抓取到的职位写入 seen_jobs.（含 portal、source、posted_date 等字段）；为高、中匹配职位生成两类 LinkedIn 人员搜索链接（招聘官路径和团队同侪路径），只生成链接、不抓取人脉页面；执行有限的门户健康检查（每门户最多一次探测、一次重试），输出 degraded/broken/inconclusive 结论；最后以表格呈现新职位、标出禁用门户与回退门户。
- 每周想主动搜新职位的求职者，替代逐个打开 Jobindex、Jobnet、LinkedIn 等网站手动搜索
- 已在使用 ai-job-search 框架的用户，希望把抓到的新职位自动去重并直接接入 /rank 和 /apply 流程
- 针对特定方向定向搜寻的用户，例如输入 '/scrape data science' 或 '/scrape broad' 调整搜索范围
- 需要了解某次搜索是否命中职位但担心数据陈旧的用户，可用 /scrape health 单独探测各门户 CLI 是否已失效
- 希望给自己找内推机会的申请者，使用技能生成的 LinkedIn 招聘官/同侪搜索链接主动建立联系
如何安装这个 Skill？
- 本评分为静态源码评审，未执行任何代码；实际抓取成功率与跨门户行为未经验证。
- 核心搜索依赖 LinkedIn、Google/WebSearch 等海外服务，在中国大陆网络环境下可能不可达或需代理。
- 使用前必须完成 search-queries.md 与个人 profile 的占位符配置，否则查询会按模板字面量执行。
- 防御为指令级而非沙箱：对不信任的职位板，发送任何内容前请检查代理抓取与写入的文件。
- 发布者未经过 FollowSkills 企业注册表验证；仓库含 9 个 SKILL.md，本次仅评审 job-scraper 这一个。
- Shell / 命令行
- 网络访问
- 本地文件系统
Claude Code CLIBunPython 3.10+
该技能是 MadsLorentzen/ai-job-search 仓库（MIT 许可）的一部分，随整个框架安装：1) 用 gh repo fork MadsLorentzen/ai-job-search --clone fork 并克隆仓库；2) 在 .agents/skills/ 下的各门户 CLI 目录运行 bun install（jobbank-search、jobdanmark-search、jobindex-search、jobnet-search、linkedin-search、freehire-search；linkedin-search 和 freehire-search 无运行时依赖，可跳过）；3) 前置条件：Claude Code CLI、Python 3.10+、Bun；4) 运行 /setup 填写个人档案。技能本身位于 .claude/skills/job-scraper/，无需单独安装。
tmp="$(mktemp -d)"
git clone --depth 1 https://github.com/MadsLorentzen/ai-job-search.git "$tmp"
mkdir -p ~/.claude/skills
cp -R "$tmp/.claude/skills/job-scraper" ~/.claude/skills/
rm -rf "$tmp"根据源仓库地址和 Skill 路径自动生成，只复制这个 Skill 的文件夹。如果上文有作者提供的安装方式，请优先按作者说明操作；想只在当前项目中使用，把 ~/.claude/skills 换成项目里的 .claude/skills。
如何使用这个 Skill？
安装后，把下面任意一句发给 Agent 即可触发：
- Find new jobs
- Any new positions?
- /scrape data science
在 Claude Code 中运行 /scrape，或说 'Find new jobs'、'Any new positions?'。可选参数：'/scrape data science'（聚焦某类查询）、'/scrape broad'（运行所有搜索类别）、'/scrape health'（只做门户健康检查，如 /scrape health jobnet 探测单个门户）。搜索完成后技能会以表格呈现按匹配度排序的新职位；选择某个编号可进入 job-application-assistant 技能做完整评估（/apply）；新职位较多（约 8 条以上）时建议改用 /rank 批量评分。
这个 Skill 有哪些优点和局限？
- 纯本地运行，框架本身免费开源（MIT 许可），无订阅或 API 费用
- 跨运行持久去重（seen_jobs. + 申请追踪表 + 规范化去重键），避免重复推销同一职位
- 健壮的工程设计：门户启停开关、CLI 失败自动回退 WebSearch、有界的健康检查能发现静默失效的解析器
- 对数据诚实：禁止捏造职位、记录 posted_date 和 source 以便事后审计幽灵职位、批量发帖只提示不指控
- 内推链接步骤刻意零依赖——只生成 LinkedIn 搜索链接，不抓取、不需要凭据
- 内置的四个丹麦门户 CLI（Jobbank、Jobdanmark、Jobindex、Jobnet）只覆盖丹麦市场，其他地区必须自行用 /add-portal 生成并维护门户技能
- 门户 CLI 依赖目标网站结构，网站改版会导致解析器静默失效，需要健康检查和手动修复
- linkedin-search 基于非官方公开端点，自动化访问违反 LinkedIn 服务条款，只能个人低频使用，存在被封锁的风险
- 深度依赖 Claude Code 生态：allowed-tools、Agent、AskUserQuestion、/add-portal 等 Claude Code 机制，迁移到其他代理工具需要适配
- 快速匹配评估只是粗略信号，完整评估依赖框架中另一个技能（/rank 和 04-job-evaluation.md），单独使用本技能判断力有限
这个 Skill 与同类方案有什么区别？
与相关 Skills 并排比较；分数均按同一 FSRS 标准得出。
| Skill | FS 评分 | Star 数 | 最近更新 | License |
|---|---|---|---|---|
| Job Scraper — 本地运行的职位搜寻技能 本页 | 54 · 谨慎使用 | ★ 47k | 17 天前 | MIT |
| LinkedIn 职位搜索技能 | 55 · 谨慎使用 | ★ 47k | 17 天前 | MIT |
| Jobindex 丹麦职位搜索 | 58 · 推荐 | ★ 47k | 17 天前 | MIT |
| 丹麦职位搜索（Jobdanmark Search） | 60 · 推荐 | ★ 47k | 17 天前 | MIT |
| Jobnet-Search：丹麦官方求职门户检索技能 | 59 · 推荐 | ★ 47k | 17 天前 | MIT |
README 中将整个框架与'大多数 LaTeX 简历模板'对比，指出后者缺乏 PDF 编译检查，但这是针对 /apply 的说法。就职位搜寻本身而言，常见替代方案是手动浏览各招聘网站或使用 LinkedIn 内置的职位提醒——本技能的差异点在于多门户并行搜索、本地去重和与后续申请流程的衔接，但覆盖面取决于你所在市场是否有可用的门户 CLI。
FollowSkills 如何评估这个 Skill？
权限清单明确限定（bun 运行已安装 CLI、job_key.py、WebFetch/WebSearch），健康检查只能编辑 enabled 开关且需用户确认，Step 4.5 明确禁止抓取 LinkedIn 人员页，危险请求有边界；SECURITY.md 与 CI security-guards 支持最小权限与数据边界声明。扣分：指令级防御非沙箱（文档自认），代理会向多个海外门户发起网络请求，写入 seen_jobs./tracker 无显式回滚机制，发布者未经验证。未达满分。
指令高度自洽：bun 不可用有 WebSearch 降级、CLI 失败记录后继续、客户端日期兜底过滤、URL 有效性规则、closed-at-source 检测等失败路径详尽；配套 CLI 有 fixture 测试。扣分：SKILL.md 编排本身为静态阅读未经执行复现，依赖 search-queries.md 中大量占位符需用户正确配置，多代理并行与跨文件状态一致性无法在静态下验证。
触发词、可选参数（focus/broad/health）明确，场景清晰，模板化支持本地化门户。扣分：核心搜索依赖 LinkedIn/Google/WebSearch 等海外服务，对中国大陆网络可达性差；语言范围由 CLAUDE.md 配置但仓库本身无中文支持声明；边界（非职位搜索输入）未显式声明。
文档分层清晰（SKILL.md + search-queries.md），MIT 许可、CI 版本守卫（check_framework_version）、上游更新工具与安全报告渠道齐全，已知限制披露充分。扣分：skill 本身无独立版本号/变更日志，依赖外部约定（CLAUDE.md、/rank 等）的关系需跨文件推断，维护责任高度依赖单一作者。
去重、状态持久化、健康检查、质量兜底等设计显著高于手写 grep 的边际价值，输出格式明确。扣分：静态评审无法验证实际抓取成功率；大量初始配置（profile、queries、门户 CLI 安装）意味着开箱价值有限，README 的个人成效属作者自述。
有 CI 工作流、CLI fixture/mock 测试、SECURITY.md 与引用的具体案例（如 freehire 过期职位事件），可审计材料充分。扣分：skill 编排关键路径（搜索→去重→呈现）无已提交的针对性测试，无第三方独立复现证据，静态评审上限即为 5，扣至 4。
点击维度查看打分理由
证据充分度：低 — 主要依赖静态检查、作者材料或有限演示；适合发现线索，不适合做高风险决策。
查看完整评分方法 →