🚀 这是一个 Claude Code Skill — 在 Claude Code 中输入
/boss-crawler即可启动完整的求职自动化流程。
智能匹配引擎（
eval/matcher）近几轮逐项打磨评分口径，全部改动配套离线测试，侧重宁紧勿松、以岗位要求为准。
| 更新 | 变化 | 目的 |
|---|---|---|
| 权威要求抽取 | 评分改以岗位详情 JD（detail.jd）为准，学历/经验/薪资/技能从 JD 权威抽取，覆盖列表卡片标签 |
卡片标签残缺/不一致时不再误判 |
| 技术栈优先判定 | 岗位按核心栈 / 辅助栈区分，核心栈锁定岗位得分、辅助栈仅供造岗用例 | 突出真正主导的技术方向 |
| 名校/批次硬门槛 | 「985/211/双一流」学历要求识别为本科以上硬门槛，不再解析成「不限」误放行 | 名校岗不能放走大专/非名校 |
| 模糊经验语义化 | 「有相关经验」「多年」视作宽松门槛给满分，不再吃兜底 8 分 | 虚指经验不再误杀候选人 |
| 测试基建 | fixture 数据集拆到 fixtures/ 包，与内置简历密封成对 |
评分语义回归有据可依 |
一套完整的 BOSS 直聘求职自动化工具：爬取岗位 → 解析简历 → 智能匹配 → 可视化报告 → 根据岗位要求优化简历,生成图片+招呼语 → 自动投递。所有 LLM 分析走你自己配置的模型接口——默认原生 Anthropic Messages（Claude Code 协议），同样兼容 OpenAI 格式的端点（DeepSeek / 通义 / 月之暗面 / 智谱 / 火山方舟 / 本地 ollama、vLLM 都行）——帮助你更好精投简历。
我单独部署的内置简历编辑器 https://show-cv-three.vercel.app/
本项目仅供学习和技术研究参考，旨在探讨 Chrome DevTools Protocol、前端反爬机制与数据采集技术。请勿用于任何违反 BOSS直聘用户协议 或相关法律法规的用途，不得用于商业转售、恶意爬取或对目标网站造成负担的行为。使用本项目所产生的一切后果由使用者自行承担，作者不对任何滥用行为负责。
| 策略 | 其他插件 | 本 Skill |
|---|---|---|
| 投递模式 | 批量点击、统一招呼语 | 先匹配 → 只投高匹配岗位 |
| 招呼语 | 固定模板 | 逐个岗位个性化生成（结合简历亮点 + JD 关键词） |
| 简历附件 | 仅 PDF/DOC | 额外生成不含个人信息的简历图片，随招呼语一起更醒目 |
| 频率控制 | 通常无节制，易被风控 | 每次间隔 3-5 秒，模拟正常人工操作 |
在 Claude Code 中输入：
请帮我安装这个 skill：https://github.com/zhansan379/boss-crawler-skill.git
Claude 会自动克隆仓库、安装依赖、注册 skill。装完还要填一次模型配置（assets/llm_config.json 里的 base_url / api_key / model，见下面手动安装第 3 步）——api_key 只有你自己有，这步没法替你做。配好后输入 /boss-crawler 即可使用。
# 1. 克隆仓库
git clone https://github.com/zhansan379/boss-crawler-skill.git ~/.claude/skills/boss-crawler
# 2. 装依赖（Python 3.8+，另需本机已装 Chrome）
pip install -r ~/.claude/skills/boss-crawler/requirements.txt
# 3. 配模型（必需，两条路径都要）
cd ~/.claude/skills/boss-crawler
cp assets/llm_config.example.json assets/llm_config.json # 填 base_url / api_key / model
python scripts/utils/llm_check.py # 验一下通不通（api_key 打码显示）第 3 步不能省。 简历解析、深度匹配、招呼语、简历优化都要调模型；没配好，流程第一步就会停下。三层配置优先级：命令行参数 > 环境变量（
LLM_*，其次OPENAI_*/ANTHROPIC_*）>assets/llm_config.json。llm_check.py --no-call只查配置、不发请求，不花钱。协议默认
anthropic（能自动切到 OpenAI 兼容端点），按阶段用不同模型用配置里的stages段。详情见 references/cli.md 配置模型。
然后用 Claude Code 打开项目目录，输入 /boss-crawler 即可。只想用命令行、不用 Claude Code？ 克隆到任意目录即可（不必放进 ~/.claude/skills/），用法见 docs/usage-cli.md。
两种运行方式，同一套脚本、同一个模型接口、同一份产物：/boss-crawler Skill 路径由 Claude 逐阶段问你确认；命令行路径参数一次给全、可定时重跑。
| 路径 | 触发条件 | 流程 |
|---|---|---|
| 路径 A ✨ 简历驱动爬取 | 你有简历、还没爬过岗位 | 上传简历 → 自动推断搜索参数 → 精准爬取 → 匹配 → 投递 |
| 路径 B 匹配现有数据 | 已有岗位 CSV 数据 | 上传简历 → 加载已有岗位 → 匹配 → 投递 |
| 路径 C ✨ 预设重放 | 已有保存的预设参数 | 上传简历 → 加载预设 → 补齐缺失参数 → 精准爬取 → 匹配 → 投递 |
| 路径 D ✨ 仅简历编辑器 | 没有简历文件，想先写/改简历 | 打开内置 ShowCV 简历编辑器 → 写完后重新进入 A/B/C |
- 📖 方式一（Skill）完整图文走查 → docs/usage-skill.md
- ⌨️ 方式二（命令行）上手 → docs/usage-cli.md · 完整参数参考 → references/cli.md
💡 命令行完整流程，按下表的执行顺序排好。下面每个
python …里的运行目录D:\…\assets\2026-08-18_22-10-50是你某次运行的时间戳子目录（assets/<ts>/）， 请换成你自己的实际目录。所有命令把同一个运行目录作为输入，一环扣一环、依赖前一步的产物。
# ════════════════════════════════════════════════════════════
# 0. 配置环境（一次性；前四行严格按「建项目→建 venv→激活→装 pip」来）
# ════════════════════════════════════════════════════════════
uv init -p 3.12
uv venv
.venv\Scripts\activate # 激活虚拟环境（是 activate，别漏 e）
uv add pip
uv pip install -r requirements.txt # 装齐运行依赖# ════════════════════════════════════════════════════════════
# 1. 保存登录状态 —— 爬取和投递都复用这次登录，不用重复扫码
# ════════════════════════════════════════════════════════════
python scripts/stages/boss_post_interactive.py --ensure-login
# ════════════════════════════════════════════════════════════
# 2. 指定简历 → 解析出结构化信息（产出 profile.json，供下面 infer 用）
# ════════════════════════════════════════════════════════════
python scripts/pipeline.py "D:\Download\browserDownload\简历.md" --to parse
# ════════════════════════════════════════════════════════════
# 3. 依据简历推断爬取参数 → 产出 state/crawl_params.json
# （step 4 的爬取就照着这份参数去搜，所以它必须排在这之前）
# ════════════════════════════════════════════════════════════
python scripts/pipeline.py --run-dir "D:\Project\pythonProject\boss-crawler-skill\assets\2026-08-18_22-10-50" --from infer
# ════════════════════════════════════════════════════════════
# 4. 照着 crawl_params.json 爬取岗位数据（一次几十分钟，靠前段已登录身份）
# ════════════════════════════════════════════════════════════
python scripts/pipeline.py --run-dir "D:\Project\pythonProject\boss-crawler-skill\assets\2026-08-18_22-10-50" --from crawl
# ════════════════════════════════════════════════════════════
# 5. 深度匹配 —— 大模型逐岗位分析「规则评分最高的前 20 名」：
# --match-mode deep 调用大模型（不写就是纯规则 quick）
# --top-n 20 进模型的候选岗位数
# --workers 4 并发线程数（越大越快，也越易触发限流）
# ════════════════════════════════════════════════════════════
python scripts/pipeline.py --run-dir "D:\Project\pythonProject\boss-crawler-skill\assets\2026-08-18_22-10-50" --from match --match-mode deep --top-n 20 --workers 4
# ════════════════════════════════════════════════════════════
# 6. AI 生成「招呼语 + 优化简历」（默认即 AI，会按岗位调模型）
# --force 覆盖已有产物；只想生成其中一种就跳过另一种：
# --resume-mode skip 只生成招呼语（不动简历 JSON）
# --greeting-mode skip 只生成简历（不动招呼语）
# ⚠ 两个 skip 不能同时给——都跳了就没活干，命令会报错
# ════════════════════════════════════════════════════════════
python scripts/stages/gen_materials.py "D:\Project\pythonProject\boss-crawler-skill\assets\2026-08-18_22-10-50" --force
# ════════════════════════════════════════════════════════════
# 6b. 渲染简历长图 —— 把上一步的 resume JSON 变成可看的 PNG
# （可整批：直接跑下面的；想要挑几个就加 --only 1,3,5-7）
# ════════════════════════════════════════════════════════════
python scripts/deliver/render_images.py "D:\Project\pythonProject\boss-crawler-skill\assets\2026-08-18_22-10-50"
# ════════════════════════════════════════════════════════════
# 7. 投递（真发不可撤回；不加 --yes 只徒演、把要投的清单列出来）
# --image <path> 整批统一用你自己这张图（建议绝对路径）
# --greeting <文本> 整批统一用这条招呼语（覆盖各岗位自己的）
# ⚠ 想用 AI 生成的图/话就删掉这两个开关 —— 不用它们时 apply 直接用渲染好的
# ════════════════════════════════════════════════════════════
python scripts/deliver/apply.py "D:\Project\pythonProject\boss-crawler-skill\assets\2026-08-18_22-10-50" --yes \
--image "D:\绝对路径\my_resume.png" \
--greeting "26届本科可实习6个月，做过百万并发服务重构，盼面聊。"🔎 AI 生成的内容（步骤 6 / 6b）去哪看 —— 全在运行目录 assets/<ts>/ 下：
| 内容 | 位置 | 说明 |
|---|---|---|
| 招呼语正文 | materials/greeting_{i}_{公司}.txt |
每条一个文件，{i} 是岗位 1-based 序号 |
| 优化简历 JSON | materials/resume_{i}_{公司}.json |
AI 改稿的原始结构（含 optimized_resume 全文） |
| 岗位信息 + 招呼语（人眼可读汇总） | deliver/#N-公司-岗位/岗位信息+招呼语.md |
每个岗位一份的最终投递文案 |
| 优化建议（给 AI 改的要点） | deliver/#N-公司-岗位/优化建议.md |
— |
| 简历长图 | deliver/#N-公司-岗位/姓名-岗位.png |
步骤 6b 渲出的，HR 看到的就是这个文件 |
上面这几份 md/图在走整条
--to render会自动落好；如果只单跑gen_materials.py（步骤 6），岗位信息+招呼语.md不会自动生成，需要另跑python scripts/deliver/write_application_md.py "<run_dir>" --all才有那份人眼可读汇总。
Skill 目录一般在 C:\Users\用户名\.claude\skills 或当前项目的 .claude\skills。所有运行产物落在 Skill 目录下，每次运行隔离在一个时间戳子目录 assets/<timestamp>/（例如 assets/2026-08-14_16-05-21/）。对你最有用的是 deliver/#N-{公司}-{职位}/ 三件套：定制简历图片 + 岗位信息+招呼语.md + 优化建议.md。
完整产物清单见 docs/outputs.md。
🔒 隐私：
assets/chrome_user_data/含登录 cookie、assets/llm_config.json含 api_key，勿提交 Git / 分享（整个assets/已在.gitignore）。生成的简历图片已隐去个人信息，但原始简历文本仍含隐私，注意保管。
| 模块 | 功能 | 亮点 |
|---|---|---|
| 🔍 岗位爬虫 | BOSS 直聘数据采集 | 关键词搜索、多城市、高级筛选、详情页采集、数量下限校验、访问间隔随机抖动 + 分批冷却对抗风控 |
| 📝 内置简历编辑器 | ShowCV 浏览器编辑器 | 无需扣简历，直接排版写改 + 实时预览 + 导出 PDF |
| 📄 简历解析 | PDF/Word/MD/文本 → 结构化 JSON | 模型深度理解，保留量化指标和项目要点，附字典交叉校验 |
| 🎯 智能匹配 | 双模式评分 | 快速模式（纯规则秒级、零 token）+ 深度模式（LLM 语义分析、按岗位并发、可续跑） |
| 🖼️ 简历图片生成 | 自动生成不含个人信息简历图片 | 针对岗位定制优化 + 自动排版调整 |
| 📊 可视化报告 | HTML 交互报告 | 双主题、岗位卡片含匹配度/难度/成功概率 |
| 🚀 自动投递 | DrissionPage 浏览器自动化 | 个性化招呼语 + 简历图片上传 + 投递记录 + 回读校验 |
| 🧩 双运行路径 | Claude Code Skill ／ 纯命令行 | 同一套脚本、同一个模型接口；支持分阶段续跑、--dry-run 预演、投递独立闸门 |
两条路径，同一套引擎。 Skill 路径（SKILL.md 逐阶段确认）与命令行路径（scripts/pipeline.py 参数一次给全）共享同一套脚本、同一个模型接口、同一份产物。
产物落到 assets/<ts>/，每次运行隔离在时间戳子目录。完整数据流图 + 目录树 → docs/architecture.md。
登录 cookie 与爬取数据都在
assets/下（assets/chrome_user_data/、assets/post_data/），由脚本运行时自动创建，整个assets/已在.gitignore里。
| 技术 | 用途 |
|---|---|
| DrissionPage | Chrome CDP 协议控制，爬虫 + 浏览器自动化 |
| PyPDF2 / python-docx | 简历文件解析（PDF/Word），按需安装 |
| chardet | 文件编码自动检测 |
| requests | 模型 HTTP 调用（anthropic + OpenAI 兼容端点，LLM 客户端零额外重依赖） |
| Pillow | 投递前给简历图体检（尺寸、内容占比、是否整张空白），按需安装 |
| Anthropic / 任意 OpenAI 兼容端点 | 全部 LLM 能力：Claude（默认） / DeepSeek / 通义 / 月之暗面 / 智谱 / 火山方舟 / 本地 ollama、vLLM |
| Claude Code | Skill 路径的编排层：选路径、逐阶段确认、投递前把关（不参与模型调用） |
| HTML/CSS/JS | Bauhaus 风格双主题可视化报告 + 内置 ShowCV 编辑器 |
- 合规使用：请遵守 BOSS 直聘的使用条款，合理控制爬取频率
- 安全投递：自动投递已内置 3-5 秒间隔和数量限制，请勿修改以规避反爬
- 真实性：简历优化只基于真实经历，绝不编造虚假内容
- 提示词模板可改：所有提示词模板在
scripts/prompts/*.st（简历解析 / 深度匹配 / 招呼语 / 简历优化 / 参数推断五个文件），两条路径共用——想调写改风格、生成结构或字段口径，直接编辑对应.st即可 - 优化效果取决于模型：简历优化、深度匹配这类生成的质量与所用模型能力直接相关。觉得优化稿不够细、语气不对或匹配判断不够准，先看配置里
stages段的模型是不是偏小——换个更强的模型通常立竿见影；仍不满意再到scripts/prompts/resume_optimize.st调提示词 - 隐私保护：
assets/chrome_user_data/含登录 cookie、assets/llm_config.json含 api_key，勿提交 Git / 分享（整个assets/已在.gitignore里）；生成的简历图片已隐去个人信息，但生成的原始简历文本仍含隐私，注意保管 - 验证码：遇到验证码时脚本会暂停并通知你手动处理
- 浏览器自动探测不保准：脚本自动找 Chrome/Edge（
--browser/ 环境变量CHROME_PATH/PATH/ 注册表 / 常见安装目录，按此顺序）。找不到时请用--browser <exe路径>显式指定，或设环境变量CHROME_PATH；仍不行就去提 issue
遇到问题、发现 bug、或想提功能建议，欢迎来 Issues 开贴交流。你的机型和安装方式五花八门，很多兼容性问题只靠我们这台机器测不到，正好需要你帮忙补上。
MIT