你有没有过这种经历：打开大厂招聘官网，搜”算法”，出来 1300 多个结果，标题全长一个样。”算法工程师”“算法研究员”区别在哪？不知道，得一个个点进去看 JD岗位描述。
添加图片注释，不超过 140 字（可选）
看完一个要两三分钟。筛选出的四五百个全看完，一整天就没了。
所以大多数人不看。靠标题猜一下，差不多的就投了。
问题是，现在的求职工具也没好到哪去。BOSS 直聘的”智能匹配”本质还是关键词匹配：你简历写了 Python，JD 里也有 Python，系统说”匹配度 85%“。但岗位真正要的是 Python + Spark + 特征工程 + AB 实验经验这个组合。你上了门 Python 课跟你在字节写了两年推荐系统，在它眼里是一样的。
这套逻辑从 2010 年就没变过。
我之前帮一个学弟看简历，他投了 30 个”算法工程师”全挂。我帮他对了一下 JD，其中 20 个要的是推荐系统方向，跟他的技能树完全不搭。不是他不行，是他根本没时间搞清楚每个岗位到底要什么，而现有的工具也帮不上忙。
所以我写了一个项目，我自己去年秋招用得很开心，于是开源出来。GitHub：
大厂招聘页的一些有意思的发现
写完工具之后我爬了几千个岗位做了结构化分析。有几个发现可能对你有用：
“算法工程师”这四个字已经没有信息量了。 同样叫”算法工程师”的岗位，有的要推荐系统，有的要 CV，有的要 NLP，有的要搜索引擎，技能要求重叠度不到 30%。只看岗位名称投简历，命中率跟随机差不多。
JD 里写的”熟悉 xx 优先”才是真正的硬要求。 很多公司把真正的核心技能写在”加分项”或”优先”里而不是”必要条件”里。如果你只看”必要条件”来准备，很可能漏掉面试的重点。
同名岗位在不同大厂差异巨大。 字节的”推荐算法”和腾讯的”推荐算法”，名字一样，但字节更偏 AB 实验和工程落地，腾讯更偏模型创新和论文产出。同一份简历投这两家，可能一家拿面试一家石沉大海。
学历”门槛”和学历”实际要求”是两码事。 JD 写”本科及以上”的岗位，实际招的可能全是硕士。LLM 分析能从 JD 里的其他线索推断出真实偏好。
这些你手动看 JD 也能隐约感觉到，但跑几百个岗位结构化对比之后，结论就非常清晰了。
做了什么
FindJobs-Agent，一个 LLM 驱动的求职辅助系统。核心解决的就是”大厂官网几百个岗位你不可能一个个看”这个问题。
- 岗位批量爬取。 支持腾讯、字节、网易、Amazon、阿里、美团等大厂招聘页。API 爬取 + Selenium 双模式，一个命令拉几百个岗位的完整 JD，自动清洗格式化。你不用再一个个点进二级页面了。
# 一行命令拉腾讯和网易各 300 个岗位
python job_crawler_v2.py -c tencent netease -m 300
2. LLM 智能分析。 对每个 JD 做语义级别的解析：学历要求、专业方向、技能标签（带 1-5 分重要性评分）、岗位二级分类。不是关键词匹配，是真的读懂了 JD 在说什么。
跑完之后你会看到：
- 300 个”算法工程师”其实分成了”推荐算法”“CV”“NLP”“搜索”“风控”五个方向
- 每个方向的核心技能栈完全不同
- 哪些是必须有的，哪些是加分项，重要性几分
- 简历智能匹配。 上传你的简历（PDF/Word），自动提取你的技能标签和水平，跟每个岗位计算匹配度。排序输出：最匹配的在最前面，每个岗位标注了你具体缺什么技能。
这步省的时间最多。400 个岗位你不用逐个看了，直接看匹配度排名前 20 的就行。而且它告诉你缺什么，你可以针对性地补。
- AI 模拟面试。 选一个你要面的岗位，AI 根据那个岗位的 JD 生成面试题。不是通用八股，是针对那个岗位的。
前后端完整可跑，React 前端 + Flask API + LLM Agent。
跟 BOSS 直聘 / 牛客有什么不同
BOSS 直聘的”智能推荐”本质是关键词匹配。你简历写了 Python，JD 里有 Python，就算匹配了。但岗位真正要的可能是 Python + Spark + 特征工程 + AB 实验经验这个组合，只有 Python 根本不够。
而且 BOSS 直聘的岗位信息跟大厂官网不完全一致，JD 经常是精简版的。很多细节（团队方向、论文要求、具体技术栈版本）只有官网的 JD 才有。
牛客的面经很有用，但它是按公司整理的，不是按岗位的技能要求整理的。你可能花了两天准备操作系统和计网八股文，结果面的那个岗位压根不问这些。
FindJobs-Agent 的思路是：先用 LLM 读懂每个岗位的 JD，再用你的简历去匹配，然后告诉你投哪些、怎么准备。
AI 面试长什么样
选了一个”推荐算法工程师”的岗位，进入面试模式。AI 根据 JD 生成了这些问题：
Q1: 你在推荐系统中用过哪些召回策略？能对比一下双塔模型和图召回的优劣吗？ Q2: 描述一下你做过的一次 AB 实验。实验设计、分流方式、评估指标分别是什么？遇到过 peeking problem 吗？ Q3: 假设线上推荐系统的 CTR 突然下降了 5%，你会怎么排查？
注意：没有问”介绍一下 Transformer 的注意力机制”或者”TCP 三次握手”。因为这个岗位的 JD 没提这些。问题全是从 JD 的实际要求生成的。
回答完每道题会收到即时反馈：
你提到了协同过滤和双塔模型的对比，这部分答得不错。但 JD 里特别提到了”图谱召回”，建议补充图神经网络在推荐场景的应用（如 PinSage、LightGCN），以及如何处理稀疏图的冷启动问题。
比背八股文有针对性多了。面试官问的就是 JD 里的东西，你准备的也应该是。
一个真实案例
前面提到的那个学弟，用这个工具做了几件事：
- 先批量拉了腾讯 + 字节 + 网易的岗位，跑了一遍 LLM 分析
- 上传简历做匹配，发现自己投的 30 个”算法工程师”里，只有 8 个匹配度超过 60%
- 集中精力投那 8 个，简历针对性地改了一版，把匹配的技能突出放在前面
- 用 AI 面试模块练了两天那 8 个岗位的面试题
- 最后拿到了其中 3 家的面试机会，2 个 offer
工具只是辅助，他基础本身不错。但如果继续海投那 30 个不匹配的，大概率还是 0 回复。
谁用得上
应届生。 春招秋招的大厂官网，每家几百个岗位，你不可能全看。用这个工具先筛一遍，知道哪些值得投。
准备面试的人。 别背通用八股了。用 AI 根据你要面的那个具体岗位的 JD 出面试题，命中率高得多。
找工作最大的成本不是投简历的时间，是信息不对称。你不知道岗位真正要什么，就没法对症下药。这个工具帮你把几百个岗位的 JD 变成结构化的技能需求表，然后告诉你投哪些、怎么准备。
正在找工作的话试试看。有用请 Star，转发给正在春招秋招的朋友。
我的其他项目：
- NanoCoder：Claude Code 51 万行源码的 1300 行 Python 核心重写（260+★）：
https://github.com/he-yufeng/NanoCoder
- ContractGuard：AI 合同审查，签字前 30 秒找出霸王条款：
https://github.com/he-yufeng/ContractGuard
