auto_job__find__chatgpt__rpa

GitHub
1.6k 221 中等 2 次阅读 3天前语言模型Agent
AI 解读 由 AI 自动生成,仅供参考

auto_job__find__chatgpt__rpa 是一个开源脚本,能帮你根据简历和职位描述自动生成个性化的求职信,并支持自动向国内招聘平台(如 Boss 直聘)的 HR 发送消息。它特别适合在求职季感到焦虑、投递量大但反馈少的朋友,用 AI 减轻重复劳动,提升沟通效率。

这个工具主要面向有一定动手能力的普通求职者或开发者,需要自行配置 OpenAI API,上传 PDF 简历后运行脚本即可。技术上结合了 ChatGPT 的文本生成能力与 RPA(机器人流程自动化),可自动创建助手、解析简历、撰写内容并模拟人工操作发送消息。支持 LangChain 和 Assistant 两种模式,兼顾灵活性与速度。

作者已转向开发更易用的付费版本“求职大师”(集成于 Sider 客户端),提供每日免费额度和更多平台支持。开源版仍完全免费,但需 Python 3.11 及以下环境运行。社区也有基于 JS 或 Azure 的简化分支,降低使用门槛。如果你愿意折腾,它是个温暖又实用的小帮手。

使用场景

一位刚毕业的计算机专业学生小李,正在秋招季疯狂投递国内互联网公司的岗位,每天要手动改写十几封不同风格的求职信,并在Boss直聘上逐个给HR发消息。

没有 auto_job__find__chatgpt__rpa 时

  • 每次投递新岗位都要花半小时重写求职信,既要贴合JD又要突出自身优势,效率极低还容易出错
  • 在Boss直聘上手动复制粘贴打招呼语、上传附件、点击发送,重复操作几十次后手指发麻,还可能漏发或发错公司
  • 不同公司对简历重点要求不同,自己写的cover letter经常词不达意,HR回复率不到5%
  • 晚上加班改简历时精神疲惫,写出来的内容缺乏针对性,甚至出现把A公司名字写进B公司求职信的尴尬错误
  • 投递节奏难以量化管理,经常忘记哪些岗位已投、哪些待跟进,错失黄金反馈期

使用 auto_job__find__chatgpt__rpa 后

  • 只需上传一份PDF简历和目标岗位描述,auto_job__find__chatgpt__rpa 自动调用ChatGPT生成高度定制化的求职信,3分钟完成原本半小时的工作
  • 脚本自动登录Boss直聘,按预设话术+个性化求职信批量发送消息,支持定时分批投递,避免被平台判定为骚扰
  • 基于AI理解JD关键词,自动生成匹配度更高的内容,小李收到的面试邀约率从5%提升至35%
  • 所有投递记录和生成内容自动本地存档,方便回溯修改和复盘优化,再也不会张冠李戴
  • 支持设置每日限额(如免费版30次/天),帮助小李科学分配精力,避免盲目海投

auto_job__find__chatgpt__rpa 让求职者从机械劳动中解放出来,把时间真正花在打磨核心竞争力和准备面试上,而不是重复敲键盘。

运行环境要求

GPU

未说明

内存

未说明

依赖
notes需配置OpenAI API密钥,简历PDF需命名为“my_cover.pdf”并放入指定文件夹,首次运行会生成assistant.json,建议使用Python 3.11或更低版本以兼容faiss-cpu。
python3.11及以下
python-dotenv
openai
selenium
robotframework
robotframework-seleniumlibrary
faiss-cpu
auto_job__find__chatgpt__rpa hero image

快速开始

作者已经去打工了,现在在 sider 担任产品经理,义务为我们的产品打个广告,各位见谅
banner

欢迎大家使用

更加便于操作的付费版本

目前该版本已下架,您可以在微软商店下载 Sider Windows 客户端,找到“求职大师”功能,每天可免费使用三十次(现已上线);同时还将加入 LinkedIn 和 Boss 直聘职位筛选功能(最晚十月底前推出);

正文

这是一个完全免费的脚本,只需您自行配置好 OpenAI 的 API 即可。

希望您能给我点个 star

如果在这个寒冷的招聘季,这个脚本能为您带来些许帮助与温暖,我将深感荣幸。

恳请不要有人拿我的脚本去割韭菜——都已经被逼到用这种脚本投简历的地步了,身上应该也没啥油水可榨了吧。

操作步骤

  1. 请先配置好 OpenAI 的 API(可通过 .env 文件或直接在代码中配置)
  2. 将 PDF 简历上传至 auto_job_find 文件夹,并命名为 “my_cover.pdf"
  3. 安装所需依赖包
  4. 执行 write_response.py

关于 assistant(助手)

脚本会自动生成 OpenAI 的 assistant(助手),并在本地生成一个 .json 文件。该文件仅在首次运行时创建,后续运行若检测到此文件,将直接调用已存在的 assistant。

使用到的包

  • python-dotenv
  • openai
  • selenium
  • robotframework
  • robotframework-seleniumlibrary
  • robotframework-pythonlibcore
  • faiss-cpu(不支持 Python 3.12,faiss-gpu 是否支持尚不清楚)。建议使用 Python 3.11 及以下版本运行本脚本。 —— 来自 @huanmit

关于 RPA(机器人流程自动化,Robotic Process Automation)

学习 RPA 的教程视频

插件:Intellibot@Selenium Library

------------------以下是简易教学视频---------------------

B站链接

YouTube 链接

运行方式

首先将本项目 clone 到本地,然后在项目根目录执行:

pip install -r requirements.txt

使用 assistant 方式运行

打开 .env 文件,配置好 OpenAI 的 API key。
随后将 PDF 简历上传至 auto_job_find 文件夹,命名为 “my_cover.pdf”。接着执行 write_response.py 即可。
此方式不支持自定义 API,但执行速度更快。
如需使用自定义 API,请使用下方方式运行。

使用 langchain 方式运行

同样打开 .env 文件,配置好 OpenAI 的 API key 以及您想请求的 API 地址。
随后将 PDF 简历放入 resume 文件夹。
最后执行 write_response.py 即可。

使用 ChatGPT-4 及以上版本的方式

若您尝试使用更新版的 ChatGPT,则不能保持版本为 v1.1.1。若报错信息如下:

An error occurred: Error code: 400 - {'error': {'message': "The requested model 'gpt-4o-mini' cannot be used with the Assistants API in v1. Follow the migration guide to upgrade to v2: https://platform.openai.com/docs/assistants/migration.", 'type': 'invalid_request_error', 'param': 'model', 'code': 'unsupported_model'}}

  1. 请手动将 chatgpt 升级至最新版:
pip install --upgrade openai
  1. 并修改 create_assistant 中的结构体,具体参考模型迁移指南。建议直接在平台上手动创建最新版 assistant,再将代码复制到 assistant.json 中,最为便捷。
{"assistant_id": "asst_token"}

------------以下是其他开发者基于 JS 构建的更易用版本---------------

我一直思考如何降低大家的使用门槛。从当前项目的热度来看,很多朋友确实需要这类工具的帮助,但我相信对更多人来说,甚至连 VPN 都是个障碍。

下面这位朋友基于 JavaScript 实现了一个更简易的版本。虽然因调用的是免费 API,无法使用 assistant 进行检索(retrieval),需自行对简历做简单处理,但我仍认为这是个很棒的项目。

感谢这位朋友的贡献,项目链接如下:

https://github.com/noBaldAaahttps://github.com/noBaldAaa/find-job

------------以下是其他开发者基于 Azure OpenAI API 构建的更易用版本--------------- https://github.com/LouisCaixuran/auto_job_find_azure

常见问题

相似工具推荐

stable-diffusion-webui

stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面,旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点,将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师,还是想要深入探索模型潜力的开发者与研究人员,都能从中获益。其核心亮点在于极高的功能丰富度:不仅支持文生图、图生图、局部重绘(Inpainting)和外绘(Outpainting)等基础模式,还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外,它内置了 GFPGAN 和 CodeFormer 等人脸修复工具,支持多种神经网络放大算法,并允许用户通过插件系统无限扩展能力。即使是显存有限的设备,stable-diffusion-webui 也提供了相应的优化选项,让高质量的 AI 艺术创作变得触手可及。

162.1k|★★★☆☆|今天
开发框架图像Agent

everything-claude-code

everything-claude-code 是一套专为 AI 编程助手(如 Claude Code、Codex、Cursor 等)打造的高性能优化系统。它不仅仅是一组配置文件,而是一个经过长期实战打磨的完整框架,旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能,everything-claude-code 能显著提升 AI 在复杂任务中的表现,帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略,使得模型响应更快、成本更低,同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库,还是需要 AI 协助进行安全审计与自动化测试,everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目,它融合了多语言支持与丰富的实战钩子(hooks),让 AI 真正成长为懂上

139k|★★☆☆☆|今天
开发框架Agent语言模型

ComfyUI

ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎,专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式,采用直观的节点式流程图界面,让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景,也能自由组合模型、调整参数并实时预览效果,轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性,不仅支持 Windows、macOS 和 Linux 全平台,还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构,并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者,还是追求极致创作自由度的设计师与资深 AI 绘画爱好者,ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能,使其成为当前最灵活、生态最丰富的开源扩散模型工具之一,帮助用户将创意高效转化为现实。

107.7k|★★☆☆☆|2天前
开发框架图像Agent

NextChat

NextChat 是一款轻量且极速的 AI 助手,旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性,以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发,NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。 这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言,它也提供了便捷的自托管方案,支持一键部署到 Vercel 或 Zeabur 等平台。 NextChat 的核心亮点在于其广泛的模型兼容性,原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型,让用户在一个界面即可自由切换不同 AI 能力。此外,它还率先支持 MCP(Model Context Protocol)协议,增强了上下文处理能力。针对企业用户,NextChat 提供专业版解决方案,具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能,满足公司对数据隐私和个性化管理的高标准要求。

87.6k|★★☆☆☆|今天
开发框架语言模型

ML-For-Beginners

ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程,旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周,包含 26 节精炼课程和 52 道配套测验,内容涵盖从基础概念到实际应用的完整流程,有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。 无论是希望转型的开发者、需要补充算法背景的研究人员,还是对人工智能充满好奇的普通爱好者,都能从中受益。课程不仅提供了清晰的理论讲解,还强调动手实践,让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持,通过自动化机制提供了包括简体中文在内的 50 多种语言版本,极大地降低了全球不同背景用户的学习门槛。此外,项目采用开源协作模式,社区活跃且内容持续更新,确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路,ML-For-Beginners 将是理想的起点。

85k|★★☆☆☆|今天
图像数据工具视频

ragflow

RAGFlow 是一款领先的开源检索增强生成(RAG)引擎,旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体(Agent)能力相结合,不仅支持从各类文档中高效提取知识,还能让模型基于这些知识进行逻辑推理和任务执行。 在大模型应用中,幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构(如表格、图表及混合排版),显著提升了信息检索的准确度,从而有效减少模型“胡编乱造”的现象,确保回答既有据可依又具备时效性。其内置的智能体机制更进一步,使系统不仅能回答问题,还能自主规划步骤解决复杂问题。 这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统,还是致力于探索大模型在垂直领域落地的创新者,都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口,既降低了非算法背景用户的上手门槛,也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目,它正成为连接通用大模型与行业专有知识之间的重要桥梁。

77.1k|★★★☆☆|2天前
Agent图像开发框架