← 项目

dsh-find-jobs — 个人求职 Agent 插件

挂在 DeepSeek Harness 上的求职 Agent——不是求职网站，也不是聊天框，而是「了解我，然后替我持续找出真正值得投的岗位」。

• TypeScript
• Agent / Skill 编排
• 浏览器自动化
• 反爬风控
• 插件架构
• Node 22

Agent 插件 · TypeScript · 2026

源码 · GitHub

概览

它到底做了什么

用户一句话（「我想找美国 Remote 的 AI Engineer，5 年经验，180K 以上」），Agent 自主走完：

理解求职目标 → 建立 / 更新 Job Profile → 搜索岗位
→ 精读 JD → 判断匹配 → 筛掉垃圾岗位 → 只报值得投的 Top N（附原因）

边界划得很清楚——MVP 明确不做简历修改、Cover Letter、面试准备、Application Tracking，尤其不做自动投递：「不要给 LLM 一个黑盒自动投递工具。」这是价值观，也是风险控制的底线。

难点与解法

1. 招聘站的风控，决定了架构而不是事后补丁

最初的做法是搜索后点开岗位卡片拿详情——直接触发风控。改成列表与详情在同一次浏览会话内抓齐，不在调用之间二次导航，Boss 详情改走 job_detail 直连 URL。这不是「加个重试」，而是把抓取时机前移到一次会话里，从源头避开反直链。

2. 两个站点，两种无限滚动——机制完全不同

Boss 是 append：DOM 只增不减，滚到底、数字达到 limit 即停。

小红书是 virtualized：DOM 只保留视口，必须每轮自然滚 300px、evaluate 当前 .note-item 的 outerHTML、再按 data-note-id 增量去重，最多 20 轮。

解法是把滚动抽象成 listScroll 声明，机制由 bskRunner 通用实现，适配器只声明 mode 和自己的计数/快照规则，不写死任何站点选择器。实测：Boss 滚动抓 25+ 条通过，小红书 43 条通过。

3. 多用户 / 多会话下，进程级串行链会互相掐死

一开始用进程级的 bskCommandChain 排队浏览器命令——多用户并发时会互相阻塞、抢同一个浏览器窗口。改成按运行域隔离：每个 agent / session 一个运行域，各自持有独立的命令队列、常驻自动会话和列表 tab；命中失效会话（daemon 重启 / 会话过期 / 断连）时自动停旧重建，并整体重试一次。

4. Token 成本要按「文件是唯一真源」来设计

完整 JD 塞进工具返回值，几屏就烧完上下文。做法是反过来的：

• search_jobs 先存档：每岗完整记录落盘 jobs/<id>.json，index.json 做索引，只返回轻量摘要（不含 JD）；
• Agent 要精读某岗，再单独读那个文件；
• match 即缓存：画像没变就复用已有评估结果，skip 的岗位连详情文件都不读；
• index.json 条目带 match 轻量标识，判断「已评 / 未评、apply / skip」只读索引即可，不必逐个开文件。

5. 同一个口径，出现在三个地方就一定会分叉

匹配档位（match_level / recommendation）和阈值唯一定义在 AGENTS.md，由技能落地，禁止在工具或其他文案里另写一套。

更狠的一次取舍：原本有一套确定性权重规则引擎（技能/年限/薪资/远程/地点加权打分），后来整个删掉——score_job 工具和 src/match/ 目录一起移除，评估全部移进 job-match 技能，交给 Agent 做业务判断。分数降级为「量化信号」，结论以业务事实为准（薪资必须先统一币种与周期）。

架构

job-hunter            总工作流（编排器：先看画像 → 选最小工作流 → 分流 → Top N 汇报）
   ├── job-search     搜索：把用户原话转成 search_jobs 参数，多源并行，返回即自动存档
   └── job-match      匹配评估：5 步业务判断 → 统一结果卡

技能不硬编码在代码里，而是 repo 内 skills/<kebab-name>/SKILL.md，随插件自动注册进 dsh——改 prompt 策略不用重新编译。

三个工具 / 库：

一条硬性工程约束：工具内不能调 LLM（工具执行上下文里没有 ctx）。LLM 的理解动作只发生在 Agent loop 里，工具只做确定性的事——这条约束把「什么该进代码、什么该进 prompt」这条线画得很清楚。

匹配档位（全项目唯一权威词表）

致命硬冲突（强制 onsite 而用户只要 Remote、薪资远低于底线、卡应届/年龄、命中 avoid 名单）→ 直接 skip，即使分数偏高。

每岗统一输出结果卡：match_score / match_level / matched / gaps / concerns / recommendation / reason。评估结果写回 jobs/<id>.json 顶层并同步 index.json——既是结论，也是缓存。

岗位清单的落盘结构

<cwd>/jobs/
├── index.json      索引：id → file、first/last_seen、match 轻量标识
└── <id>.json       每岗完整记录（唯一真源）：search 字段 + 完整 JD + match / note

验证与质量

Roadmap

安全与隐私

• 实时抓取只读已登录的招聘站，从不外发数据；存档文本只落在本地会话目录。
• 岗位链接可能含平台凭据参数（如小红书的 xsec_token，有时效），jobs/ 目录已 gitignore。
• 使用 bsk 即把浏览器控制权交给本工具进程，只在可信环境运行。
• 数据源可扩展：实现一个 SiteAdapter（3 个纯函数）→ 在 ADAPTERS 注册表登记 → 加进 Config.sources，即接入猎聘 / 拉勾等新源，滚动抓取复用通用实现、无需重写。

其他作品

AI问答搜索

用户一句口语化的选址需求，AI 自动筛选匹配园区资源，输出文字推荐 + 多张候选园区卡片，可点开详看，也能继续追问深挖参数与入驻条件。

企业级知识库（LLM 驱动）

把企业散落在 PDF、Word、表格、网页里的文档，变成一个能语义检索、能多跳推理、能追问出处的知识入口——不是「文档搜索框」，而是「读得懂、引得出、也敢说不知道」的企业知识层。

GEO 月度复盘报告 PPT（Skill 链）

把「拉数据 → 出大纲 → 出片」拆成三个各司其职的 Skill——AI 负责理解与撰写，Skill 负责口径与结构，代码只做确定性的事。