ai-job-search 项目 /expand 命令深度解析：从文档与在线足迹系统化扩充候选人能力画像

AI 应用AI 技能【免费下载链接】ai-job-searchThe job search that runs on your machine. AI job application framework built on Claude Code: evaluate postings, tailor CVs, write cover letters, prep interviews. Fork it and own it.项目地址https://gitcode.com/GitHub_Trending/ai/ai-job-search点击查看免费下载导读/expand是 ai-job-search 项目基于 Claude Code 的 AI 求职申请框架中的一条核心命令用于从候选人已有的文档与公开在线足迹中发现并增量扩充能力画像。本文以 .claude/commands/expand.md 为骨架结合 tests/test_expand_command.py 的契约测试与 .claude/skills/job-application-assistant/SKILL.md 的技能框架完整讲解其 6 步执行流程、双轨网络增强方法、能力地图的六类分组、用户确认机制与纯增量、可溯源、幂等的三条工程底线。读完本文你将掌握如何在/setup之后立即运行/expand把简历、LinkedIn 导出、学位证、推荐信与 GitHub 仓库中隐含的技能信号系统性地挖掘出来并以带来源标注的方式写回档案。一、命令定位/expand在整个求职框架中的角色在 ai-job-search 中候选人信息的主仓库是.claude/skills/job-application-assistant/下的两份档案文件01-candidate-profile.md承载身份、教育、工作经历、独立项目、技术技能、论文、奖项与推荐人02-behavioral-profile.md承载行为测评、核心驱动力、最强特质、理想工作方式与成长区。这两份档案由/setup命令从documents/目录中的原始材料简历、LinkedIn 导出、学位证、推荐信、项目文档生成。但正如 README.md 所述/setup只提取文档中明确写出的内容而候选人的能力往往还隐藏在公开在线足迹中——GitHub 仓库的技术栈、未置顶仓库、课程/证书的官方 syllabus、推荐信里的措辞。/expand正是为此而生它扫描你已关联的公开来源GitHub 仓库、作品集站点、Kaggle、Google Scholar并查询具名课程与证书的教学大纲把发现的能力以带来源标签的方式追加进档案。项目的 CHANGELOG.md 将该特性记录为 /expandproject and portfolio expansion其定位是 expands candidate discovery且配套了独立的契约测试文件说明这条命令是框架的正式组成部分而非临时脚本。何时使用README 建议在/setup之后立即运行一次用于浮出仅凭文档无法显性化的技能面。此后每次新增证书、课程或公开项目时可随时重跑——命令本身被设计为幂等的见下文来源标注机制。二、总体工作流六步严格顺序/expand的命令文档明确要求Follow these steps exactly in order. Do not skip steps。完整链路如下步骤名称核心动作产物Step 0读取现有档案并行读取两份 profile 文件并全程持有避免重复提议的去重基准Step 1全源发现依次扫描 cv / linkedin / diplomas / references / GitHub / 其他 URL候选经验项清单Step 2网络增强对每个经验项执行直接查找 推断双轨每个经验项的能力列表Step 3构建能力地图六类分组、去重、记录来源去重后的能力地图Step 4展示分组摘要呈现新增能力清单给出 all/review/skip 三选用户确认Step 5写入确认项仅追加确认内容到两份档案带来源标注的档案更新Step 6总结报告输出新增项、来源、跳过项与需人工复核项收尾报告契约测试 test_expand_command.py 对命令规范做了机器可验证的约束文件必须以# /expand开头、必须覆盖全部五类本地发现源、必须把 GitHub 项目映射到Independent Projects章节、必须强制纯增量与先确认再写入原则。这些测试实际上把命令的设计承诺固化成了可回归的规范——后续任何对 expand.md 的修改都不得破坏这些承诺。三、Step 0先读档案全程持有杜绝重复命令的第一步是并行读取两份档案.claude/skills/job-application-assistant/01-candidate-profile.md.claude/skills/job-application-assistant/02-behavioral-profile.md读取后这些内容必须全程保持在上下文中且后续步骤不得重复读取。这一设计有双重意图去重基准Step 1 发现的任何经验项都要与档案已有内容比对已存在的能力在 Step 3 被移除从而保证all确认不会产生重复条目。上下文一致性Step 5 写入时必须追加到对应章节并匹配既有结构这要求写入时刻仍清楚档案原貌——例如01-candidate-profile.md的独立项目区格式为- **[PROJECT_NAME]**: [DESCRIPTION]新条目必须沿用该格式而非另起炉灶。从01-candidate-profile.md的模板可以确认档案的章节骨架Identity、Education、Professional Experience、Independent Projects、Technical Skills含Programming ML/Domain Expertise/Software Tools三个子区、Publications、Awards、References02-behavioral-profile.md则包含Overview、Core Behavioral Drives、Strongest Behaviors、How You Work Best、Growth Areas、Mapping to Job Posting Language、Management Style Preferences、Using This in Applications。这些章节正是 Step 5 追加目标位置的依据。四、Step 1六路信息源的全源发现命令按固定顺序扫描所有可用来源对每个来源提取经验项experience items——任何暗示技能、知识或能力的素材。1a.documents/cv/— 主简历按 documents/README.md 的说明该目录存放最完整、未经裁剪的主简历支持.pdf与.tex。此处提取五类信息每一门课程或模块含大学课程与在线课程每项认证及其颁发机构和日期每一条工作职责要点工具、方法、成果每个独立项目或副业项目每个志愿或课外角色。1b.documents/linkedin/— LinkedIn 导出该目录存放 LinkedIn Save to PDF 导出的结构化档案仅.pdf多份时取最近修改者。提取项包括Licenses Certifications区的课程与认证、技能与认可列表、志愿经历、项目区以及任何CV 中尚未出现的平台特有项——这正是文档单独无法显性化信息的典型来源。1c.documents/diplomas/— 学位证书与成绩单提取成绩单上列出的所有课程/模块名称、论文题目与研究领域、专业方向或轨track名称。该目录的文件命名如msc_physics_ucph_2025.pdf不影响解析。1d.documents/references/— 推荐信推荐信的价值在于第三方措辞。命令要求提取推荐人使用的能力语言他们提到哪些技能与品质、以及点名提到的具体项目、工具或方法。这类内容天然已是能力表述Step 2 无需再做网络查找直接记录即可。1e. GitHub Profile — 全量仓库扫描从01-candidate-profile.md的Identity区取得 GitHub 用户名或 URL然后用 WebFetch / WebSearch 获取公开主页与置顶仓库对每个仓库抓取 README记录名称、描述、主要语言、主题/标签以及 README 中点名的框架与库若该仓库是独立的真实技术项目非空壳 stub、非未定制的 fork则提取项目摘要问题域、技术栈、可验证的技术成果归入 Independent Projects额外拉取完整仓库列表以捕获未置顶仓库——命令明确强调unpinned repos often contain significant competency signals因为能力信号未必出现在置顶位。若档案中找不到 GitHub 用户名/URL则跳过该来源并明确记为 skipped绝不编造。1f. 档案中的其他 URL检查01-candidate-profile.md中是否有其他链接作品集、个人网站、Kaggle、Google Scholar、ResearchGate、论文链接逐个抓取页面并提取提到的工具、方法、数据集、奖项与技能。契约测试test_expand_covers_all_discovery_sources断言命令文本必须同时包含documents/cv/、documents/linkedin/、documents/diplomas/、documents/references/与GitHub Profile五类本地源同时test_expand_maps_github_projects_to_independent_projects_section断言不得依赖documents/projects/目录——即 GitHub 发现的项目走独立通道进入档案与本地项目文档互不混淆。五、Step 2双轨网络增强——直接查找 × 能力推断对 Step 1 发现的每个经验项命令要求同时应用两种增强方法do not choose one over the other方法 A直接查找显式工具与框架若经验项点名了具体工具、框架、库、方法或平台直接检索其官方能力清单典型查询模板[Course name] [Provider] syllabus learning outcomes[Certification name] skills covered exam guide[Tool/framework name] skills what you learn取最相关页面抽取能力列表。方法 B能力推断从描述与上下文出发无论方法 A 是否命中都从经验项本身的描述出发推理三个问题该经验项解决什么问题域problem domain完成这类工作需要哪些方法、技能或知识这类工作的标准工具链standard toolchain是什么两种方法的结果合并为每个经验项的唯一能力列表。优先级指引命令还给出了查什么、不查什么的明确分界场景策略具名在线课程Coursera、edX、Udemy、LinkedIn Learning、DataCamp、fast.ai 等优先网络查找具名认证AWS、GCP、Azure、Databricks、Tableau 等优先网络查找有标准大纲的大学课程优先网络查找README 点名具体技术的 GitHub 仓库优先网络查找未点名工具的通用工作职责要点仅推断不查网络含糊的项目描述仅推断推荐信语言本身已是能力表述直接记录不查网络这一查网络 做推断永不二选一的约束在02-behavioral-profile.md的模板中有呼应该档案的 Overview 区注明测评结果可来自 PI、DISC、Myers-Briggs、StrengthsFinder 或自评与/expand把间接信号与显式测评并重的取向一致。六、Step 3构建去重能力地图所有经验项增强完成后按以下六类分组Technical Skills — Primary日常工作常用的核心语言、框架、方法Technical Skills — Secondary用过但不作为主力的工具Domain Knowledge领域专长如地球物理、ML、NLPMethods and Practices敏捷、版本控制、可复现性、测试等实践Soft / Behavioral来自推荐信与项目描述的领导力、沟通、协作信号Independent Projects Portfolio来自 GitHub 的独立技术项目含问题域、技术栈与关键技术里程碑。每个能力条目必须记录三项元数据能力名称、来源项例如Coursera — Deep Learning Specialisation、GitHub — repo-name、Reference letter — Jens Jensen、以及来源方式方法 A 直接查找 / 方法 B 推断 / 两者兼有。每个项目条目记录项目名、一行摘要解决的问题 技术栈 可验证的成果/影响、来源如GitHub — repo-name。最后移除 Step 0 档案中已存在的任何内容——这一步完成去重是不产生重复承诺的落点。七、Step 4分组摘要与用户确认在写入任何文件之前命令以固定格式呈现全部新增能力供用户审阅格式模板如下## /expand found [N] new competency signals across [M] sources **COURSES CERTIFICATIONS** Source: [Course/cert name — Provider] [Competency 1] [Competency 2] **PROJECTS PORTFOLIO** Source: [GitHub — repo-name] [Project Name]: [Problem, stack, and outcome] **GITHUB — [repo-name]** Source: README inferred from tech stack [Competency 1] **JOB RESPONSIBILITIES — [Company, Role]** Source: CV bullets direct tool lookup [Competency 1] **BEHAVIORAL SIGNALS** Source: [Reference letter — Name / LinkedIn About / Project leadership] [Signal 1]随后命令必须等待用户响应提供三个选择all— 将以上全部加入档案review— 逐个来源分组逐一过目skip— 取消且不写入任何内容 或列出要跳过的具体分组例如 skip GitHub, add everything else。契约测试test_expand_enforces_additive_and_confirmation_principles断言命令文本必须同时包含all、review、skip三个选项与Additive only、User confirms before writing两条原则——确认机制是被测试固化的硬性承诺。这一先呈示、后落盘的设计使能力扩充始终处于候选人的知情控制之下。八、Step 5写入确认项——纯增量、带来源、幂等确认后命令仅对确认项执行Edit 工具的追加操作绝不重写整个文件Use the Edit tool to add to the relevant sections of each file — do not rewrite entire files。对01-candidate-profile.md的追加规则独立项目 → 追加到## Independent Projects格式为- **[Project Name]**: [Description with stack and outcome] *(GitHub — repo-name)*技术技能主/次→ 追加到 Technical Skills 区领域知识 → 追加到 Domain Knowledge 或 Technical Skills 区匹配既有结构方法与实践 → 相应位置追加。每一条新增都附带来源标注放在注释或括号中例如*(Coursera — Deep Learning Specialisation)*、*(GitHub — project-name)*。这一标注是幂等性的关键后续再次运行/expand时Step 0 的档案内容 来源标注即去重基准同一来源的同一能力不会重复追加。对02-behavioral-profile.md的追加规则软性/行为信号 → 追加到Strongest Behavioral Traits或How I Work Best匹配既有结构推断型行为信号必须强制标注*[Inferred from reference letter — Name / review before relying on this]*。这一标注规则呼应了档案模板中的Dont overstate一节——行为信号尤其容易过度解读命令通过强制标注让候选人对推断来的特质保持批判性审视。九、Step 6总结报告写入完成后输出结构化报告包含五个板块## /expand Complete ### Added to 01-candidate-profile.md [每项新增能力/项目及其来源] ### Added to 02-behavioral-profile.md [每项新增行为信号及其来源] ### Sources processed [每个扫描过的来源及其产出的能力数量] ### Sources skipped [缺失、为空或未产出新增项的来源附简要原因] ### Needs manual review [含糊、部分可读、或网络查找未返回清晰大纲的条目]Sources skipped板块与 Step 1 的跳过来源须显式记录构成闭环——全流程对每个来源都有处置痕迹Needs manual review板块则把无法确认的事实显式移交人工与项目SECURITY.md强调的未验证内容不得当事实使用的安全取向一致。十、七条设计原则命令的工程契约命令文档末尾以 Design Principles 形式固化七条约束它们共同定义了/expand的行为边界纯增量Additive only永不修改既有档案内容只追加来源可溯源Source-traceable每条新增都记录出处使后续运行幂等且用户可逐条验证或移除双轨永不二选一Both approaches, always具名课程同时获得官方 syllabus 与推理能力列表先确认后写入User confirms before writing完整能力地图在触碰任何文件前先展示并获确认行为信号必须标注Behavioral signals are labeled从语气、语言或间接信号推断的内容一律标记为 inferredGitHub 全量扫描GitHub is fully scanned检查全部公开仓库不限于置顶——未置顶仓库常含重要能力信号项目以代码为锚Portfolio projects grounded in code写入档案的独立项目必须来自公开 GitHub 仓库中的真实项目绝不虚构项目声明。这些原则在 tests/test_expand_command.py 中被逐条断言文件存在性与首行格式、五类发现源覆盖、GitHub→Independent Projects 映射且不误用documents/projects/、all/review/skip与增量/确认原则的强制包含。测试即规范规范即测试这保证了命令文档在项目演进中不被悄然破坏。十一、与框架其他模块的协同从 .claude/skills/job-application-assistant/SKILL.md 的参考文件表与 documents/README.md 可以看清/expand在框架中的上下游关系上游是/setupdocuments/目录是/setup的输入也是/expand四类本地来源的输入/setup生成的两份档案文件是/expand的读取基准与写入目标下游是求职产出链路扩充后的档案被04-job-evaluation.md岗位匹配打分与05-cv-templates.md/06-cover-letter-templates.md定制 CV 与求职信消费——能力地图越完整、来源越可信后续匹配与定制就越精准数据血缘一致documents/README.md明确projects/目录的项目摘要同样汇入01-candidate-profile.md的## Independent Projects与/expand的 GitHub 通道殊途同归但契约测试刻意把两者分开避免来源混淆。值得一提的边界是 .claude/settings.json工作区权限清单中并未给/expand配置任何 Bash 白名单说明该命令的设计意图是纯工具类操作Read、Glob、Grep、WebFetch、WebSearch、Edit、Write、AskUserQuestion 均属 Claude Code 内置能力不依赖外部 CLI因此在任何允许该 Skill 的会话中都可直接运行无环境前置要求。结语把能力发现变成可审计的工程流程/expand的独特之处在于它把求职场景中最模糊的一步——我到底还有哪些技能没写出来——变成了一条步骤严格、双轨证据、用户确认、逐条溯源、测试护航的流水线。从 .claude/commands/expand.md 的命令规范到 tests/test_expand_command.py 的契约断言每一层都在回答同一个问题如何在不虚构、不重复、不越权的前提下把候选人文档与公开足迹中的能力信号完整地、可验证地沉淀进档案。对任何 fork 并使用 ai-job-search 的求职者而言/setup之后的第一件事就是运行/expand。赞分享AI 应用AI 技能【免费下载链接】ai-job-searchThe job search that runs on your machine. AI job application framework built on Claude Code: evaluate postings, tailor CVs, write cover letters, prep interviews. Fork it and own it.项目地址https://gitcode.com/GitHub_Trending/ai/ai-job-search点击查看免费下载相关推荐AI Job Search 候选人画像指南从 Candidate Profile 到简历、求职信与面试准备AI Job Search 候选人画像指南从 Candidate Profile 到简历、求职信与面试准备 本文聚焦 ai job search 框架中求职流AI 应用AI 技能ai-job-search 的 /apply 命令深度解析Drafter-Reviewer 双 Agent 求职申请工作流ai job search 的 /apply 命令深度解析Drafter Reviewer 双 Agent 求职申请工作流 导读 /apply 是 ai joAI 应用AI 技能AI Job Search 框架 /setup 命令深度解析从原始材料到可运行求职档案的三条配置路径AI Job Search 框架 /setup 命令深度解析从原始材料到可运行求职档案的三条配置路径 /setup 是 AI Job Search 框架的档案AI 应用AI 技能上一篇ClawX 计算机使用键位修复与模型输入元数据推断CUA 边界上的 cmd 修饰键与 vision 能力补全指南下一篇fragments 安装与部署指南:5 分钟跑通一个 AI 生成应用的 Next.js 模板创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考