投了哪些岗位、现在走到哪一步、接下来该准备什么——在一个工作台里接着做。
JobScout 是基于 DeerFlow 二次开发的 AI 求职应用。它把招聘官网的投递状态、目标岗位、面试准备和飞书岗位库连接起来：先看进展，再核对原文，最后带着岗位上下文准备下一轮。
快速部署 · 功能示例 · 架构与个人贡献 · 部署说明 · 实际评测
截图来自拦截全部网络请求的本地测试；公司、岗位和账号均为合成数据。查看手机界面。
以下是功能使用示例，不代表真实公司或真实投递结果。
你正在准备“远山科技 · 后端开发工程师”，同时跟进另外几家公司的笔试和面试。
- 把投递放进来。 添加自己在招聘官网的“我的投递”链接。如果一页里有多个岗位，JobScout 按能核对的岗位分别保存；遇到登录页，就等待你完成授权登录。
- 看看今天变了什么。 点击刷新。如果状态从“一面”变为“二面”，列表会展示变化；点击状态，可以看到官网原文、来源链接和检查时间，而不只是一个没有出处的标签。
- 带着这个岗位继续准备。 把记录关联到目标岗位，点击“准备下一轮”。岗位和当前阶段进入准备输入框，你确认后再发送；已有的准备对话也能继续。
- 把简历和要求放在一起看。 上传 PDF/DOCX 简历，结合 JD 进行准备；如果你有授权的飞书岗位库，还可以查看候选岗位及对应的简历原文依据。
- 回来看时，线索还在。 切换目标岗位会恢复对应会话；检查历史、手动修正和来源依据保留。删除一段历史对话，也不会顺手删掉目标岗位和投递记录。
面试准备可以这样开始：
我准备应聘远山科技的后端开发实习生，方向是 Python / AI Agent。
这是岗位 JD 和我的简历。请整理岗位要求、相关经历差距和有依据的面试准备问题。
没有可靠来源的公司信息不会补写成事实；缺少可核验经历时，报告会保留信息边界。JobScout 记录和辅助准备的对象是你自己的投递，关联目标岗位不会替你提交申请。
| 场景 | 你提供什么 | 工作台给你什么 |
|---|---|---|
| 集中跟进投递 | 本人的官网申请列表或详情链接 | 岗位记录、统一阶段、原文证据、检查历史与状态变化 |
| 准备下一轮面试 | 公司、岗位方向、招聘类型；可补充 JD 和简历 | 公司与岗位调研、来源明确的准备问题、简历差距与信息边界 |
| 从岗位库找方向 | 简历、已授权的飞书 Base/Wiki 链接 | 有记录标识的候选岗位、匹配依据、“保存并准备”入口 |
| 管理已有记录 | 手动整理或 CSV 导入的投递数据 | 环节筛选、单条/批量刷新、手动修正、CSV 导出和移动端卡片 |
| 补充招聘邮件 | 自行配置的只读 Gmail/IMAP 授权 | 邮件事件、来源与冲突提示；不会把模糊邮件直接当作状态确认 |
| 减少重复检查 | 自行设置刷新频率和每日额度 | 定时检查与确认变化后的站内通知；默认关闭 |
刷新和聊天可以同时进行。 两项任务各有状态与停止按钮；刷新完成后收到通知，你可以继续当前对话，也可以点击“查看结果”。桌面表格支持固定表头和独立滚动，窄屏改用卡片；历史对话支持搜索与确认后删除。
状态有依据，未知也有位置。 优先读取同站 JSON 与页面正文，已适配飞书/字节同结构、腾讯和小红书的部分 ATS 返回。适配范围是经过回放验证的具体结构，不是所有招聘网站。宽泛进度保留原话，投递日期需要明确原文，缺失或冲突项留待核对。
需要 Docker Compose v2.20+ 和 Python 3.10+。宿主机不需要安装前端、后端和浏览器依赖。
git clone https://github.com/Funkierry/JobScout.git
cd JobScout
python scripts/jobscout.py init编辑 .jobscout/.env 中的三个模型参数：
JOBSCOUT_MODEL=你的模型标识
JOBSCOUT_MODEL_API_KEY=你的模型API密钥
JOBSCOUT_MODEL_BASE_URL=https://你的服务商/v1模型需支持 OpenAI 兼容 Chat API 与工具调用。然后运行：
python scripts/jobscout.py doctor
python scripts/jobscout.py up打开 **http://localhost:2026**，创建管理员账号即可进入工作台。首次构建会下载依赖并编译上游能力中心；命令会等待健康检查通过后才报告启动成功。
服务器也可以直接拉取 按完整提交号标记的预构建镜像，省去现场安装依赖和编译。在 .jobscout/.env 设置 JOBSCOUT_DEPLOY_MODE=images 与已发布的 JOBSCOUT_IMAGE_TAG=sha-完整提交号，再运行同一个 up 命令。镜像模式要求 Compose 2.24.4+，当前发布 linux/amd64；具体版本获取、访问权限和升级步骤见镜像部署。
这套入口会为你准备：
- 独立配置目录：
.jobscout/，初始化不覆盖原来根目录的本地开发配置。 - 统一访问地址： JobScout 页面、API 和飞书能力中心共用一个入口，网页不再写死 localhost 后端。
- 完整浏览器依赖： 镜像中安装对应版本的 Chromium 与系统库。
- 持久化数据卷： 保存账号、会话、投递、上传文件和浏览器登录态。
- 首次账号设置： 新实例直接创建管理员；公开注册默认关闭。
- 维护命令： 查看状态和日志、备份数据、停止与重新构建。
python scripts/jobscout.py status
python scripts/jobscout.py logs
python scripts/jobscout.py backup
python scripts/jobscout.py down部署到服务器时，招聘网站登录怎么办？ 默认无头检查遇到登录会显示“需登录”。可启用私有远程浏览器，在 SSH 隧道中完成登录/验证码，再复用保存的登录态。完整步骤、HTTPS、备份和故障排查 →
默认服务仅绑定本机回环地址，适合个人自托管或可信小范围使用。模型调研和部分解析回退可能产生服务商费用；邮件和定时刷新默认关闭。公网多人使用还需要按实际场景完善配额、浏览器会话隔离及运维能力。
- 刷新不会把状态倒退： 两个标签页同时刷新同一岗位时复用已完成的检查；检查途中修改公司、岗位或备注，旧结果不会覆盖修改后的记录，也不会重复生成通知。
- CSV 可以往返导入： 投递页提供“导入 CSV”，接受英文模板和 JobScout 自己导出的中文表头；备注保留，公式形态的内容按文本编码导出。
- 研究有调用预算： 主研究 Agent 和子任务共用一次预算；单条投递检查中的状态提取与规划回退也共用预算。达到上限或供应商不返回用量后，停止继续调用。已发出的请求仍可能使最终用量超过阈值。
- 备份可以验证恢复：
backup暂停写入后归档，restore --archive ...恢复到空数据卷；CI 会演练恢复后的账号持久化。
目标岗位列表的读取合并为 3 次查询，SQLite 连接在事务结束后关闭。具体实现、验证方式与后续工作见可靠性改进记录。
本仓库新增的 JobScout 业务能力与 DeerFlow 上游基础设施分开维护：
| JobScout 新增/改造 | 主要代码 |
|---|---|
| 投递数据模型、存储、登录复用、状态/日期证据、跨域限量刷新 | application_tracker |
| 飞书/字节同结构、腾讯、小红书的确定性 ATS 解析 | adapters |
| 只读招聘邮件、事件抽取、门户/邮件合并 | |
| 定时刷新额度、专属调度入口、站内通知 | scheduling.py |
| 入口分类、线程锚点、按模式绑定工具、URL 白名单、结构化证据和固定模板 | jobscout |
| 飞书只读上下文与简历逐字计分、目标岗位联动 | JobScout Gateway |
| 独立求职工作台、流式报告、历史回放、导出与移动端 | jobscout-web |
| 私有快照/辅助标注、离线判分器、行为/触发评测与指标记录 | 评测与指标 |
DeerFlow 上游提供 Agent runtime、认证、工具与技能基础设施、持久化检查点、通用 scheduler 和原 Next.js 客户端。JobScout 复用这些能力，通过专属 assistant、应用中间件和部署开关隔离业务行为；不把上游能力计作个人新增成果。
图中只画本项目的业务组件；运行、认证和调度底座由 DeerFlow 提供。
flowchart TB
UI[JobScout 求职工作台] --> API[JobScout API / 目标岗位]
API --> T[投递检查流程]
T --> O[有界 JSON / 降噪 DOM 观察]
O --> A[ATS 确定性适配器]
A -->|未命中且允许| L[模型抽取 + 逐字校验]
A --> S[本地投递与证据存储]
L --> S
M[只读招聘邮件] --> E[事件证据校验 / 来源合并]
E --> S
Q[JobScout 调度入口 / 每日额度] --> T
S --> N[变更通知]
N --> UI
UI --> I[入口分类 / 线程锚点 / 工具白名单]
I --> R[三路研究 / 私有岗位匹配]
R --> V[来源白名单 / 引文与简历校验]
V --> D[固定模板报告]
D --> UI
数字来自 metrics.md，更新于 2026-10-04。当前仅有 20 条证据明确的辅助标签，另有 2 条待核对；未达到 50–100 条目标，尚未独立人工复核。开发快照没有独立留出集，不能宣称生产准确率。
| 指标 | 实际结果 | 范围 |
|---|---|---|
| ATS 接管率 | 15/20（75%） | 阶段 5，开发快照回放 |
| 接管内状态正确率 | 15/15（100%） | 仅已接管项，辅助标签 |
| 全集未知占比 | 5/20（25%） | 未运行模型回退 |
| 非空状态证据逐字率 | 15/15（100%） | 已接管 JSON 证据 |
| 全集投递日期正确率 | 2/20（10%） | 未确认字段不猜测 |
| 原触发集跑题漏放 / 误拒 | 0/12 / 0/12 | 24 条合成规则评测 |
| 新增上下文集跑题漏放 / 误拒 | 0/5 / 1/7 | 12 条合成规则评测 |
| 完整流程准确率、耗时、模型 token / 成本 | 待运行 | 真实模型基线与生产回退 |
| 真实邮件质量、调度成功率与通知延迟 | 待运行 | 默认未启用 |
护栏如何校验、不能保证什么，以及阶段前后对照，见 guardrails.md。未把测试通过数当作真实业务效果。
已有本地环境可以继续使用原来的两个启动入口：
# 在仓库根目录，分别放在两个终端运行
scripts/run-jobscout-gateway-local.cmd
scripts/run-jobscout-web-local.cmd打开 http://localhost:5500，Gateway 为 http://localhost:8001。依赖安装与根目录配置见上游安装说明。该分离端口模式需要 GATEWAY_CORS_ORIGINS 包含 http://localhost:5500；JobScout 中间件和严格线程绑定按入口配置启用。Docker 专用配置已包含这些 JobScout 开关。
离线回归使用合成页面与接口，不需要真实简历、招聘账户或模型密钥：
node jobscout-web/test_pure.js
backend/.venv/Scripts/python.exe -B jobscout-web/test_deployment.py
backend/.venv/Scripts/python.exe -B jobscout-web/test_ui.py
backend/.venv/Scripts/python.exe -B jobscout-web/test_history_scroll.py
backend/.venv/Scripts/python.exe -B jobscout-web/test_concurrency.py
# 在 backend 目录执行，阻断外网并禁用本地 dotenv
.venv/Scripts/python.exe -B scripts/jobscout_offline_tests.pyLinux/macOS 将 Python 路径替换为 backend/.venv/bin/python，或在 backend 目录使用 .venv/bin/python。
部署 CI 在临时 Linux 实例验证镜像构建、首次初始化、同域认证、持久化与 Chromium 启动；它不代表真实招聘网站和模型服务已经验收。前端测试还覆盖注册策略、连接重试、桌面/移动端、任务并发、取消及历史记录操作。
投递工作台按 每页 50 条加载，支持跨页环节筛选；新增记录不会把后续页面的游标挤乱。顶部总数与状态统计仍覆盖全部投递，CSV 导出与批量检查也保持完整范围。请求处理、分页状态、报告渲染与证据展示已拆为独立模块，页面仍无需构建即可运行。实现与性能边界见可靠性记录。
批量刷新完成后的“查看结果”展示本次最近完成的记录，即使它不在当前页；没有返回新结果时会明确提示。
| 想了解什么 | 文档 |
|---|---|
| 如何部署、升级、备份和登录招聘网站 | 部署指南 |
| 工作台如何操作、目标岗位如何联动 | 页面使用说明 |
| 状态来源、置信度、并发和取消规则 | 追踪策略 |
| 已适配哪些 ATS，如何回放验证 | ATS 适配器 |
| 报告如何校验引用和简历依据 | 证据校验 · 功能边界 |
| 邮件和定时功能如何开启 | 只读邮件 · 定时刷新 |
| 哪些结果已经测过，哪些仍待验证 | 指标记录 |
真实页面快照、简历、邮件和逐条预测保存在 gitignore 的本地目录；仓库只保存代码、合成 fixture 与汇总指标。启用模型抽取后，所需正文会发送给你配置的模型供应商。
基于 ByteDance DeerFlow，遵循 MIT License。上游 README 已原样移至 README_DEERFLOW.md，保留安装、架构、安全与贡献者说明；来源对应本地上游提交 f9f3127dc144f231acae9a522edd36ffbc96e439。