自动求职：人工智能一夜之间申请 1000 个职位，获得 100+ 个面试机会！

在当今快节奏和竞争激烈的就业市场中，寻找和获得理想工作既耗时又令人疲惫。这个过程通常涉及无休止的浏览职位列表、定制每一份申请以及重复填写表格——所有这些都可能导致求职疲劳和错失机会。这里有Auto_Jobs_Applier_AIHawk，您的AI驱动求职助手，旨在自动化申请过程，提供个性化推荐，并显著提高您获得心仪职位的机会。

本综合指南将带您了解有关Auto_Jobs_Applier_AIHawk的所有信息，从理解其关键特性到有效安装、配置和使用该工具。无论您是技术爱好者还是希望简化申请过程的求职者，本指南都能为您提供帮助。

目录

1. 现代求职的挑战
2. 介绍Auto_Jobs_Applier_AIHawk
3. 关键特性
4. 安装指南
5. 配置设置
6. 使用指南
7. 常见问题排查
8. 高级配置
9. 为项目贡献
10. 结论

现代求职的挑战

在数字时代，求职的环境发生了巨大的变化。像 LinkedIn、Indeed 和 Glassdoor 这样的在线平台使得获取工作机会变得更加民主化，让寻找潜在职位变得前所未有的容易。然而，这种可获取性的增加也带来了自己的一系列挑战：

• 选择过于繁多： 工作列表的数量之多可能令人不知所措，使得识别最相关的机会变得困难。
• 耗时的申请： 针对特定职位描述调整每个申请通常需要大量的时间和精力。
• 重复的任务： 在多个平台上填写类似的表格和上传相同的文件可能变得单调且低效。
• 求职疲劳： 不断的搜索和申请循环可能导致精疲力竭，降低整体生产力和效率。

这些挑战不仅消耗了时间和精力，还降低了求职努力的整体质量，可能导致错失机会。

介绍 Auto_Jobs_Applier_AIHawk

Auto_Jobs_Applier_AIHawk 是一款尖端的自动化工具，旨在彻底改变求职和申请流程。通过利用自动化和人工智能的力量，Auto_Jobs_Applier_AIHawk 提供了一个全面的解决方案，以简化您的求职工作。以下是它的独特之处：

• 自动化求职申请： 只需轻轻点击几下，即可轻松申请多个职位列表，显著减少手动申请所花费的时间。
• 个性化推荐： 根据您的偏好、技能和职业目标，接收量身定制的职位建议。
• 提升申请质量： 利用 AI 驱动的个性化，确保每个申请与职位要求完美对接，增加成功的机会。

该工具充当您不知疲倦的 24/7 求职伙伴，让您专注于真正重要的事情——准备面试和提升您的专业技能，同时 Auto_Jobs_Applier_AIHawk 处理求职中的繁琐事务。

主要特点

Auto_Jobs_Applier_AIHawk 拥有旨在简化求职过程的功能。以下是它所提供的深入介绍：

1. 智能职位搜索自动化

• 可定制的搜索条件： 定义特定参数，如职位名称、地点、经验水平等，以根据您的偏好筛选职位列表。
• 持续扫描： 该工具持续监控职位平台，寻找符合您条件的新职位，确保您不会错过任何机会。
• 智能过滤： 根据您定义的过滤条件自动排除不相关的职位列表，通过专注于相关职位为您节省时间。

2. 快速高效的申请提交

• 一键申请： 通过单击快速申请多个职位，减少每个申请所需的时间和精力。
• 表单自动填充： 利用您的个人资料信息自动填写申请表，确保一致性和准确性。
• 自动文档附件： 自动将您的简历和求职信附加到每个申请中，简化提交过程。

3. AI-Powered Personalization

• 动态响应生成： 使用AI为雇主特定问题生成量身定制的响应，提高每个申请的个性化程度。
• 语气和风格匹配： 调整申请的语气和风格，以与公司文化保持一致，使您的申请更具吸引力。
• 关键词优化： 通过相关关键词优化您的申请，以提高其在申请者跟踪系统（ATS）中的可见性和相关性。

4. 质量的卷管理

• 批量申请能力： 在不影响每个申请质量的情况下，申请大量职位。
• 质量控制措施： 确保每个申请在提交前符合预定义的质量标准。
• 详细的申请跟踪： 监控和记录每个申请的状态，为您的求职进展提供见解。

5. 智能过滤和黑名单

• 公司黑名单： 从您的求职中排除特定公司，确保您只申请感兴趣的组织。
• 职位过滤： 通过排除与您的职业目标不符的职位名称，专注于相关职位。

6. 动态简历生成

• 量身定制的简历： 自动为每个申请生成独特的简历，定制以匹配特定的职位要求。
• 内容自定义： 根据职位描述调整简历内容，突出最相关的技能和经验。

7. 安全数据处理

• YAML 文件管理： 使用 YAML 配置文件安全地管理敏感信息，确保您的个人数据保持保护。

这些功能共同使 Auto_Jobs_Applier_AIHawk 成为求职者在最大化求职效率和效果方面的强大工具。

安装指南

安装 Auto_Jobs_Applier_AIHawk 非常简单，因为它与多种操作系统和 Python 版本兼容。本节提供了一个全面的逐步指南，帮助您在系统上设置该工具。

前提条件

在开始安装过程之前，请确保您的系统满足以下要求：

支持的操作系统：

• Windows 10
• Ubuntu 22

支持的 Python 版本：

• Python 3.10
• Python 3.11.9 (64-bit)
• Python 3.12.5 (64-bit)

谷歌浏览器： 确保您已安装最新版本，因为这对于机器人的操作是必需的。

安装选项

您有两种主要方法来安装 Auto_Jobs_Applier_AIHawk：

1. 使用 Python 虚拟环境
2. 使用 Conda

选择最适合您偏好和现有设置的方法。

选项 1：使用 Python 虚拟环境

此方法利用 Python 内置的 venv 模块为项目创建一个隔离的环境，确保依赖项不会与系统上其他 Python 项目发生冲突。

第一步：下载和安装 Python

1. 检查 Python 安装情况：

• 打开终端或命令提示符。
• 输入 python — version 或 python3 — version 来检查是否已经安装了 Python。

2. 下载 Python：

• 如果尚未安装 Python 或需要不同版本，请从 官方 Python 网站 下载。

3. 安装 Python：

• 按照安装提示进行操作。
• 重要： 在安装过程中，确保勾选“将 Python 添加到 PATH”选项，以便从命令行更方便地访问。

4. 验证安装：

• 打开终端或命令提示符。
• 运行 python — version 来确认安装情况。

步骤 2：下载和安装 Google Chrome

Auto_Jobs_Applier_AIHawk 依赖 Google Chrome 来自动化浏览器交互。

1. 下载 Chrome：

• 访问 官方 Google Chrome 网站 并下载最新版本。

2. 安装 Chrome：

• 运行安装程序并按照屏幕上的说明完成安装。

第3步：克隆仓库

1. 打开终端/命令提示符：

• 导航到您想要克隆仓库的目录。

2. 克隆仓库：

git clone https://github.com/feder-cr/Auto_Jobs_Applier_AIHawk.git

3. 导航到项目目录：

cd Auto_Jobs_Applier_AIHawk

第4步：激活虚拟环境

1. 创建虚拟环境：

python3 -m venv virtual

2. 激活虚拟环境：

• 在 macOS/Linux 上：

source virtual/bin/activate

. 在 Windows 上：

.\virtual\Scripts\activate

3. 确认激活：

• 你的终端提示符现在应该显示虚拟环境已激活，例如，(virtual) user@machine:~/Auto_Jobs_Applier_AIHawk$

第5步：安装所需的包

在虚拟环境激活后，安装必要的依赖。

pip install -r requirements.txt

注意： 如果遇到任何权限问题，请考虑使用 pip install --user -r requirements.txt 或以提升的权限运行该命令。

选项 2：使用 Conda

Conda 是一个流行的包和环境管理系统，简化了安装过程，特别是对于复杂项目。

步骤 1：安装 Conda

1. 下载 Conda：

• 在 Miniconda（一个最小安装程序）和 Anaconda（一个更全面的发行版）之间进行选择。

2. 安装 Conda：

• 按照下载页面上提供的特定于您的操作系统的安装说明进行操作。

3. 验证安装：

• 打开您的终端或命令提示符。
• 运行 conda — version 以确认安装。

步骤 2：创建并激活 Conda 环境

1. 创建新环境：

conda create -n aihawk python=3.11

2. 激活环境：

conda activate aihawk

3. 确认激活：

• 你的终端提示符现在应该显示 aihawk 环境已激活，例如 (aihawk) user@machine:~/Auto_Jobs_Applier_AIHawk$

第3步：克隆仓库

1. 导航到目标目录：

cd path/to/your/desired/directory

2. 克隆仓库：

git clone https://github.com/feder-cr/Auto_Jobs_Applier_AIHawk.git

3. 导航到项目目录：

cd Auto_Jobs_Applier_AIHawk

第4步：安装依赖

在激活的Conda环境中，安装所需的包。

pip install -r requirements.txt

注意： Conda环境是隔离的，因此依赖项不会干扰您系统上的其他项目。

配置设置

正确的配置对于 Auto_Jobs_Applier_AIHawk 的有效运行至关重要。该工具依赖于多个 YAML 配置文件，这些文件定义了您的求职参数、个人信息和 AI 设置。本节提供了每个配置文件的详细说明，以及如何根据您的需求进行自定义。

1. secrets.yaml

**目的：**存储敏感信息，例如与 OpenAI、Ollama 或 Gemini 等 AI 模型集成所需的 API 密钥。确保此文件的安全性，切勿共享或提交到版本控制中。

位置：data_folder/secrets.yaml

配置选项：

• llm_api_key：您打算使用的语言学习模型（LLM）服务的 API 密钥（OpenAI、Ollama 或 Gemini）。

示例：

llm_api_key: "your-api-key-here"

使用说明：

1. 获取API密钥：

OpenAI用户：

• 在OpenAI注册账户。
• 前往API密钥部分并生成新的密钥。

Gemini用户：

• 访问Google AI for Developers以获取您的Gemini API密钥。

Ollama用户：

• 按照Ollama设置指南配置并获取所需的API凭据。

2. 更新 secrets.yaml：

• 在文本编辑器中打开 secrets.yaml。
• 将“your-api-key-here”替换为您的实际 API 密钥。

示例：

llm_api_key: "sk-XXXXXXXXXXXXXXXXXXXXXXXXXXXX"

3. 安全最佳实践：

• 绝不要公开分享您的 secrets.yaml 文件。
• 将 secrets.yaml 添加到您的 .gitignore 文件中，以防止意外提交：

data_folder/secrets.yaml

2. work_preferences.yaml

**目的：**定义您的求职参数以及机器人在搜索和申请过程中的行为。此文件允许您自定义求职的各个方面，确保工具与您的偏好完美对接。

位置：data_folder/work_preferences.yaml

配置部分：

1. 职位类型：

• remote：包含远程工作（true）或排除它们（false）。
• hybrid：包含混合工作（true）或排除它们（false）。
• onsite：包含现场工作（true）或排除它们（false）。

示例：

remote: true
hybrid: false
onsite: true

2. 经验水平和职位类别：

• experience_level：指定所需的经验水平。

experience_level:
  entry: true
  mid: true
  senior: false

. job_types：指定所需的职位类型。

job_types:
  full_time: true
  part_time: false
  contract: true

3. 职位和地点：

• positions：列出您感兴趣的职位名称

positions:
  - Software Developer
  - Data Scientist

. locations：列出您希望目标的地理位置

locations:
  - Italy
  - London

4. 黑名单：

• companyBlacklist：从您的搜索中排除特定公司。

positions:
  - Software Developer
  - Data Scientist

. titleBlacklist：排除包含特定关键字的职位名称。

titleBlacklist:
  - Sales
  - Marketing

说明：

1. 打开 work_preferences.yaml：

• 导航到 data_folder/work_preferences.yaml 并在文本编辑器中打开它。

2. 自定义职位类型：

• 根据您的偏好设置 remote、hybrid 和 onsite 为 true 或 false。

3. 定义经验水平和职位类别：

• 在 experience_level 下，将 entry、mid 和 senior 设置为 true 或 false。
• 在 job_types 下，将 full_time、part_time 和 contract 设置为 true 或 false。

4. 指定职位和地点：

• 列出与您的职业目标相符的职位名称和地点。

5. 设置黑名单：

• 在 companyBlacklist 中填入您希望避免的公司。
• 在 titleBlacklist 中填入您想从职位名称中排除的关键字。

6. 保存更改：

• 自定义后，保存 work_preferences.yaml 文件。\

3. plain_text_resume.yaml

**目的：**包含您的简历信息，采用结构化的 YAML 格式。此文件用于自动填写申请表格并生成针对每个职位申请的定制简历。

位置：data_folder/plain_text_resume.yaml

配置部分：

1. 个人信息：

字段：

• name
• surname
• date_of_birth
• country
• city
• address
• zip_code
• phone_prefix
• phone
• email
• github
• linkedin

示例：

personal_information:
  name: "Jane"
  surname: "Doe"
  date_of_birth: "01/01/1990"
  country: "USA"
  city: "New York"
  address: "123 Main St"
  zip_code: "520123"
  phone_prefix: "+1"
  phone: "5551234567"
  email: "jane.doe@example.com"
  github: "https://github.com/janedoe"
  linkedin: "https://www.linkedin.com/in/janedoe/"

2. 教育详情:

字段:

• education_level
• institution
• field_of_study
• final_evaluation_grade
• start_date
• year_of_completion
• exam (课程及成绩列表)

education_details:
  - education_level: "Bachelor's Degree"
    institution: "University of Example"
    field_of_study: "Software Engineering"
    final_evaluation_grade: "4/4"
    start_date: "2021"
    year_of_completion: "2023"
    exam:
      Algorithms: "A"
      Data Structures: "B+"
      Database Systems: "A"
      Operating Systems: "A-"
      Web Development: "B"

3. 经验详情：

字段：

• position
• company
• employment_period
• location
• industry
• key_responsibilities (职责列表)
• skills_acquired (技能列表)

示例：

experience_details:
  - position: "Software Developer"
    company: "Tech Innovations Inc."
    employment_period: "06/2021 - Present"
    location: "San Francisco, CA"
    industry: "Technology"
    key_responsibilities:
      - responsibility: "Developed web applications using React and Node.js"
      - responsibility: "Collaborated with cross-functional teams to design and implement new features"
      - responsibility: "Troubleshot and resolved complex software issues"
    skills_acquired:
      - "React"
      - "Node.js"
      - "Software Troubleshooting"

4. 项目：

字段：

• name
• description
• link

示例：

projects:
  - name: "Weather App"
    description: "A web application that provides real-time weather information using a third-party API."
    link: "https://github.com/janedoe/weather-app"
  - name: "Task Manager"
    description: "A task management tool with features for tracking and prioritizing tasks."
    link: "https://github.com/janedoe/task-manager"

5. 成就：

领域：

• name
• description

示例：

achievements:
  - name: "Employee of the Month"
    description: "Recognized for exceptional performance and contributions to the team."
  - name: "Hackathon Winner"
    description: "Won first place in a national hackathon competition."

6. 认证：

领域：

• name
• description

示例：

certifications:
  - "Certified Scrum Master"
  - "AWS Certified Solutions Architect"

7. 语言:

字段:

• language
• proficiency

示例:

languages:
  - language: "English"
    proficiency: "Fluent"
  - language: "Spanish"
    proficiency: "Intermediate"

8. 兴趣：

领域：

• interest

示例：

interests:
  - "Machine Learning"
  - "Cybersecurity"
  - "Open Source Projects"
  - "Digital Marketing"
  - "Entrepreneurship"

9. 可用性：

字段：

• notice_period

示例：

availability:
  notice_period: "2 weeks"

10. 薪资预期：

领域：

• salary_range_usd

salary_expectations:
  salary_range_usd: "80000 - 100000"

11. 自我识别：

字段：

• gender
• pronouns
• veteran
• disability
• ethnicity

示例：

self_identification:
  gender: "Female"
  pronouns: "She/Her"
  veteran: "No"
  disability: "No"
  ethnicity: "Asian"

12. 法律授权：

字段：

• eu_work_authorization
• us_work_authorization
• requires_us_visa
• requires_us_sponsorship
• requires_eu_visa
• legally_allowed_to_work_in_eu
• legally_allowed_to_work_in_us
• requires_eu_sponsorship
• canada_work_authorization
• requires_canada_visa
• legally_allowed_to_work_in_canada
• requires_canada_sponsorship
• uk_work_authorization
• requires_uk_visa
• legally_allowed_to_work_in_uk
• requires_uk_sponsorship

示例：

legal_authorization:
  eu_work_authorization: "Yes"
  us_work_authorization: "Yes"
  requires_us_visa: "No"
  requires_us_sponsorship: "Yes"
  requires_eu_visa: "No"
  legally_allowed_to_work_in_eu: "Yes"
  legally_allowed_to_work_in_us: "Yes"
  requires_eu_sponsorship: "No"
  canada_work_authorization: "Yes"
  requires_canada_visa: "No"
  legally_allowed_to_work_in_canada: "Yes"
  requires_canada_sponsorship: "No"
  uk_work_authorization: "Yes"
  requires_uk_visa: "No"
  legally_allowed_to_work_in_uk: "Yes"
  requires_uk_sponsorship: "No"

指示：

1. 打开 plain_text_resume.yaml：

• 导航到 data_folder/plain_text_resume.yaml 并在文本编辑器中打开它。

2. 填写每个部分：

• 个人信息： 提供您的基本信息，包括姓名、联系方式和专业资料。
• 教育背景： 概述您的学术背景，包括学位、院校和相关课程。
• 工作经历： 详细说明您的工作经历、角色、职责和获得的技能。
• 项目： 突出个人和专业的显著项目，提供描述和链接。
• 成就： 列出重要的成就和认可。
• 证书： 包括任何相关的专业证书。
• 语言： 指明您会说的语言及其熟练程度。
• 兴趣： 提及您的专业和个人兴趣。
• 可用性： 说明您的通知期或开始新角色的可用性。
• 薪资预期： 提供您的薪资预期范围。
• 自我认同： 如有舒适，可以分享与个人身份相关的信息。
• 法律授权： 指明您在各个地区的合法工作能力以及是否需要赞助。

3. 确保准确性：

• 仔细检查所有条目的准确性和完整性。
• 确保格式的一致性，特别是在日期和项目符号方面。

4. 保存更改：

• 完成所有部分后，保存 plain_text_resume.yaml 文件。

4. config.py

目的: 定义 Auto_Jobs_Applier_AIHawk 用于生成个性化内容（如求职信和申请问题的回复）的语言学习模型（LLM）的设置。

位置: data_folder/config.py

配置选项：

LLM_MODEL_TYPE: 指定要使用的LLM服务类型。支持的选项包括：

• openai
• ollama
• claude
• gemini

LLM_MODEL: 定义所选类型中的具体模型。

• OpenAI: 例如，gpt-4o
• Ollama: 例如，llama2，mistral:v0.3
• Claude: 任何支持的Claude模型
• Gemini: 任何支持的Gemini模型

LLM_API_URL: 所选LLM服务的API端点URL。

• OpenAI: https://api.pawan.krd/cosmosrp/v1
• Ollama: http://127.0.0.1:11434/
• Claude: https://api.anthropic.com/v1
• Gemini: https://aistudio.google.com/app/apikey

示例配置

LLM_MODEL_TYPE = "openai"  # 选项: openai / ollama / claude / gemini
LLM_MODEL = "gpt-4o"        # 基于类型的具体模型
LLM_API_URL = "https://api.pawan.krd/cosmosrp/v1"

说明：

1. 选择您的LLM服务：

• 根据您的偏好和可用的API密钥决定使用OpenAI、Ollama、Claude或Gemini。

2. 更新配置：

• 在文本编辑器中打开config.py。
• 将LLM_MODEL_TYPE设置为您选择的服务。
• 指定与您的需求相符的LLM_MODEL。
• 输入该服务的相应LLM_API_URL。

3. OpenAI示例：

LLM_MODEL_TYPE = "openai"
LLM_MODEL = "gpt-4o"
LLM_API_URL = "https://api.pawan.krd/cosmosrp/v1"

4. Ollama示例：

LLM_MODEL_TYPE = "ollama"
LLM_MODEL = "llama2"
LLM_API_URL = "http://127.0.0.1:11434/"

5. 参考指南：

• 有关详细的设置说明，请参阅Ollama部署指南。

6. 保存更改：

• 更新后，保存config.py文件。

5. data_folder_example

**目的：**提供一个有效的示例，说明必要的配置文件应如何结构化和填写。此文件夹作为一个实用参考，帮助您正确设置Auto_Jobs_Applier_AIHawk的环境。

位置：data_folder_example/

内容：

• secrets.yaml
• config.yaml
• plain_text_resume.yaml

说明：

1. 访问 data_folder_example：

• 在项目目录中导航到 data_folder_example。

2. 查看示例文件：

• 打开每个文件以理解正确的结构和数据格式。
• 这些文件填充了虚构但现实的数据，以演示正确的配置。

3. 作为参考使用：

• 将示例文件与您自己的 secrets.yaml、work_preferences.yaml 和 plain_text_resume.yaml 进行比较。
• 确保您的文件遵循相同的结构和格式。

4. 复制并自定义：

• 您可以将示例文件用作模板。将它们复制到您的 data_folder 并用您的实际信息替换占位符数据。

5. 保存自定义文件：

• 自定义后，确保文件保存在 data_folder 中，并准确反映您的个人和求职信息。

使用指南

安装并配置好 Auto_Jobs_Applier_AIHawk 后，您就可以开始简化求职流程。本节提供了有关如何有效使用该工具的详细分步指南。

第一步：设置账户语言

**目的：**确保您的求职平台账户语言设置为英语对于机器人的正常运行至关重要。这种兼容性确保工具能够准确解读和与职位列表及申请表互动。

说明：

1. 登录您的求职平台：

• 访问您打算申请工作的求职平台（例如，LinkedIn、Indeed）。

2. 导航到账户设置：

• 在您的账户资料中找到语言设置。

3. 将语言设置为英语：

• 如果账户语言设置为其他语言，请将其更改为英语。

4. 保存更改：

• 确认并保存更新后的语言设置。

5. 验证：

• 确保所有平台界面现在都显示为英语。

第2步：准备数据文件夹

正确组织您的数据文件夹可以确保 Auto_Jobs_Applier_AIHawk 能够访问必要的配置文件并有效管理输出。

组件：

1. 数据文件夹：

包含：

• secrets.yaml
• work_preferences.yaml
• plain_text_resume.yaml

位置：data_folder/

2. 输出文件夹:

• 包含:
• data.json: 来自 --collect 模式的结果。
• failed.json: 失败的应用程序。
• open_ai_calls.json: 所有对 LLM 模型的调用日志。
• skipped.json: 根据标准被跳过的应用程序。
• success.json: 成功的应用程序。

位置:output/

指示：

1. 整理数据文件夹：

• 确保 data_folder 包含三个必要的文件：
• secrets.yaml
• work_preferences.yaml
• plain_text_resume.yaml
• 使用 data_folder_example 作为参考以验证正确的结构。

2. 验证输出文件夹：

• 确保 output 文件夹存在。如果不存在，请在项目目录中创建它。
• 当机器人运行时，该文件夹将自动填充各种 JSON 文件。

3. 检查 answers.json：

• 位置： 项目的根目录。
• 目的： 存储用户响应，以便用更正的答案更新机器人。
• 注意： 此文件不是输出文件夹的一部分，但在改善机器人的交互中起着至关重要的作用。

第3步：运行机器人

Auto_Jobs_Applier_AIHawk 提供了灵活的简历处理方式。您可以选择让机器人生成针对每个申请的动态简历，或者为所有申请使用特定的 PDF 简历。

选项：

1. 动态简历生成：

• 描述： 如果您未指定简历，机器人将根据 plain_text_resume.yaml 中提供的信息为每个申请自动生成一份独特的简历。
• 好处： 通过为每个职位定制简历，提高成功的机会。

命令：

python main.py

2. 使用特定的简历：

• 描述： 通过指定简历文件来使用预制的 PDF 简历进行所有申请。

说明：

1. 将您的简历 PDF 放入 data_folder 目录。
2. 使用 --resume 选项运行机器人，指向您的简历文件。

命令：

python main.py --resume /path/to/your/resume.pdf

3. 收集模式：

• 描述： 收集职位数据而不进行申请，适用于数据分析或审查目的。
• 说明： 使用 --collect 选项根据您的搜索条件收集职位列表。

命令：

python main.py --collect

结果： 将所有找到的职位数据存储在 output/data.json 文件中。

执行步骤：

1. 打开终端/命令提示符：

• 导航到项目目录：

cd Auto_Jobs_Applier_AIHawk

2. 激活虚拟环境（如果尚未激活）：

在 macOS/Linux 上：

source virtual/bin/activate

在 Windows 上：

.\virtual\Scripts\activate

3. 运行所需命令：

• 根据您的需求选择动态简历生成、使用特定简历或收集模式。

4. 监控进程：

• 机器人将在终端提供实时反馈，指示申请、数据收集的进展以及遇到的任何问题。

5. 审查输出：

• 导航到 output 文件夹以查看包含机器人操作结果的 JSON 文件。

故障排除常见问题

即使是设计得最好的工具也可能会遇到问题。以下是解决一些与 Auto_Jobs_Applier_AIHawk 相关的常见问题的方法：

1. OpenAI API 速率限制错误

错误信息：

openai.RateLimitError: Error code: 429 - {'error': {'message': 'You exceeded your current quota, please check your plan and billing details. ...}}

解决方案：

1. 检查账单：

• 访问 OpenAI 账单仪表板 确保您的账户处于活动状态并且有足够的积分。

2. 验证 API 密钥：

• 确保 secrets.yaml 中的 API 密钥是正确且有效的。

3. 升级计划：

• 如果您使用的是免费套餐，请考虑升级您的 OpenAI 计划以增加请求配额。

4. 等待更新：

• 在添加资金或升级后，可能需要 12–24 小时才能生效。

5. 监控使用情况：

• 定期检查您的 API 使用情况，以避免达到速率限制。

6. 替代模型：

• 如果速率限制持续存在，请考虑切换到其他 LLM 模型或提供者，例如 Ollama 或 Gemini。

2. 找不到“轻松申请”按钮

错误信息：

Exception: No clickable 'Easy Apply' button found

解决方案：

1. 验证登录：

• 确保您已使用正确的凭据成功登录到招聘平台。

2. 检查职位列表：

• 确认目标职位列表中确实有“轻松申请”选项可用。

3. 调整搜索参数：

• 检查您的 work_preferences.yaml 以确保它返回带有“轻松申请”功能的职位。

4. 增加等待时间：

• 修改脚本，以允许页面加载完全后再搜索按钮。

5. 更新机器人逻辑：

• 确保机器人的逻辑能够识别“轻松申请”按钮，并与招聘平台当前的布局保持一致。

3. 招聘申请中的不准确信息

**问题：**机器人提供的经验、CTC（公司成本）和通知期数据不准确。

解决方案：

1. 更新提示：

• 增强AI使用的提示，以生成更具体和准确的专业经验信息。

2. 修改配置：

• 在 work_preferences.yaml 中添加当前CTC、预期CTC和通知期的字段。

3. 调整机器人逻辑：

• 更新机器人的逻辑，以有效利用这些新的配置字段，确保生成的数据符合您的期望。

4. 验证数据：

• 定期审查生成的申请，以确保准确性，并根据需要进行调整。

4. YAML 配置错误

错误信息：

yaml.scanner.ScannerError: while scanning a simple key

解决方案：

1. 验证 YAML 语法：

• 使用 YAML 验证工具（例如，YAML Lint）确保缩进和语法正确。

2. 渐进式修改：

• 复制示例 config.yaml，并逐步修改以隔离和识别错误。

3. 检查缩进：

• YAML 对缩进敏感。确保嵌套元素使用空格（而不是制表符）正确缩进。

4. 避免特殊字符：

• 确保没有多余的特殊字符或引号干扰 YAML 结构。

5. 审查最近的更改：

• 如果错误是在最近的修改后出现的，请仔细审查这些更改以查找任何语法问题。

5. 机器人登录但不申请职位

**问题：**机器人搜索职位但继续滚动而不申请。

解决方案：

1. 检查 CAPTCHA：

• 确保没有安全检查或 CAPTCHA 阻止机器人的操作。

2. 审查搜索参数：

• 验证您的 work_preferences.yaml 参数是否正确设置，以针对具有“轻松申请”选项的适用职位。

3. 个人资料对齐：

• 确保您的个人资料符合您配置中指定的职位要求。不匹配可能会阻止成功申请。

4. 检查控制台输出：

• 查找控制台中的错误消息或警告，以识别妨碍申请过程的具体问题。

5. 更新依赖项：

• 通过运行确保所有依赖项都是最新的：

pip install --upgrade -r requirements.txt

6. 修改等待时间：

• 增加脚本中的等待时间，以允许页面加载较慢，确保在机器人尝试与它们交互之前所有元素都已完全加载。

常见故障排除技巧

更新脚本：

• 始终使用最新版本的 Auto_Jobs_Applier_AIHawk，通过从仓库拉取更新来实现：

git pull origin main

验证依赖项：

• 确保所有依赖项已安装并保持最新

pip install --upgrade -r requirements.txt

稳定的互联网连接：

• 可靠的互联网连接对于顺利操作至关重要。如果遇到网络相关问题，请检查您的连接。

清除浏览器缓存：

• 如果问题仍然存在，请尝试清除浏览器的缓存和 cookies，以消除任何潜在的冲突。

查看日志：

• 定期检查日志文件（例如 open_ai_calls.json、failed.json）以获取有关机器人操作和遇到的错误的见解。

寻求社区支持：

• 如果您无法解决问题，可以通过 Discord 或 GitHub Issues 联系社区以获取帮助。

高级配置

对于希望进一步自定义体验的用户，Auto_Jobs_Applier_AIHawk 提供了高级配置选项。本节涵盖如何禁用某些功能、调整货币设置、删除特定的简历部分以及设置自动启动功能。

禁用成就

**目的：**如果您不希望在简历或求职申请中包含成就，可以禁用此功能。

说明：

1. 修改 gpt_resume_job_description.py：

• 导航到 (Your environment name)\Lib\site-packages\lib_resume_builder_AIHawk\。
• 在文本编辑器中打开 gpt_resume_job_description.py。
• 找到包含“achievements”一词的代码段，并通过在每个相关行的开头添加 # 来注释掉它们。

示例：

## self.achievements = data.get('achievements', [])

2. 更新 plain_text_resume.yaml：

• 在文本编辑器中打开 plain_text_resume.yaml。
• 将 achievements 字段设置为空字符串。

示例：

achievements: ""

3. 保存更改：

• 修改完成后，保存两个文件。

删除法律授权

**目的：**如果您不希望在应用程序中包含法律授权细节，请按照以下步骤将其删除。

说明：

1. 编辑 job_application_profile.py:

• 导航到 Auto_Jobs_Applier_AIHawk\src\job_application_profile.py。
• 在文本编辑器中打开该文件。
• 注释掉所有“legal_authorization”的实例，包括相关字符串或函数。

示例：

## self.legal_authorization = data.get('legal_authorization', {})

2. 更新 resume_schema.yaml:

• 在文本编辑器中打开 Auto_Jobs_Applier_AIHawk\assets\resume_schema.yaml。
• 将 legal_authorization 字段设置为空字符串。

示例：

legal_authorization: ""

3. 保存更改：

• 编辑后，保存这两个文件。

将薪资从美元转换为其他货币

目的： 将您的薪资预期自定义为除美元以外的货币，以更好地与工作地点或个人偏好对齐。

说明：

1. 修改配置文件：

• 在文本编辑器中打开以下文件：
• Auto_Jobs_Applier_AIHawk\src\job_application_profile.py
• Auto_Jobs_Applier_AIHawk\assets\resume_schema.yaml
• myenv\Lib\site-packages\lib_resume_builder_AIHawk\resume.py

2. 更改薪资字段：

• 用您想要的货币替换 salary_range_usd，例如，使用 salary_range_inr 表示印度卢比。

在 plain_text_resume.yaml 中的示例：

salary_expectations:
  salary_range_inr: "600000 - 800000"

3. 更新代码逻辑：

• 确保修改后的 Python 文件中的机器人的逻辑正确引用新的薪资字段。

4. 保存更改：

• 在进行必要的修改后，保存所有编辑过的文件。

移除成绩和考试

**目的：**如果您希望在简历中不包含学术成绩和考试细节，可以删除这些部分。

说明：

1. 编辑 resume_schema.yaml：

• 在文本编辑器中打开 Auto_Jobs_Applier_AIHawk\assets\resume_schema.yaml。
• 通过在行首添加 # 来注释掉 exam 字段。

示例：

## exam:

2. 修改 resume.py：

• 导航到 myenv\Lib\site-packages\lib_resume_builder_AIHawk\resume.py。
• 在文本编辑器中打开该文件。
• 注释掉与 exam 部分相关的所有代码。

示例：

## self.exam = data.get('exam', {})

3. 保存更改：

• 编辑后，保存这两个文件。

自动启动 AIHawk

目的： 配置 Auto_Jobs_Applier_AIHawk 以便在系统启动时自动启动，从而确保持续提交工作申请，无需手动干预。

说明：

1. 修改 manager_facade.py：

• 导航到 Auto_Jobs_Applier_AIHawk\src\manager_facade.py。
• 在文本编辑器中打开该文件。
• 根据需要设置默认简历格式或其他默认设置。

示例修改：

def prompt_user(...): 
    ...

2. 创建自动化脚本：

• 打开文本编辑器并创建一个新的批处理脚本 (auto_start_aihawk.bat)。

示例：

@echo off
set paths_file=%~dp0saved_paths.txt
...
copy "%~f0" %startup_folder%
pause

3. 保存脚本：

• 将文件以 .bat 扩展名保存在项目目录中。

4. 运行脚本：

• 双击批处理脚本以执行它。
• 脚本将提示输入 Python 虚拟环境路径和 main.py 目录路径。
• 然后，它会将这些路径保存在 saved_paths.txt 中，并将自身复制到 Windows 启动文件夹。

5. 验证功能：

• 重启计算机。
• 确保 Auto_Jobs_Applier_AIHawk 在系统启动时自动启动并按预期功能运行。

高级工具设置

Ollama & Gemini 设置

目的： 集成额外的 AI 模型，如 Ollama 和 Gemini，以增强 Auto_Jobs_Applier_AIHawk 的功能。

说明：

1. 下载并安装 Ollama：

• Windows： 从 Ollama 的官方网站下载 .exe 文件并运行安装程序。
• Linux： 在终端中执行以下命令：

curl -fsSL https://ollama.com/install.sh | sh

. macOS： 从 Ollama 的官方网站下载并安装 .dmg 文件。

2. 验证 Ollama 安装：

• 打开浏览器并导航到 localhost:11434 以确保 Ollama 正在运行。

3. 下载模型：

• 使用命令行界面拉取所需模型

ollama pull llama2

将 llama2 替换为您希望使用的模型名称。

4. 在 Auto_Jobs_Applier_AIHawk 中配置 Ollama：

• 打开 config.py 并设置如下

LLM_MODEL_TYPE = "ollama"
LLM_MODEL = "llama2"
LLM_API_URL = "http://127.0.0.1:11434/"

5. 获取 Gemini API 密钥：

• 访问 Google AI Studio 获取您的 Gemini API 密钥。
• 添加账单信息以激活 API 密钥。

6. 更新 secrets.yaml 以用于 Gemini：

• 打开 secrets.yaml 并添加您的 Gemini API 密钥

llm_api_key: "your-gemini-api-key-here"

7. 在 config.py 中配置 Gemini：

• 相应地设置 LLM 配置

LLM_MODEL_TYPE = "gemini"
LLM_MODEL = "gemini-model-name"
LLM_API_URL = "https://aistudio.google.com/app/apikey"

8. 参考设置指南：

• 有关详细说明，请参考 Ollama 部署指南。

结论

在现代就业市场中，导航不必是一项压倒性的任务。借助 Auto_Jobs_Applier_AIHawk，您可以自动化求职过程中的繁琐环节，让您专注于真正重要的事情——准备面试和提升技能。通过利用人工智能和智能自动化，Auto_Jobs_Applier_AIHawk 不仅节省了您的时间，还提高了求职申请的质量和覆盖面。

关键要点：

• 效率： 自动化重复任务以节省时间，减少求职疲劳。
• 个性化： 利用人工智能定制您的申请，提高成功的可能性。
• 可扩展性： 在不影响质量的情况下申请更多职位。
• 社区支持： 受益于活跃的社区和持续的项目改进。

立即开始： 克隆代码库，设置您的配置，让 Auto_Jobs_Applier_AIHawk 将您的求职提升到一个新水平！

git clone https://github.com/feder-cr/Auto_Jobs_Applier_AIHawk.git
cd Auto_Jobs_Applier_AIHawk
python3 -m venv virtual
source virtual/bin/activate
pip install -r requirements.txt

加入社区： 通过加入我们的 Telegram 群组 和 Discord 服务器，保持更新，寻求支持，并为项目贡献力量。