تصور کنید به جای ساعت‌ها بررسی دستی آگهی‌های شغلی و تغییرات جزئی در رزومه، یک دستیار هوشمند تمام این مسیر را به یک خط لوله داده‌ای تبدیل کند. اگر امروز در حال جست‌وجوی شغل هستید، این سیستم می‌تواند تفاوت میان یک درخواست نادیده گرفته شده و یک دعوت به مصاحبه باشد.
یک توسعه‌دهنده با استفاده از Claude Code، فرآیند طاقت‌فرسای Job Hunting را به یک سیستم ساختاریافته تبدیل کرده است. او با تعریف دو «مهارت» (Skill) — که در واقع دستورالعمل‌های قابل استفاده مجدد در فایل‌های مارک‌داون هستند — غربالگری اولیه شرح شغلی و بهینه‌سازی رزومه‌ها را کاملاً خودکار کرده است.
برای کسانی که با مهارت‌های Claude Code آشنا نیستند: یک مهارت صرفاً فایلی با فرمت مارک‌داون است که دارای متادیتای YAML (شامل نام و توضیحات) بوده و در مسیر .claude/skills/{skill-name}/SKILL.md قرار می‌گیرد. هوش مصنوعی زاینده (Generative AI) — مثل آشپزی که دستورالعمل‌های مختلف را برای هر غذا در دفترچه یادداشتش دارد — بر اساس فیلد توضیحات (Description) تصمیم می‌گیرد چه زمانی هر مهارت را به‌صورت خودکار فعال کند، هرچند کاربران همیشه می‌توانند آن‌ها را به‌طور صریح با دستوراتی مانند /skill-name فراخوانی کنند.
این رویکرد در زمانی ارائه می‌شود که ابزارهای استخدام مبتنی بر هوش مصنوعی، فرآیند اپلای را رقابتی‌تر و تکراری‌تر کرده‌اند. همان‌طور که در تحلیل قبلی ما درباره‌ی امنیت مدل‌های بازمتن اشاره کردیم، ابزارهای قدرتمند همواره ریسک‌هایی دارند (مانند نشت اسرار API در Claude Code)، اما این پیاده‌سازی نشان می‌دهد که قابلیت‌های عامل‌محور (Agentic) این ابزار در بهره‌وری شخصی چه پتانسیلی دارد. برای اکثر متقاضیان، انتخاب شغل یک «حس کلی» (Vibe Check) است؛ مجموعه‌ای از احساسات درونی درباره اینکه آیا یک نقش مناسب است یا خیر. اما این سیستم جایگزین شهود را با یک معیار امتیازدهی سخت‌گیرانه و دقیق می‌کند.
مکانیزم امتیازدهی /score-job
اولین مهارت یعنی /score-job مانند یک فیلتر با دقت بالا عمل می‌کند. طبق مستندات این پروژه، وقتی کاربر یک شرح شغلی (JD) یا لینک را ارائه می‌دهد، عامل تنها به خلاصه‌سازی متن اکتفا نمی‌کند. این ابزار مجموعه‌ای از فایل‌های منبع را به‌صورت موازی می‌خواند تا ارزیابی بر اساس واقعیت‌های به‌روز باشد. نکته حیاتی این است که سیستم در هر بار اجرا، این فایل‌ها را دوباره می‌خواند و هیچ‌چیز را کش (Cache) نمی‌کند؛ زیرا این اسناد با به‌روزرسانی رزومه یا تغییر فیلترهای کاربر، تکامل می‌یابند.
منابعی که به‌صورت موازی خوانده می‌شوند:
me/resume-engineering.md(رزومه مهندسی)me/resume-pm.md(رزومه مدیریت محصول)me/resume-fde-presales.md(در وضعیت در حال تکمیل؛ به مهارت دستور داده شده در صورت نبودن، بدون خطا از آن بگذرد)me/resume-peoplesoft.md(فقط برای نقش‌های مرتبط با PeopleSoft خوانده می‌شود)me/profile.md(پروفایل کلی)me/skills-inventory.md(فهرست مهارت‌ها)me/job-search-filters.md(فیلترهای جست‌وجوی شغلی)me/preferences.md(ترجیحات شخصی)
برای جلوگیری از «نمره دادن بر اساس تخمین» یا تعدیل نمرات، سیستم ابتدا یک «سقف کاندید ایده‌آل» (Ideal Candidate Bar) تعریف می‌کند. مدل ابتدا ترسیم می‌کند که شرکت واقعاً به دنبال چه کسی است و سپس کاربر را با آن معیار می‌سنجد. این کار مدل را مجبور می‌کند صادق باشد، به جای اینکه صرفاً سعی کند هر طور شده تطابق ایجاد کند. خروجی این فرآیند یک فایل مارک‌داون ساختاریافته است که با الگوی job-search/scored-listings/YYYY-MM-DD-{company}-{role}.md ذخیره می‌شود و شامل موارد زیر است:
- امتیازات کمی: رتبه‌بندی از ۱۰ برای ارشدیت (Seniority)، تطابق دامنه (Domain Fit)، عمق فنی، محدوده رهبری، پیچیدگی حل مسئله، سازگاری و سیگنال‌های مربوط به حقوق و مزایا.
- تحلیل شکاف (Gap Analysis): تفکیک نیازمندهایی که به سه دسته «تطبیق یافته»، «تطبیق جزئی» یا «شکاف» تقسیم شده‌اند، همراه با ارزیابی صادقانه از اینکه آیا این شکاف قابل چشم‌پوشی است یا یک مانع واقعی (Blocker) محسوب می‌شود.
- دارایی‌های عملیاتی: استخراج ۳ تا ۵ مورد از جملات رزومه (Bullets) که از محتوای موجود استخراج شده‌اند (هرگز جعل نمی‌شوند) و یک قلاب (Hook) دو جمله‌ای برای نامه‌ی پوششی.
- حکم نهایی: یک اقدام پیشنهادی تک‌خطی و فهرستی از پرچم‌های قرمز (Red Flags).
یکی از ویژگی‌های پیشرفته این مهارت، «امتیازدهی دو-لنز» است. برای نقش‌های مبهم — مثلاً تغییر مسیر از مهندسی به مهندسی استقرار (FDE) — سیستم این نقش‌ها را از طریق کلمات کلیدی شناسایی کرده و دو کارت امتیاز مجزا را در کنار هم تولید می‌کند. یکی بازتاب‌دهنده سوابق واقعی کاربر است و دیگری فرض می‌کند که این تغییر مسیر یک حرکت آگاهانه و هدفمند است.
این تمایز برای جست‌وجوی کاربر حیاتی است: یک «مهندس استقرار» در یک شرکت محصول‌محور (مانند Palantir یا Anthropic) اساساً شغلی متفاوت از یک «مهندس راهکار» (Solutions Engineer) در یک شرکت تامین نیروی متخصص است، هرچند این عناوین در تابلوهای شغلی interchangeable یا قابل جایگزینی به نظر برسند.
اگر حکم نهایی «ارزش اپلای دارد» یا بهتر باشد، مهارت پیشنهاد می‌دهد — اما هرگز به‌طور خودکار اجرا نمی‌کند — که این ردیف به یک جدول رهگیری (Spreadsheet) و یک فایل محلی submit-queue.md اضافه شود تا در بلوک کاری بعدی مورد بررسی قرار گیرد. هیچ موردی بدون تایید صریح «بله» در صف قرار نمی‌گیرد.
حلقه‌ی بهینه‌سازی /resume-sharpener
در حالی که مهارت اول سیگنال‌های خام تولید می‌کند، مهارت دوم یعنی /resume-sharpener این سیگنال‌ها را برای یافتن الگوها استخراج می‌کند. این ابزار تمام لیست‌های امتیازدهی شده در دایرکتوری job-search/scored-listings/ — که در این مورد بیش از ۳۰ فایل است — را در کنار چهار رزومه پایه تحلیل می‌کند تا نقاط ضعف و قوت سیستماتیک را شناسایی کند.
آستانه‌های استخراج الگو (Pattern Mining Thresholds):
برای جلوگیری از بیش‌برازش (Overfitting) به یک شرح شغلی خاص و محدود، سیستم از آستانه‌های مشخصی استفاده می‌کند:
- جملات ارزشمند برای ارتقا: یک جمله (Bullet) کاندید ارتقا است اگر محتوای آن در ۲ یا تعداد بیشتری از لیست‌های امتیازدهی شده ظاهر شود، یا اگر امتیازدهی به‌طور مداوم آن را یک نقطه قوت بداند در حالی که رزومه پایه تنها یک خط ضعیف در مورد آن ارائه داده است.
- شکاف‌های ارزشمند برای رفع: یک شکاف زمانی برای رسیدگی پیش‌دستانه علامت‌گذاری می‌شود که در ۳ یا تعداد بیشتری از لیست‌ها ظاهر شود و در واقع «قابل رفع» باشد (مثلاً مهارتی که می‌توان آن را آموخت، نه یک مانع ساختاری مانند نبود مدرک تحصیلی).
برای جلوگیری از توهم (Hallucination) و جلوگیری از فاسد شدن اسناد حرفه‌ای توسط هوش مصنوعی، ابزار Sharpener در دو مرحله غیرقابل تغییر عمل می‌کند:
۱. تحلیل و پیش‌نویس: عامل یک پیشنهاد در یک گوگل داک (از طریق ابزارهای MCP) یا یک فایل مارک‌داون محلی می‌نویسد. این پیش‌نویس به تفکیک هر رزومه سازماندهی شده و دارای یک رتبه‌بندی ستاره‌ای است که نشان می‌دهد چند لیست باعث ایجاد هر الگوی جمله‌ای شده است. این به کاربر اجازه می‌دهد موارد را به عنوان KEEP (نگه دار)، MODIFY (اصلاح کن) یا SKIP (رد کن) علامت‌گذاری کند.
۲. اعمال تغییرات: مدل تنها پس از اینکه کاربر انسانی به‌طور صریح پیش‌نویس را بررسی کرد و گفت «بهبودهای رزومه را اعمال کن»، فایل‌های .md رزومه را ویرایش می‌کند. در این مرحله، دقیقاً از متن تایید شده در پیش‌نویس استفاده می‌شود.
راهنمای ساخت استک اتوماسیون شخصی
توسعه‌دهنده تأکید می‌کند که «شکل» و ساختار سیستم مهم‌تر از پرامپت‌های خاص است. منطق اصلی بر حفظ یک «منبع حقیقت» (Source of Truth) استوار است که در هر اجرا دوباره خوانده می‌شود تا از قدیمی شدن داده‌ها جلوگیری شود.
دستورالعمل‌های پیاده‌سازی:
- مدیریت لنزها: کاربران باید تعیین کنند که آیا از زوایای مختلف اپلای می‌کنند (مثلاً مهندسی در مقابل مدیریت محصول). لنزهای متمایز، فایل‌های مجزا را توجیه می‌کنند؛ اما تفاوت‌های ظاهری در ترتیب جملات، توجیه‌کننده فایل جدید نیست. اگر لنزها روی یک آگهی هم‌پوشانی دارند، منطق «دو بار امتیازدهی» لازم است.
- فرمت اسناد: رزومه‌های اصلی لزوماً نباید در ابتدا مارک‌داون باشند. آن‌ها می‌توانند فایل‌های
.docxباشند که مهارت docx در Claude Code می‌تواند آن‌ها را به مارک‌داون ساده تبدیل کند تا مهارت امتیازدهی بدون درگیر شدن با نشانه‌گذاری‌های Word، بتواند الگوها را تطبیق دهد. - فهرست مهارت‌های پویا: به جای نگهداری دستی فهرست مهارت‌ها، این فهرست باید به‌عنوان اجتماع (Union) تمام مهارت‌ها و ابزارهای ذکر شده در تمام رزومه‌های اصلی تولید شود. این کار از ناهماهنگ شدن فهرست با رزومه‌ها جلوگیری می‌کند.
- مراجع خارجی: خروجی گرفتن از پروفایل لینکدین به صورت PDF (از طریق تنظیمات یا Save to PDF) و وارد کردن آن به عنوان یک مرجع فقط-خواندنی، به شناسایی تناقضات در نحوه بیان یا مهارت‌های تایید شده‌ای که هرگز به رزومه راه نیافته‌اند، کمک می‌کند.
- منطق فیلترها: فیلترهای سخت (عدم تطبیق مکان، کف حقوق، نقش‌های صرفاً IC، یا صنایع رد شده) باید فرآیند را به‌طور سریع به حکم «رد» (Pass) ختم کنند. ترجیحات نرم (Soft Preferences) باید فقط در بخش «پرچم‌های قرمز» ظاهر شوند.
- قراردادهای خروجی: استفاده از الگوی نام‌گذاری پیش‌بینی‌پذیر برای فایل‌ها و ساختار بخش‌های ثابت است که باعث می‌شود داده‌ها برای مهارت دوم مانند
/resume-sharpenerقابل تجزیه و تحلیل باشند.
ایمنی و استناد (Grounding)
توسعه‌دهنده یک قانون سخت‌گیرانه «تغییرات را اختراع نکن» را در دو نقطه پیاده کرده است: یک بار در هنگام تولید پیش‌نویس (فقط الگوهای مشاهده شده در لیست‌های واقعی) و بار دیگر در مرحله اعمال (فقط متن‌های تایید شده). این کار مانع از آن می‌شود که هوش مصنوعی برای اینکه متن «بهتر به نظر برسد»، معیارهای جعلی بسازد یا محدوده مسئولیت‌ها را بیش از حد بیان کند.
بهبود بخش Sharpener:
برای ساخت نسخه‌ای قدرتمند از /resume-sharpener چند انتخاب طراحی پیشنهاد شده است:
- کالیبراسیون آستانه: آستانه‌ها (مانند ۲+ برای جملات و ۳+ برای شکاف‌ها) باید تابعی از حجم اپلای باشند. کسانی که تعداد کمی اپلای می‌کنند باید این اعداد را کاهش دهند تا سیگنالی دریافت کنند، در حالی که متقاضیان با حجم بالای اپلای باید آن‌ها را افزایش دهند تا از نویز در امان بمانند.
- فیلتر تعمیم: سیستم به‌طور صریح جملاتی را که بیش از حد محدود به یک شرکت یا یک دامنه خاص هستند، حذف می‌کند. هدف ارتقای نقاط قوت تعمیم‌پذیر است، نه کپی-پیست کردن جملات یک‌باره‌ی نامه‌ی پوششی.
- بخش‌های متقاطع: برای کسانی که چندین لنز دارند، پیش‌نویس باید شامل یک بخش متقاطع برای بهبودهای مرتبط با تمام رزومه‌ها (مثلاً روایت کلی مهارت‌ها) باشد تا از تایید تکراری یک تغییر جلوگیری شود.
- مکانیزم‌های جایگزین (Fallback): از آنجایی که ابزارهای MCP گوگل درایو ممکن است به دلیل انقضای احراز هویت یا محدودیت‌های API شکست بخورند، مهارت باید یک جایگزین مارک‌داون محلی داشته باشد تا مرحله بررسی انسانی هرگز نادیده گرفته نشود.
با تقسیم این ابزار به دو مهارت مجزا به جای یک ابزار بزرگ، توسعه‌دهنده توانست ریتم‌های مختلف را مدیریت کند. امتیازدهی شغلی به‌صورت روزانه انجام می‌شود، در حالی که بهینه‌سازی رزومه به‌صورت دسته‌ای (Batch) و زمانی صورت می‌گیرد که داده‌های کافی برای یافتن یک الگوی آماری معنادار جمع شده باشد. علاوه بر این، «شعاع تخریب» (Blast Radius) کنترل شده است: امتیازدهی فقط فایل‌های جدید می‌سازد، در حالی که بهینه‌سازی فایل‌های منبع حیاتی را ویرایش می‌کند و بنابراین به یک دروازه‌بان انسانی نیاز دارد.
این سیستم رزومه را از یک سند ایستا به یک موجود زنده تبدیل می‌کند که بر اساس واکنش بازار به پروفایل کاندید تکامل می‌یابد. این رویکرد، جست‌وجوی شغل را از مجموعه‌ای از رویدادهای مجزا به یک چرخه بهبود مستمر تبدیل می‌کند. حلقه نهایی با این یادآوری بسته می‌شود که /score-job در هر اجرا فایل‌های رزومه را تازه می‌خواند، به این معنی که هرگونه بهبودی اعمال شده توسط Sharpener به‌طور خودکار در جلسه امتیازدهی بعدی اثر می‌گذارد.
گام بعدی شما
- اگر از Claude Code استفاده می‌کنید، یک پوشه
.claude/skillsبسازید و اولین مهارت خود را برای تحلیل ایمیل‌های کاری تعریف کنید. - رزومه‌های خود را به فرمت مارک‌داون تبدیل کنید تا مدل‌های زبانی بتوانند با دقت بیشتری روی ساختار آن‌ها عملیات انجام دهند.
- یک فایل
preferences.mdشامل خط قرمزهای شغلی خود ایجاد کنید تا از تحلیل آگهی‌های نامناسب جلوگیری کنید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو