career-ops: Quelloffener, lokaler KI-Agent für die Jobsuche, der erst urteilt und dann bewirbt

Was es ist: ein quelloffener KI-Agent für die Jobsuche, auf Seiten der Bewerber

career-ops ist ein Open-Source-Projekt auf GitHub. Der Slogan lautet »The open-source AI job search agent«. Der Autor ist santifer (Santiago Fernández de Valderrama Aparicio). Die Entstehung ist schlicht. Er schickte monatelang Lebensläufe ins Leere. Statt noch mehr zu verschicken, baute er sich den Filter, den er brauchte. Das README nennt seine eigenen Zahlen: 740 bewertete Stellen, 68 Bewerbungen, 12 Vorstellungsgespräche, 1 Angebot. Er sagt, er sei der erste Nutzer des Werkzeugs gewesen und habe es erst nach der Zusage als Open Source veröffentlicht. Laut README verließ er die Stelle sechs Monate später. Das Team baut career-ops heute weiter.

Der Ablauf passt in einen Satz. Sie fügen eine Stellenanzeige ein. Auf Ihrem eigenen Rechner sagt das Werkzeug Ihnen, ob die Stelle noch offen ist und ob sie zu Ihnen passt. Danach passt es Ihren Lebenslauf an und entwirft die Antworten für das Bewerbungsformular. Der letzte Schritt bleibt beim Menschen: »You press Submit«, Sie selbst drücken auf Absenden.

Kernidee: erst urteilen, dann handeln

Die meisten KI-Werkzeuge für die Jobsuche lösen ein Produktionsproblem: Lebensläufe schneller erzeugen, Bewerbungen im Stapel versenden. career-ops beginnt am anderen Ende. Es löst zuerst ein Urteilsproblem. Das README startet mit einem Gegensatz: Unternehmen nutzen KI, um Kandidaten zu filtern, und der Autor gab den Kandidaten KI, um Unternehmen auszuwählen. Die erste Ausgabe des Werkzeugs ist kein Dokument, sondern ein Urteil. Lautet es »do not apply«, haben Sie Ihren Abend zurück. Kommt ein Plan zurück, wissen Sie, was als Nächstes zu tun ist.

Die Demo zeigt die Suche des Autors: eine Liste bewerteter Stellen, ein roter Zähler für die als »do not apply« markierten und danach ein vollständiger Bewertungsbericht. Die Oberfläche ist auf Spanisch. Das README selbst liegt in 17 Sprachen vor, darunter Englisch, Spanisch, Deutsch, Französisch, Japanisch, Koreanisch sowie vereinfachtes und traditionelles Chinesisch.

Funktionsweise und was sich belegen lässt

Zuerst eine Grenze. Unser Ausgangstext ist der Anfang des READMEs. Er beschreibt keine Interna wie Bewertungskriterien, Prompt-Aufbau, Abruf der Stellen oder Speicherformat. Wir behandeln daher nur, was das README ausdrücklich sagt, und was sich daraus sinnvoll ableiten lässt. Erstens: lokal zuerst. Das README sagt: »Open source. Local. In the AI CLI you already use.« Das Werkzeug läuft im KI-Kommandozeilenclient, den Sie schon nutzen, nicht in einem gehosteten Dienst. Der Einstieg ist ein Befehl: npx @santifer/career-ops init. Das deutet auf eine Verteilung als npm-Paket hin, das den Arbeitsablauf in Ihrer lokalen Umgebung einrichtet. Lebenslauf, Bewerbungsverlauf und Bewertungen müssen nicht bei einer Drittplattform liegen.

Zweitens: austauschbare Modelle. Das README verweist auf ein Dokument namens RUNNING_ON_A_BUDGET und nennt kostenlose und lokale Modelle. Wer nicht für jede Bewertung zahlen will, findet so leichter einen Einstieg. Der Preis ist klar: Kleine lokale Modelle sind bei der Beurteilung langer Texte und bei der Formulierung meist schwächer als große Cloud-Modelle. Drittens: die Prüfung, ob die Stelle noch offen ist. Viele Bewerber verlieren Zeit an Anzeigen, die längst entfernt wurden. »Noch offen« und »passt zu mir« in einer Bewertung zu verbinden, ist ein praktischer Ansatz. Das README erklärt die Methode nicht, wir raten nicht. Viertens: der Mensch bleibt im Kreislauf. Das Werkzeug entwirft und passt an, aber eine Person sendet ab. Das README fasst dies in ein Manifest aus sechs Zeilen: besser und weniger bewerben; Signal vor Menge; Belege vor Schlagwörtern; ein Mensch entscheidet; lokal zuerst; Würde auf beiden Seiten des Tisches.

Kennzahlen und ihre vorsichtige Deutung

Die Zahlen 740, 68, 12 und 1 bilden einen aussagekräftigen Trichter. Der Autor bewertete mehr als zehnmal so viele Stellen, wie er sich beworben hat, und bewarb sich etwa fünf- bis sechsmal so oft, wie er Gespräche bekam. Die meisten Stellen schieden bei der Bewertung aus. Das ist das Gegenteil einer Massenstrategie.

Vorsicht ist dennoch nötig. Es ist der Weg einer einzelnen Person, kein kontrolliertes Experiment. Das README nennt keine Erfolgsquote ohne das Werkzeug und kann Einflüsse von Branche, Erfahrung, Region oder Zeitpunkt nicht ausschließen. Es ist ein starkes Einzelbeispiel, aber kein Wirkungsbeleg. Es gibt auch keine Messwerte zu Latenz oder Kosten. Die Kosten hängen vom gewählten Modell ab.

Die Signale aus der Community sind zahlreicher. Das Projekt wird auf Trendshift als Repository Nummer eins des Tages geführt, ist auf Product Hunt vorgestellt und wird vom Open-Source-Programm von Vercel unterstützt. Das README zitiert außerdem Berichte von WIRED und Business Insider. Eine Datei HIRED.md zählt öffentliche Einstellungsgeschichten mit einem dynamischen Badge, jede Karte ist ein öffentliches Issue zum Nachlesen. Das sind Angaben des Projekts selbst. Sie lassen sich auf den verlinkten Seiten prüfen. Wir haben nicht jede einzeln verifiziert.

Folgen für Entwickler und Arbeitsmarkt

Für Entwickler ist career-ops ein nützliches Fallbeispiel: Eine sehr persönliche Aufgabe wird zu einem verteilbaren Arbeitsablauf, der in einem allgemeinen KI-Kommandozeilenwerkzeug läuft statt in einer eigenen App. Vorteile sind die Wiederverwendung des vorhandenen Modellzugangs, geringe Verteilungskosten und leichte Anpassung durch die Community.

Für den Arbeitsmarkt ist es ein Versuch, das Machtgefälle zu verringern. Arbeitgeber filtern Lebensläufe seit Jahren per Algorithmus. Bewerber hatten Vorlagen und Schlagwort-Stopfen. career-ops gibt Bewerbern ein Bewertungswerkzeug und stellt sich offen gegen Masse. Bemerkenswert ist, dass »nicht bewerben« als Kernwert gilt. Die meisten Werkzeuge messen Erfolg an der Zahl gesendeter Bewerbungen.

Grenzen und Risiken

Erstens hängt die Qualität der Bewertung vom Modell ab. Punkte, Passung und das Urteil »do not apply« sind Modellausgaben und können falsch sein. Sie sind als Rat zu lesen, nicht als Entscheid. Zweitens der Datenschutz. Lokal zuerst senkt das Risiko, dass Daten Ihren Rechner verlassen. Mit einem Cloud-Modell geht der Inhalt Ihres Lebenslaufs aber an den Anbieter. Ein lokales Modell vermeidet das, mit Abstrichen bei der Qualität.

Drittens die Wahrhaftigkeit der Entwürfe. Automatisch angepasste Unterlagen müssen Ihrer echten Erfahrung treu bleiben. »Belege vor Schlagwörtern« weist in die richtige Richtung, doch das Werkzeug prüft keine Fakten. Wer auf Absenden drückt, trägt die Verantwortung. Viertens ist die Beleglage schmal: vor allem der Bericht des Autors und Community-Geschichten. Eine unabhängige, reproduzierbare Auswertung fehlt.

Wie es weitergehen könnte

Der Aufbau des READMEs deutet auf mehr Sprachen für Dokumentation und Oberfläche, eine wachsende Sammlung von Einstellungsgeschichten und eine Gemeinschaft um das Manifest, das einen Unterschriftenzähler trägt. Der nützlichste nächste Schritt wäre ein öffentlicher Benchmark: mehrere Modelle auf einer festen Stellenmenge bei der Entscheidung »bewerben oder nicht« vergleichen und die Übereinstimmung mit menschlichem Urteil angeben.

Fazit

Der Wert von career-ops liegt nicht darin, dass Sie mehr bewerben, sondern weniger und besser. Das Urteil steht vor der Handlung, die Entscheidung bleibt beim Menschen, die Daten bleiben bei Ihnen.

Die Belege stammen überwiegend aus einem Einzelfall und aus Community-Geschichten und sind mit Vorsicht zu lesen. Die Idee ist klar, und der Test kostet wenig: ein npx-Befehl und eine Stelle, auf die Sie sich heute Abend bewerben wollten.