核心用法
Lofy Career 是一款面向求职者的全流程自动化管理 Skill，采用纯 Markdown 文档架构（T-MD 类型），通过结构化提示词引导 Agent 完成以下核心功能：
1. 求职管道追踪：以本地 data/applications.json 为核心数据库，记录每份申请的详细信息——从公司名称、岗位、投递渠道到当前状态、联系人、面试轮次及最终结果，并自动计算响应率、面试转化率等关键指标。
2. 简历智能定制：当用户粘贴职位描述后，系统自动解析核心要求（必备 vs 加分项），对照用户经历档案（profile/career.md）进行匹配度评分，针对性重写项目 bullet points，并标记差距项提示在 cover letter 中弥补。
3. 面试深度准备：锁定面试日期后触发 6 步研究流程——检索公司近期动态与产品发布、调查面试官背景、生成技术/行为/系统设计三类预测题、按项目准备 talking points、建议反问问题，最终打包 24 小时前发送。
4. 跟进自动化：基于时间规则触发邮件草稿——投递后 5 个工作日无回复生成提醒邮件、电话面试后 24 小时内生成感谢信、技术面试后引用讨论细节、终面后按面试官个性化定制。
5. 自然语言更新：支持口语化指令直接修改状态，如"下周二有电话面""被拒了""拿到 offer"等，系统自动解析并同步 JSON 数据。
显著优点
- 零代码攻击面：纯 Markdown 实现，无可执行脚本、无动态代码执行、无第三方依赖，从根本上杜绝传统软件供应链攻击向量
- 数据主权归用户：所有敏感求职信息（申请记录、简历内容、面试细节）仅存储于本地 JSON 文件，不上传云端，符合 GDPR 数据最小化原则
- 策略性求职思维：内置智能规则——自动检测重复投递、20 份申请后若响应率低于 10% 触发策略重评、强调质量优于数量的筛选逻辑
- 闭环工作流设计：从发现岗位→定制简历→投递追踪→面试准备→跟进管理→ offer 评估形成完整漏斗，避免多工具切换的认知负担
潜在缺点与局限性
- 无主动爬取能力：依赖用户手动输入职位信息，无法像专业工具（如 Huntr、Teal）自动抓取 LinkedIn/Indeed 最新岗位
- 数据持久化风险：本地 JSON 文件若未配置自动备份，存在误删或设备损坏导致求职记录丢失的可能
- 邮件发送需人工确认：仅生成草稿内容，实际发送需用户手动操作，无法实现真正的"自动化投递"
- 匹配算法依赖 LLM 质量：简历定制功能的效果直接受底层模型对职位描述解析能力和用户经历理解深度的影响
适合的目标群体
- 精细化求职者：对每份申请愿意投入时间研究、追求高转化率而非海投策略的候选人
- 隐私敏感用户：不愿将简历、面试笔记等敏感信息托管至 SaaS 平台的保守型用户
- 技术背景候选人：习惯 JSON 数据结构、能接受手动维护本地文件的技术从业者
- 多轮面试密集期：正处于 3-5 家公司流程并行、需要系统化管理 interview prep 和 follow-up 的活跃求职者
使用风险
| 风险类别 | 具体说明 | 缓解建议 |
|---------|---------|---------|
| 数据丢失 | 本地 JSON 单点存储，无云同步 | 配置 git 版本控制或定期手动备份 |
| 依赖项漂移 | 依赖 Agent 内置的 WebSearch 能力，若模型搜索质量下降会影响公司研究效果 | 关键面试前人工复核搜索结果 |
| 功能边界模糊 | 纯提示词驱动，Agent 可能在复杂场景下误解"quality > quantity"等抽象指令 | 建立定期人工审查习惯 |
| 更新维护 | T3 个人开发者发布，长期维护活跃度不确定 | 关注 GitHub 或社区反馈渠道 |