求职季，你是否也面临着海投简历后，邮箱被各种自动回复、面试邀请、拒信甚至offer淹没的困境？手动用表格记录，不仅耗时耗力，还容易遗漏重要信息。本文将带你了解如何利用 AI 和 大模型 技术，构建一个 自动化 的 求职追踪器，从此告别繁琐的表格，更高效地管理你的求职进度。这个追踪器能够读取Gmail，智能解析邮件内容，自动提取关键信息，并生成可视化报告，让你专注于更重要的面试准备和职业选择。

痛点：手动追踪的低效与失误

手动记录求职信息，是每个求职者都经历过的噩梦。想象一下，你投递了上百份简历，每天收到几十封邮件，需要手动复制粘贴 公司 名称、 职位 、 地点 、 申请状态 等信息到Excel表格。这种方式不仅效率低下，而且容易出错，遗漏重要信息。比如，你可能忘记了某个公司的面试时间，或者错过了重要的offer邮件。更糟糕的是，长时间的重复劳动会让你感到疲惫和厌倦，影响求职心态。

根据一项针对1000名求职者的调查显示，超过80%的求职者使用Excel或Google Sheets来追踪求职进度，但只有不到20%的人表示他们对这种方式感到满意。剩余的80%的人认为手动追踪太耗时、容易出错、无法提供有效的分析和洞察。这个数据充分说明了手动追踪的局限性，也突出了 自动化 求职追踪的重要性。

解决方案：AI驱动的邮件解析器

为了解决手动追踪的痛点，我构建了一个 AI 驱动的邮件解析器。这个系统能够：

• 连接Gmail：通过Gmail API获取所有与求职相关的邮件。
• 使用OpenAI的GPT：利用 大模型 的强大自然语言处理能力，智能提取 公司 名称、 职位 、 地点 、 申请状态 等关键信息。
• 自动组织数据：将提取的信息整理成结构化的数据格式，方便后续分析和使用。
• 生成可视化报告：创建图表，直观地展示申请状态，帮助你更好地了解求职进度。

最重要的是，这个系统能够 自动化 运行，无需任何手动干预，让你随时掌握最新的求职动态。

技术实现：Python、Gmail API、OpenAI API与GitHub Actions

这个 求职追踪器 的核心技术栈包括：

• Python：作为主要的编程语言，负责核心逻辑和流程编排。
• Gmail API：用于访问和检索Gmail中的邮件。
• OpenAI API：利用 大模型 GPT进行自然语言处理，实现邮件分类和信息提取。
• Plotly：用于生成交互式数据可视化图表。
• GitHub Actions：用于自动化部署和定时执行任务。

具体流程如下：

1. 邮件检测与解析：系统使用Gmail API获取邮件，并利用 AI 进行两步处理。首先，快速判断邮件是否与求职相关。然后，利用GPT提取关键信息，例如 公司 名称、 职位 、 地点 和 申请状态 。

   例如，GPT可以识别包含 “面试邀请”、”Interview Invitation”等关键词的邮件，并从中提取面试时间和地点。对于包含 “感谢您的申请” 或 “Thank you for your application” 的邮件，GPT可以识别为初始申请确认。即使公司使用委婉的语言表达拒绝，GPT也能通过上下文理解邮件的真实含义。例如，GPT可以识别 “我们收到了大量优秀的申请” 并将其归类为 “拒绝”。

2. 智能状态分类：AI 不仅仅是简单地复制文本，而是理解上下文。它可以区分以下几种状态：

   • 初始申请确认
   • 面试邀请
   • Offer
   • 拒信

3. 数据组织与可视化：所有提取的数据都存储在结构化的格式中，并自动生成：

   • 包含所有申请的Markdown表格
   • 展示从申请到结果的Sankey图

   例如，Markdown表格可以清晰地展示每个 公司 的 职位 、申请日期、申请状态等信息。Sankey图可以直观地展示申请数量、面试数量、Offer数量以及拒信数量，让你一目了然地了解求职的整体情况。

4. 持续更新：使用GitHub Actions，系统定期检查新邮件，确保跟踪数据保持最新。

迁移到BigQuery和dbt：构建更强大的数据仓库

虽然当前的解决方案可以满足个人需求，但我计划将其迁移到Google BigQuery和dbt，构建一个更强大、更易于使用的平台。

1. 无限的可扩展性：GitHub Actions有执行时间和存储限制。BigQuery可以轻松处理数百万封邮件。非常适合有广泛求职历史的用户。

   与GitHub Actions相比，BigQuery可以处理更大的数据集，并提供更快的查询速度。这对于需要分析大量历史求职数据的用户来说至关重要。

2. 专业级数据建模：dbt支持版本控制、可测试的数据转换。创建复杂的分析，如按 公司 规模划分的成功率、响应时间指标和申请速度趋势。构建适当的数据仓库，以获取求职见解。

   dbt 允许你以更结构化的方式转换和清洗数据。你可以定义数据模型，并编写SQL查询来转换数据。dbt还支持测试，确保数据的准确性和一致性。

3. 轻松的多用户支持：用户可以将他们的Gmail连接到共享的BigQuery数据集。每个用户的数据保持私密和安全。无需fork仓库或管理单独的GitHub Actions。

   这意味着你可以与朋友或家人共享这个 求职追踪器，而无需担心数据安全问题。

4. 经济高效的用户：BigQuery的免费套餐（每月1TB的查询）足以满足个人使用。没有GitHub Actions分钟消耗。仅按使用量付费（对于大多数求职者来说将为0美元）。

   这大大降低了使用成本，让更多的求职者能够受益于这个工具。

5. 实时分析：流处理功能可用于即时电子邮件解析。实时仪表板，随着新电子邮件的到达而更新。跨所有求职的历史趋势分析。

   这意味着你可以实时监控求职进度，并及时调整策略。

6. 企业级架构：内置数据治理和安全性。轻松与Looker、Tableau或Data Studio等可视化工具集成。API访问，用于构建自定义应用程序。

   这使得这个 求职追踪器 能够满足各种规模的用户的需求，从个人求职者到大型企业的人力资源部门。

愿景：一个自助式平台

我的目标是创建一个平台，求职者可以：

• 通过OAuth连接他们的Gmail帐户
• 自动开始跟踪应用程序
• 访问包含见解的个性化仪表板
• 以他们需要的任何格式导出数据
• 设置自定义警报（例如，“如果我在2周内没有收到回复，请通知我”）

例如，你可以设置一个警报，当某个 公司 在两周内没有回复你的申请时，系统会自动发送邮件或短信通知你。

经验教训：AI、自动化与数据的重要性

构建这个项目让我学到了几个宝贵的教训：

• AI 非常擅长理解上下文 — GPT可以从模糊的电子邮件签名中提取 公司 名称。
• 小的 自动化 会复合 — 每个电子邮件节省2分钟，在求职过程中会增加几个小时。
• 数据揭示了模式 — 我发现我从某些招聘网站获得了更好的回复率。
• 开源是强大的 — 我很高兴看到社区如何扩展这个工具。

例如，通过分析我的求职数据，我发现某些招聘网站的回复率明显高于其他网站。这让我能够更加专注于那些效果更好的招聘渠道，提高求职效率。

尝试一下：GitHub上的开源项目

当前版本可在GitHub上获得。虽然它需要一些技术设置，但自述文件包括入门的详细说明。

请继续关注BigQuery/dbt版本，这将通过一个简单的Web界面使每个人都可以访问它！

总结：解放双手，专注于更重要的事

求职已经够让人压力山大了，不要再让繁琐的申请跟踪工作增加你的负担。通过 自动化 这个过程，你可以专注于真正重要的事情：准备面试和找到合适的机会。

AI 和 大模型 技术正在改变我们的工作方式。这个 求职追踪器 只是一个开始，未来我们还可以利用这些技术构建更多智能化的工具，提高求职效率，最终找到理想的工作。

如果你对技术细节感兴趣，或者想为项目做出贡献，请查看GitHub存储库。如果你正在求职 – 坚持下去！有了更好的工具和数据，我们可以让这个过程变得不那么痛苦。

你希望在求职申请跟踪器中添加哪些功能？请在评论中告诉我！如果你觉得这篇文章有帮助，请鼓掌并与可能从自动求职跟踪中受益的人分享。

关注我以获取有关数据工程、 自动化 和使用代码让生活更轻松的更多帖子。