KeyFrame內部研究專用

你還在手動刷104人力銀行找工作?Claude 10 分鐘幫你全自動化

JayLuxAI | AI 自動化13 min中文
觀看原始影片

三句話摘要

用 Claude Code 打造全自動工作機會追蹤機器人,每天自動抓取 104 職缺、AI 分析匹配度,推送到 Telegram。 關鍵不是寫多少程式碼,而是用清晰的規劃讓 AI 精確理解需求,這套職缺追蹤架構也能無縫遷移到航班比價、股票監控、房源追蹤等任何需要定期爬取與分析網站資料的應用。 反爬蟲對策:大多數網站(如 104)有反機器人機制,採用 HTTP 請求會被識別並封鎖。Playwright 操控真實瀏覽器,模擬正常用戶行為(滑鼠移動、真實 UserAgent、正常請求速度),能躲過反爬偵測,比傳統爬蟲更可靠。

重點整理

  1. 反爬蟲對策:大多數網站(如 104)有反機器人機制,採用 HTTP 請求會被識別並封鎖。Playwright 操控真實瀏覽器,模擬正常用戶行為(滑鼠移動、真實 UserAgent、正常請求速度),能躲過反爬偵測,比傳統爬蟲更可靠。

  2. 7:2:1 開發原則:70% 時間投入流程整理、工具選擇、上下文規劃、檔案管理,邀請 AI 反問澄清需求;20% 時間讓 Claude Code 執行開發;10% 時間用於人工測試與長期維護。這個配置讓 AI 能精確理解需求,大幅減少重做次數。

  3. 多工具整合架構:Playwright(爬取資料)+ OpenRouter(AI 分析)+ Telegram(推播)+ Model.com(雲端排程),各工具各司其職。核心是讓 AI 幫你協調這些工具的整合,而不是手動串接 API。

  4. 可遷移的邏輯框架:此架構不限於找工作,換掉 Playwright 目標頁面(如航班價格、股票財報、租房網站),就變成價格比較機、股票追蹤系統、房源監控,核心邏輯完全通用。

實用技巧與重點

  • 工具清單:
  • Playwright(微軟開發,控制真實瀏覽器)
  • OpenRouter(AI 模型 API 整合平台,支援 Claude、GPT 等)
  • Telegram(推播通知,優於 Line 的設置便利性)
  • Model.com(雲端運算平台,支援排程任務)
  • Claude Code(AI 編碼助手)
  • 具體流程:
  • 使用者在 Claude Code 描述需求(文字或截圖流程圖)
  • 邀請 AI 反問澄清(工具選擇、反爬方案、AI 評分標準等)
  • AI 生成 CLAUDE.md 規劃檔案
  • 開啟 Plan Mode,AI 進入實作階段
  • 配置 Telegram Chat ID 與 Model 帳號
  • Playwright 先做本地模擬測試,確認能抓取正確資料
  • 部署到 Model 平台,設定 UTC 0(台灣時間早上 8 點)的每日排程
  • Telegram Bot 自動推送結果
  • 設定細節:
  • Telegram:需要取得 Chat ID 與 Bot Token
  • Model.com:建立 workspace,綁定 GitHub 或授權 Claude Code 上傳程式
  • Playwright:需確認能通過網站反爬機制並正確擷取資料
  • 執行時間:UTC 0 = 台灣時間早上 8 點
  • 篩選條件(在 config 檔案中設定):
  • 職位類別(如 IT)
  • 工作地點(如台北)
  • 月薪範圍
  • 公司偏好
  • AI 匹配度評分標準
  • 執行結果呈現:
  • 高匹配職缺(如 8 分以上)
  • 值得考慮的職缺
  • 月薪、公司名稱、職位、匹配分數、原始連結

結論

關鍵不是寫多少程式碼,而是用清晰的規劃讓 AI 精確理解需求,這套職缺追蹤架構也能無縫遷移到航班比價、股票監控、房源追蹤等任何需要定期爬取與分析網站資料的應用。

完整解析

講者從一個常見的工作尋職困境切入:每天花時間在 104 刷新職缺,卻不斷重複看到相同職位,無法識別真正值得投遞的機會。傳統的 web 爬蟲方案會因為反爬機制而失效,所以核心技術選擇是用微軟的 Playwright——它能操控真實瀏覽器(Chrome)點擊按鈕、填表單、抓資料,完全模擬人類行為,不會被網站識別為機器人。

為了高效地建構這個系統,講者提出 7:2:1 開發原則,打破一般人認為「寫程式最重要」的迷思。70% 的時間投入在規劃階段:整理清楚流程(先去 104、根據篩選條件取資料、總結分析、推送給用戶)、選定各環節工具、規劃上下文與檔案結構。這個階段的關鍵是邀請 Claude Code「反問你的澄清問題」,讓 AI 提出你可能沒想到的細節(如何驗證 Playwright 有沒有被擋、AI 的評分邏輯是什麼、用戶的背景資訊是什麼),確保方向正確再動手。完成規劃後,AI 生成一份 CLAUDE.md 檔案紀錄上下文,這樣後續協作時 AI 能精確理解需求。

第二個階段(20% 時間)交給 Claude Code 執行開發。開啟 Plan Mode 後,AI 會寫出所有必要的程式:設定檔(config)、Playwright 爬蟲邏輯、資料處理與分析、Telegram 推播格式。關鍵是先做本地模擬測試,確認 Playwright 能抓到預期的資料,而不是直接上傳到雲端。講者實際示範時發現篩選條件有問題(經營人資被誤分類為 IT、月薪範圍不符),AI 快速列出所有可用的職位代碼供修正,整個除錯只花了 3~5 分鐘。

測試通過後,部署到 Model.com 這個雲端運算平台。過程很簡單:建立 workspace、授權 Claude Code 上傳程式、設定排程時間(UTC 0 對應台灣早上 8 點)。部署完成後,Model 每天自動執行,結果直接推送到 Telegram。用戶打開手機只要看通知即可,不需做任何操作。

最後 10% 時間用於人工測試與定期維護。因為網站內容與結構隨時可能改變,需要定期檢查爬蟲是否仍能正常執行、AI 的分析邏輯是否仍然適當。

4 min
AI 技術中文11月21日

Make.com Automation for Beginners: Your First Automation in 10 Minutes

AI Workflow Lab看原片 ↗
  • Make 的核心是「情景」(Scenario) 概念,由多個模組組成,每個模組執行一個應用程式的單一工作。當第一個應用程式中發生事件時,Make 自動將資料傳遞到下一個應用程式,就像一個從不睡眠也不遺忘的數位助手。
  • 映射 (Mapping) 是自動化的核心。使用者需要明確告訴 Make 每筆資料應該放在哪裡,確保表單欄位正確對應到試算表的列,以及郵件內容能夠動態插入客戶資訊。
編輯精選
企業管理英文11月21日

What Anthropic's $900 Billion Bet Means for You

Nate Herk看原片 ↗
  • 訂閱用戶成為上市公司的收益基礎:4000 萬名小客戶(含 Claude Pro、Max、Ultra 或 API 用戶)合計貢獻 25% 的收入,形成 Wall Street 下注的對象。用戶每次訂閱續約都直接影響 Anthropic 股價,
  • 循環融資制造生態系統性風險:Amazon、Google、Broadcom 與 Nvidia 等公司既是投資者、又是運算服務提供商,同時採購 Anthropic 服務,形成相互依賴的閉環。若任一環節需求放緩,所有參與者將同時受創,系統風險無法
編輯精選
AI 技術英文11月20日

6 Lessons I Learned From Installing AI in a $10M Business

Liam Ottley看原片 ↗
  • AI 負責前 80% 工作,人的品味決定最後 20% — 系統一開始生成的提案很基礎,直到 Isaac 的設計師介入決定風格、選擇產品後,品質才大幅提升。需要將品味優秀的員工的規則和案例提供給 AI,讓初版更接近他們的標準。
  • 聚焦單一瓶頸,不要全面改造 — 分析發現提案環節是最大痛點:每月 15-20 張圖、每張 10 小時、成本 $500-1000、9 成無結果。選擇同時改善速度、成本、品質的用例,才是 AI 真正發揮價值的地方。