实测 AI Agent 跑求职：4 天数据与 LLM 账单

一位圣保罗的后端开发者把自己正在进行的「远程岗位求职」整条流水线交给 AI Agent 跑：拉职位、筛选、填表、投简历、追回信、订面试。在项目最初的四天里，Agent 从 11 个数据源抓取到 360 个职位，最终「端到端」完成提交只有 9 个，并附上了每一笔 LLM 调用的真实账单。

自动化流水线

Agent 按调度器轮询 11 个数据源（远程招聘板、ATS 列表、招聘平台），对每个职位做适配打分，筛选条件包括薪资下限、时区重叠、技术栈、工作授权；不通过就不申请，这是整个系统里最值钱的一环。

通过筛选后，Agent 在真实浏览器里完成投递：填表、上传简历、点击提交，并在点击前后各留一张截图。邮箱里的确认信和 recruiter 回复会被自动分类，再用作者可控的 Q&A 库作答。面试邀请可自动落入日历可用时段，但目前还没有任何申请走到这一步。

四天真实数据

具体数字如下：

11 个数据源发现的职位：360
通过适配规则：47（13%）
端到端完成投递：9
已收到 recruiter 回复并由 Agent 回信：2
已被拒：2
证据截图：230 张

转化漏斗从 360 到 9，只剩 2.5%。作者强调，最有价值的不是「自动投递」，而是「自动拒绝」——87% 的职位在筛选阶段被过滤掉，对应的是不需要填的表和不会被打扰的招聘方。

关键发现：LLM 账单

作者给每一阶段调用都加了 cost telemetry。最贵的两次申请，同样是 Agent、同样的高端模型，成本分别是 6.33 美元和 0.39 美元。差距来自 8 百万 cache-read tokens：表单越复杂，Agent 在填表循环里反复重读页面 DOM，token 静悄悄累积。

各阶段均价对比：

求职 Agent，单次申请均价（高端模型）：3.36 美元
同工作量换小模型：0.59 美元
职位打分（每职位）：0.11 → 0.002 美元（分层后）
收件箱分类（每封邮件）：0.03 → 0.0005 美元
作者心目中可商业化的目标：≤ 0.03 美元 / 次申请

结论：在当前高端模型定价下，这个产品经济上跑不通。降本路径不是简单换便宜模型，而是三件事并行：DOM 瘦身（页面前只留表单骨架进上下文）、硬性轮次上限、分层调用（提取用便宜模型，资格判断和撰写回答才用贵的）。

关键发现：网站对自动化不友好

Greenhouse、Lever、Workable 等 ATS 普遍接了 Cloudflare 等反爬墙层，无头浏览器几乎一打开就被识别。真正能跑通的方案是：服务器上用 Xvfb 跑一个真实、有头、保留 WebGL 的 Chromium，不泄露任何自动化特征，配上真实 UA、视口与屏幕尺寸一致、时钟跟随出口 IP。作者尝试过的各种伪装反而都成了指纹。

作者不打算松动的几条底线

每天最多投 5 份，批量海投就是 spam。
Agent 不编造事实：工作授权、薪资期望、可用时间一律来自 Q&A 库，库里没有宁可不交。
不碰 LinkedIn 和 Indeed，两者明文禁止自动化，账号风险不值得。
每次投递前后必截图 + 完整作答日志，证据全留。

接下来

作者表示 Agent 会继续跑自己的求职，同时把流程产品化，站点为 find-best-job.com。免费档每月提供 5 次完整投递，复制职位链接、Agent 跑全流程并附证据。