基于Selenium与AI的LinkedIn求职自动化工具：原理、实现与风险规避-编程实验室

1. 项目概述：一个基于AI的LinkedIn求职自动化工具

如果你正在经历海投简历的疲惫，每天重复着搜索、筛选、填写表单的机械劳动，那么这个项目可能会让你眼前一亮。这是一个利用Python、Selenium和大型语言模型（如GPT、Gemini）构建的自动化工具，旨在智能地处理LinkedIn上带有“Easy Apply”（一键申请）功能的职位申请流程。它的核心逻辑是模拟真人操作，自动登录你的LinkedIn账户，根据你预设的职位偏好（如岗位关键词、地点、工作模式）进行搜索和筛选，然后利用AI模型解析你的简历文本，智能地回答申请表单中的各种开放性问题，最终完成提交。整个过程旨在将你从繁琐的重复劳动中解放出来，让你能更专注于准备面试和提升技能。

然而，我必须在一开始就强调一个至关重要的前提：使用此类自动化工具存在明确的账户风险。LinkedIn的用户协议明确禁止未经授权的自动化操作。这个项目虽然采用了如undetected-chromedriver等技术来降低被检测的概率，并设置了操作间隔来模拟人类行为，但并不能保证100%安全。我自己在开发和测试过程中也经历过账户被临时限制的情况。因此，这个工具更适合用于技术研究、学习自动化测试或是在你愿意承担一定风险、且申请量巨大的场景下谨慎使用。它不是一个“设置好就一劳永逸”的魔法，而是一个需要你理解其原理、并根据实际情况调整策略的“高级助手”。

2. 核心架构与设计思路解析

2.1 为什么选择“Easy Apply”作为突破口？

LinkedIn的职位申请方式主要分为两种：跳转到公司官网的“Apply”和LinkedIn自带的“Easy Apply”。这个项目精准地选择了后者作为自动化目标，这背后有非常实际的工程考量。

首先，技术可行性。“Easy Apply”的表单是嵌入在LinkedIn页面内的标准化组件，其HTML结构相对稳定和统一。这意味着我们可以通过Selenium等工具，相对可靠地定位到输入框、下拉菜单、单选框等元素。而跳转到外部官网的申请流程，每个公司都有一套独立的、可能非常复杂的系统，涉及不同的验证码、动态加载、甚至完全不同的技术栈，要实现通用化的自动化几乎是不可能的任务。

其次，流程标准化。尽管不同公司的“Easy Apply”表单问题各异，但其基础框架（如个人信息、简历上传、补充问题）是相似的。这为我们设计一个能够处理多种表单的通用逻辑提供了可能。AI模型在这里的作用，就是处理那些非标准化的、开放式的文本问题。

最后，效率提升显著。对于求职者来说，即使是“Easy Apply”，填写一份包含5-10个问题的表单也可能需要5-10分钟。当目标职位成百上千时，这个时间成本是惊人的。自动化可以将单次申请时间压缩到1-2分钟，并且可以7x24小时运行，从效率上看是降维打击。

2.2 技术栈选型：Selenium + AI模型的黄金组合

项目的技术选型体现了实用主义至上的原则，每一环都针对特定的挑战。

1. 浏览器自动化：Selenium 与 Undetected-Chromedriver

Selenium：这是Web自动化的行业标准。它提供了完整的API来驱动浏览器，模拟几乎所有人类操作：点击、输入、滚动、下拉选择等。其强大的元素定位能力（通过ID、Class、XPath、CSS Selector）是准确操作“Easy Apply”表单的基石。
Undetected-Chromedriver：这是本项目的“隐身衣”。标准的ChromeDriver容易被网站的反爬虫机制识别，因为其存在一些可被检测的特定特征（如cdc_字符串）。Undetected-Chromedriver修改了这些特征，使得自动化浏览器更像一个普通的用户浏览器，极大地提高了隐蔽性。这是对抗LinkedIn自动化检测的第一道，也是最重要的一道防线。

2. AI引擎：ChatGPT (Web UI/API) 与 Gemini API

ChatGPT Web UI 方式：项目提供了一个颇具巧思的低成本方案——直接利用ChatGPT的网页界面。通过获取用户的登录Cookie（__Secure-next-auth.session-token），脚本可以模拟已登录状态访问ChatGPT网页，并与之交互。这种方式完全免费（对于GPT-3.5）或仅需ChatGPT Plus订阅（对于GPT-4），无需支付OpenAI API调用费用，对于需要大量问答的求职申请场景，成本优势巨大。
Gemini API 方式：作为Google的竞争产品，Gemini API提供了另一个可选的后端。其优势在于API调用可能更稳定，响应速度有保障，并且有免费的额度可供使用。项目将其作为备选，增加了灵活性。
AI的核心任务：不是简单地填表，而是理解并生成文本。当表单中出现如“Tell us about a challenging project you led”（请讲述你领导过的一个有挑战性的项目）这类问题时，AI需要根据你的简历文本（txt文件），生成一段贴合问题、突出个人优势的个性化回答。这比简单的关键词匹配要复杂和智能得多。

3. 通知与监控：Telegram Bot自动化流程在后台运行，用户需要知道它的状态：申请了多少职位？成功了多少？遇到了什么错误？通过集成Telegram Bot，脚本可以将关键日志和结果实时推送到你的手机。这是一个提升体验的关键设计，让你无需守在电脑前，也能对进程了如指掌。

2.3 配置文件驱动：实现高度可定制化

项目没有将配置硬编码在脚本里，而是通过外部的JSON和TXT文件来驱动，这是一个非常专业的设计模式，带来了极好的可维护性和灵活性。

your_email.json：这是整个机器人的“大脑”或“指挥中心”。它定义了求职策略（找什么工作、避开什么工作）、操作参数（用哪个AI模型）和账户信息（LinkedIn、Telegram、AI服务）。通过修改这个文件，你可以轻松地从“寻找旧金山的远程机器学习工程师”切换到“寻找纽约的混合制数据分析师”，而无需改动一行代码。
your_email.txt：这是机器人的“记忆库”和“素材库”。它存储了你的简历全文、项目经历、技能细节等所有文本信息。当AI需要回答问题时，就会从这个文件中寻找灵感和素材。保持这个文件的详尽和更新至关重要。

这种设计使得项目从一个僵硬的脚本，变成了一个可适配不同用户、不同求职目标的通用框架。

3. 环境准备与详细配置指南

3.1 本地开发环境搭建

要运行这个项目，你首先需要一个Python开发环境。我强烈建议使用conda或venv创建独立的虚拟环境，以避免包依赖冲突。

# 1. 克隆项目代码到本地 git clone https://github.com/srikar-kodakandla/linkedin-easyapply-using-AI.git cd linkedin-easyapply-using-AI # 2. 创建并激活虚拟环境 (以conda为例) conda create -n linkedin-bot python=3.9 conda activate linkedin-bot # 3. 安装项目依赖 pip install -r requirements.txt

注意：requirements.txt文件通常包含selenium,undetected-chromedriver,python-telegram-bot,requests等核心库。请确保网络通畅，一次安装成功。如果遇到某个包安装失败，可以尝试单独安装或搜索特定版本。

3.2 核心配置文件详解与创建

这是整个设置过程中最需要细心的一步。你需要创建两个以你邮箱前缀命名的文件。

第一步：创建简历文本文件 (yourname.txt)这个文件的内容质量直接决定AI回答的水平。不要只是粘贴一份排版好的PDF简历，而应该准备一份纯文本的“详尽版个人资料”。

# 你的名字 - 简历资料库 ## 专业技能 - 编程语言：精通Python，用于数据分析和机器学习建模；熟悉SQL进行复杂查询；了解Java和C++。 - 机器学习框架：熟练掌握Scikit-learn, TensorFlow, PyTorch。在TensorFlow上构建过CNN图像分类模型，准确率达95%。 - 云平台：拥有AWS Certified Solutions Architect认证，有使用AWS SageMaker部署模型的经验。 - 工具：熟练使用Git, Docker, Linux命令行，Tableau进行数据可视化。 ## 工作经历 ### 高级数据科学家 | XYZ科技公司 | 2020年1月 - 至今 - 领导一个5人团队，开发了公司核心的客户流失预测模型。通过集成XGBoost和深度学习特征，将预测准确率从70%提升至88%，每年为公司减少约200万美元的客户流失。 - 项目挑战：数据来源分散，质量不一。我设计了统一的数据管道和清洗流程，并引入了特征商店（Feature Store）概念，将模型迭代周期从2周缩短到3天。 - 技术栈：Python, PySpark, AWS EMR, SageMaker, MLflow。 ### 数据分析师 | ABC初创公司 | 2018年6月 - 2019年12月 - 从零搭建公司业务数据看板，自动化了超过80%的手动报表工作。 - 通过用户行为分析，发现了产品的一个关键用户体验瓶颈，提出的改进方案使用户留存率提升了15%。 ## 项目经验 ### 端到端商品推荐系统 (个人项目) - 目标：为电商网站构建个性化推荐引擎。 - 我的角色：独立完成数据爬取、清洗、特征工程、模型训练（协同过滤 & 深度学习）和Flask API部署。 - 成果：在公开数据集上，该系统的推荐准确率（Precision@10）达到0.42，优于基准模型。 - 关键技术：Python, Surprise库, LightFM, Flask, Heroku。 ## 教育背景 - 硕士学位，计算机科学，斯坦福大学，GPA 3.8/4.0 - 学士学位，软件工程，清华大学，GPA 3.9/4.0 ## 自我描述/求职信摘要 我是一名热衷于用数据驱动决策的数据科学家，拥有从概念验证到生产部署的完整机器学习项目经验。我擅长在跨职能团队中协作，将复杂的业务问题转化为可衡量的数据解决方案。我追求代码的简洁高效，并坚信清晰的沟通与技术创新同等重要。

第二步：创建JSON配置文件 (yourname.json)这个文件控制机器人的所有行为。请务必根据注释仔细填写每一个字段。

{ "username": "your.email@gmail.com", "password": "your_secure_password_here", "roles1": ["Data Scientist", "Machine Learning Engineer", "ML Engineer", "AI Engineer"], "not_roles1": ["Intern", "Senior Director", "VP", "Manager", "Lead"], "keywords": ["machine learning", "python", "deep learning", "data science", "tensorflow", "pytorch"], "locations": ["San Francisco Bay Area", "New York City Metropolitan Area", "Remote"], "remote": true, "hybrid": false, "telegram_token_id": "1234567890:AAHx7bV1p9zC5oKjQwXyZzAaLbCcDdEeFfGg", "telegram_chat_id": "-987654321", "token_cookie_chatgpt": "your_long_chatgpt_session_token_string", "headless_mode_chatgpt": false, "model_name": "gpt-4", "gemini_api_key": "your_gemini_api_key_here", "chatgpt_timeout": 120, "GPT_backend_selection": "chatgpt" }

关键配置项解析与避坑指南：

roles1和not_roles1: 这是关键词匹配，不是精确匹配。如果roles1包含"Engineer"，那么"Software Engineer"和"Quality Engineer"都会被匹配。not_roles1用于过滤掉你明确不想要的职位，比如实习生或过高阶的职位。
keywords: 这些关键词用于LinkedIn站内搜索。建议使用技能、工具或领域名称，如"python","aws","fintech"。
remote&hybrid: 逻辑是“或”。如果remote: true, hybrid: false，则只搜索标记为远程的职位。如果都为true，则搜索远程和混合的职位。如果都为false，则搜索所有类型（包括现场办公）。
获取Telegram Token和Chat ID:
1. 在Telegram中搜索@BotFather，发送/newbot，按提示创建机器人，最后会得到一串token（格式如1234567890:AAHx7bV1p9zC5oKjQwXyZzAaLbCcDdEeFfGg），填入telegram_token_id。
2. 给你新建的机器人发送一条任意消息（如/start）。
3. 在浏览器中访问https://api.telegram.org/bot<YOUR_TOKEN>/getUpdates（将<YOUR_TOKEN>替换为你的token）。在返回的JSON中，找到message->chat->id的值，这个数字就是你的telegram_chat_id。
获取ChatGPT Cookie Token（最易出错步骤）:
1. 在Chrome或Edge浏览器中，登录 chat.openai.com 。
2. 按F12打开开发者工具，切换到Application（应用）标签页。
3. 在左侧Storage（存储）下，点击Cookies->https://chat.openai.com。
4. 在右侧列表中找到名为__Secure-next-auth.session-token的Cookie，双击其Value列，复制整个长字符串（可能非常长），填入token_cookie_chatgpt。
重要提示：这个Cookie会过期（通常几周后）。如果后续运行发现AI不回答问题，首先检查并更新这个Token。切勿泄露此Token，它等同于你的会话权限。
GPT_backend_selection: 如果你有Gemini API Key且想尝试，可以设为"gemini"，并将gemini_api_key填好。否则，使用"chatgpt"并确保Cookie有效。

3.3 潜在依赖与环境问题排查

即使安装了requirements.txt，在实际运行中也可能遇到环境问题。

ChromeDriver 版本匹配问题：undetected-chromedriver会自动管理ChromeDriver，但前提是你系统已安装了Chrome浏览器。请确保Chrome已更新到较新版本。如果启动失败，可以尝试手动下载与你的Chrome版本匹配的ChromeDriver，并将其路径添加到系统环境变量PATH中。
缺少系统依赖（Linux/Mac）：在某些系统上，可能需要安装额外的库来支持浏览器运行。例如在Ubuntu上，你可能需要运行：sudo apt-get install -y libnss3 libgconf-2-4 libxi6 libxrandr2 libxss1 libxcomposite1 libasound2 libatk-bridge2.0-0 libgtk-3-0。
代理或网络问题：如果脚本在访问LinkedIn或ChatGPT时超时，请检查你的网络连接，特别是如果你在使用企业网络或需要代理的环境。脚本本身不处理代理配置，这可能需要你在系统层面或通过修改代码来处理。

4. 核心工作流程与代码逻辑深度剖析

理解了配置，我们再来深入看看这个机器人是如何一步步工作的。运行命令python apply.py yourname后，幕后发生了一系列精密的操作。

4.1 第一阶段：初始化与登录

脚本首先读取yourname.json配置文件，加载所有参数。然后，它使用undetected_chromedriver启动一个“隐身”的Chrome浏览器实例。

# 伪代码逻辑示意 import undetected_chromedriver as uc def setup_driver(): options = uc.ChromeOptions() # 可以添加一些选项来进一步模拟真人，例如设置用户代理、禁用自动化标志等 # options.add_argument('--user-agent=Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 ...') driver = uc.Chrome(options=options) driver.implicitly_wait(10) # 设置隐式等待，让元素加载 return driver

登录LinkedIn是关键且脆弱的一步。脚本会导航到登录页，填入用户名和密码，并点击登录按钮。这里最大的挑战是LinkedIN的反自动化检测，如突然出现的验证码。

实操心得：为了应对验证码，代码中通常会在登录步骤前后添加随机延时（例如time.sleep(random.uniform(2, 5))），并尝试识别和处理简单的图像验证码（尽管成功率不高）。最稳妥的方法是，在首次运行或长时间未运行后，考虑手动完成登录，然后让脚本接管后续操作。有些进阶的实现会检查浏览器中是否已有有效的登录Cookie，从而跳过登录步骤。

4.2 第二阶段：智能职位搜索与筛选

登录成功后，机器人开始执行你的求职策略。它会构建一个LinkedIn职位搜索的URL，其中编码了你的keywords、locations、remote等偏好。

例如，搜索San Francisco地区的remotemachine learning职位，URL可能类似于：https://www.linkedin.com/jobs/search/?keywords=machine%20learning&location=San%20Francisco%20Bay%20Area&f_WT=2

脚本会滚动加载职位列表，然后遍历每一个职位卡片。对于每个职位，它会提取标题、公司、链接等信息。

核心过滤逻辑在此生效：

标题过滤：检查职位标题是否包含roles1中的任何一个关键词（如“Data Scientist”），并且不包含not_roles1中的任何一个关键词（如“Intern”）。这是一个简单的文本包含检查。
“Easy Apply”标识过滤：只选择带有“Easy Apply”按钮的职位。脚本通过查找特定的HTML元素或按钮文本来判断。

通过这两层过滤，机器人就筛选出了目标职位列表。它会记录这些职位的申请链接，以备后续逐个处理。

4.3 第三阶段：自动化表单填写与AI问答

这是整个项目最核心、最复杂的部分。对于每个目标职位，脚本会点击进入其详情页，然后点击“Easy Apply”按钮，弹出一个申请模态框（Modal）。

表单字段的识别与分类：申请表单中的字段千变万化，但大致可分为几类，每类需要不同的处理策略：

预填充字段：如姓名、邮箱、电话、当前公司、职位等，LinkedIn通常会从你的个人资料中自动填充。脚本需要识别这些已填好的字段，并跳过它们，避免不必要的重复操作或误修改。
标准输入框/下拉框：如“Years of Experience”（工作经验年数）、“Salary Expectation”（期望薪资）、“Visa Sponsorship”（签证赞助）等。这些字段通常有固定的选项。脚本需要：
- 定位元素：通过find_element方法，使用ID、Name、XPath等定位到该输入框或下拉框。
- 选择或输入：对于下拉框，模拟点击展开，然后选择匹配的选项（例如，对于工作经验，选择“5-7 years”）。对于输入框，直接发送密钥（如输入薪资数字）。这里需要预先在配置或代码中定义一套映射规则，将你的信息（如“7年经验”）映射到表单的选项上。
文件上传字段：主要是简历（Resume）和求职信（Cover Letter）上传。脚本需要找到文件上传的<input type="file">元素，然后使用send_keys()方法传入你本地的简历文件路径（通常是固定的）。有些表单允许你从LinkedIn资料中选择已有简历，脚本需要判断并选择正确的选项。
开放式文本问题：如“Why are you interested in this role?”（为什么对这个职位感兴趣？）、“Describe a challenge you overcame”（描述一次你克服的挑战）。这是AI大显身手的地方。

AI问答引擎的工作流程：当脚本遇到一个文本区域（<textarea>）时，它会执行以下步骤：

问题提取：获取该输入框关联的标签（Label）或占位符（Placeholder）文本，作为“问题”。
上下文构建：将“问题”和你的完整简历文本（从yourname.txt读取）组合成一个提示词（Prompt），发送给选定的AI后端（ChatGPT或Gemini）。示例Prompt: “Based on the following resume text, please answer this job application question concisely and professionally. Question: ‘Tell us about a time you led a project.’ Resume: [你的完整简历文本]”
AI生成与填充：接收AI返回的答案，然后通过send_keys()方法填入到文本框中。
等待与验证：有时AI响应较慢或网络超时，代码中设置的chatgpt_timeout（默认120秒）就在这里起作用，避免脚本无限期卡住。

注意事项：AI的回答质量高度依赖你的简历文本（txt文件）的质量和Prompt的构建方式。过于笼统的简历会导致AI生成泛泛而谈的回答。建议你的简历文本尽可能详细、具体，包含量化的成果和具体的技术细节。

4.4 第四阶段：提交、状态跟踪与错误处理

填写完所有必填字段后，脚本会尝试点击“Submit”（提交）或“Next”（下一步）按钮。提交成功后，通常会有一个确认页面。

状态跟踪：脚本会记录每一次申请的尝试，包括职位ID、公司、标题、申请状态（成功、失败、跳过）、失败原因等。这些信息一方面会输出到控制台日志，另一方面会通过配置好的Telegram Bot发送到你的手机，让你可以远程监控进度。

健壮的错误处理：一个成熟的自动化脚本必须能处理各种异常，否则一个弹窗或网络抖动就会导致整个进程崩溃。这个项目需要处理但不限于以下异常：

元素未找到：页面结构可能微调，导致脚本找不到“Easy Apply”按钮或某个输入框。代码中应有try...except块，捕获NoSuchElementException，记录错误并跳过该职位，而不是崩溃。
意外弹窗：LinkedIn可能会弹出“保存搜索”、“关注公司”等提示框。脚本需要检测并关闭这些干扰元素。
网络超时/页面加载慢：通过设置合理的implicitly_wait和显式等待（WebDriverWait），让脚本有耐心等待元素出现。
AI服务不可用：如果ChatGPT网页端返回错误或Gemini API调用失败，脚本应能捕获异常，记录“AI服务错误”，并可能选择跳过该问题或尝试重新提交。

速率限制与人性化模拟：为了避免被LinkedIn过快检测，脚本在关键操作之间必须加入随机延时。例如，在点击一个按钮后、在输入文本前，等待一个time.sleep(random.uniform(1, 3))秒。这模拟了人类的反应时间和阅读速度，是降低风险的必要措施。

5. 高级技巧、风险规避与个性化调优

5.1 提升申请成功率的策略

仅仅能自动填写表单是不够的，我们的目标是高质量、高成功率的申请。

精细化关键词策略：
- roles1不要只写大类。除了“Data Scientist”，加上“Applied Scientist”、“Research Scientist”、“Quantitative Analyst”等相近职位。
- not_roles1要果断。明确排除“Senior”, “Principal”, “Staff”, “Director”等，除非你目标就是高级职位。也要排除“Contract”, “Freelance”等非全职类型。
- keywords要结合趋势。除了硬技能（python, sql），加入领域关键词（“nlp”, “computer vision”, “recommendation system”）和工具链关键词（“airflow”, “kubernetes”, “snowflake”）。
优化你的“简历资料库”（TXT文件）：
- 遵循STAR原则：在描述经历时，多使用“Situation（情境）、Task（任务）、Action（行动）、Result（结果）”的结构。这为AI提供了生成行为面试问题答案的绝佳素材。
- 量化成果：尽可能使用数字。“提升系统性能”不如“将API响应延迟从200ms降低至50ms，节省了30%的服务器成本”。
- 包含行业术语：如果你投递特定行业（如金融科技），在简历中加入“risk modeling”, “fraud detection”, “P&L”等术语，AI生成的回答会更专业。
定制化AI Prompt（进阶）：项目的默认Prompt可能比较通用。你可以修改代码中构建Prompt的部分，使其更符合你的需求。例如，可以要求AI：“请以第一人称‘我’来回答，语气自信但谦逊，突出技术细节和业务影响，答案长度控制在3-5句话。”

5.2 最大风险：账户安全与反检测

这是使用此类工具无法回避的核心问题。我们必须像安全专家一样思考如何最小化风险。

LinkedIn的检测机制可能包括：

行为模式：鼠标移动轨迹、点击速度、输入速度、页面停留时间。真人操作是有随机性和思考间隔的。
浏览器指纹：WebGL、Canvas、字体、插件列表、时区、语言等。undetected-chromedriver主要解决的就是这个问题。
请求频率：短时间内发起大量相同模式的请求（搜索、点击申请、提交）。
账户行为画像：一个平时很少活跃的账户，突然开始高频申请职位，这是一个危险信号。

我们的防御策略：

降低频率，模拟真人：
- 在代码中，大幅增加随机等待时间。不仅在操作间等待，在每天开始运行前、运行几小时后，都加入长时暂停（如time.sleep(random.uniform(3600, 7200))# 暂停1-2小时）。
- 考虑模拟“工作日”行为。只在工作时间的几个小时内运行，晚上和周末暂停。
限制每日申请数量：不要贪多。在代码中设置一个每日申请上限（如20-30个）。达到上限后自动停止，第二天再继续。这比一天内申请几百个要安全得多。
维护健康的账户活动：在使用自动化工具的同时或前后，手动使用你的LinkedIn账户。更新资料、点赞帖子、写评论、添加联系人。让你的账户看起来是一个活跃的真实用户，而不是一个只有申请行为的机器人。
准备“牺牲账号”（极端情况）：如果你非常依赖此工具，考虑使用一个专门用于求职的次要LinkedIn账号来运行机器人。你的主账号保持纯净，用于人际网络和手动申请心仪职位。

5.3 故障排除与日志分析

当机器人没有按预期工作时，系统的日志是你最好的朋友。

控制台日志：运行脚本时，仔细观察终端输出。它会告诉你当前在搜索什么、找到了多少职位、正在申请哪个职位、遇到了什么错误（如“元素未找到”、“AI超时”）。
Telegram日志：确保Telegram Bot配置正确，它能提供远程、实时的状态更新。如果收不到消息，检查Token和Chat ID是否正确，以及你的网络是否能访问Telegram API。
常见错误与解决：
- InvalidSessionIdException：浏览器会话丢失。可能是浏览器意外关闭或崩溃。需要重启脚本。
- ElementClickInterceptedException：要点击的元素被其他元素（如弹窗、遮罩层）遮挡。代码应包含逻辑来检测和关闭常见弹窗。
- AI返回无意义内容：检查你的ChatGPT Cookie是否过期，或Gemini API Key是否有效且有余额。同时检查你的简历TXT文件格式是否混乱，导致AI无法理解。
- 申请数量远少于预期：检查你的roles1和keywords是否太狭窄。打开LinkedIn手动用相同关键词搜索，看看结果数量。也可能是页面加载不全，尝试在代码中增加滚动和等待时间。

5.4 代码扩展与个性化改造思路

开源项目的优势在于你可以按需修改。这里有一些增强功能的思路：

多AI后端熔断与降级：修改代码，使其在GPT_backend_selection为"chatgpt"时，如果连续多次调用失败（如Cookie失效），自动切换到"gemini"后端（如果已配置），并发送Telegram告警。
申请结果追踪：除了记录“提交成功”，可以尝试在提交后，检查页面是否出现“Application submitted”（申请已提交）或“Your application has been sent”（你的申请已发送）等成功提示文本，进行更精确的成功验证。
智能跳过机制：对于某些复杂表单，如包含超过10个必填问题、或要求录制视频回答的表单，可以设计规则让脚本自动跳过，以节省时间并降低出错率。
数据持久化：将申请记录（职位ID、公司、标题、申请时间、状态）保存到本地数据库（如SQLite）或CSV文件中，便于后续分析和复盘，看看哪些类型的职位申请成功率更高。

这个项目提供了一个强大的自动化框架，但它并非万能。它的价值在于处理大量标准化、重复性的申请初筛工作，让你从体力劳动中解脱出来。然而，对于你最心仪的那几十家公司，我仍然建议你花时间研究公司背景、定制求职信、进行手动申请——那种精心准备带来的成功率，是目前的AI还无法完全替代的。将它视为一个不知疲倦的“侦察兵”和“助手”，而你，始终是制定战略、攻克关键目标的“指挥官”。