JobGPT MCP Server：AI求职自动化与MCP协议实战指南-编程阁

1. 项目概述：当AI助手成为你的求职副驾

如果你正在找工作，或者只是被动地观望市场机会，那你一定体会过那种重复、枯燥又充满不确定性的感觉：每天在LinkedIn、Indeed、Glassdoor等几个平台间来回切换，用不同的关键词组合搜索，手动筛选地点、薪资和职位要求，然后为每一份心仪的工作小心翼翼地修改简历和求职信。这个过程不仅耗时，还很容易让人陷入信息过载和决策疲劳。现在，想象一下，你只需要对你的AI助手说一句：“帮我找找远程的、年薪超过15万美金的高级React工程师职位”，几分钟后，一份精准的职位列表就呈现在你面前，你甚至可以接着说：“把匹配度最高的前5个职位自动申请一下”。这听起来像是未来场景，但通过JobGPT MCP Server，它已经成为了现实。

JobGPT MCP Server是JobGPT AI求职平台的官方MCP（模型上下文协议）服务器。简单来说，它就像一座桥梁，将JobGPT平台背后强大的34个求职自动化工具，无缝连接到你日常使用的AI助手，比如Claude Desktop、Cursor、Windsurf等任何支持MCP协议的AI工具中。这意味着，你不再需要离开你熟悉的编码环境或聊天界面，就能完成从职位搜索、简历定制、一键申请到进度追踪的全流程。对于开发者、产品经理、设计师等任何技术从业者而言，这不仅仅是效率的提升，更是一种工作流的革命——将求职这个低频但高价值的事务，变成了一个可以像调用API一样被AI代理轻松处理的自动化任务。

2. 核心能力与工作流解析

2.1 从“手动苦力”到“AI代理”：能力全景图

传统的求职流程是一个线性的、高度依赖人工的链条。而JobGPT MCP Server将其解构并封装成了一系列可编程的“工具”（Tools），让你的AI助手能够像调用函数一样，按需执行复杂任务。理解这些工具的分类，是高效利用它的关键。

2.1.1 智能职位发现与筛选这是整个流程的起点。search_jobs工具是你的“雷达”，它允许你使用极其精细的过滤器，如职位名称、地点（支持远程）、公司、所需技能、薪资范围（包括底薪、股票和奖金），甚至是否支持H1B签证。这比你手动在招聘网站上一页页翻找要精准得多。更重要的是，create_job_hunt工具允许你创建一个“长期狩猎任务”，设置好筛选条件后，系统会持续为你监控新职位，match_jobs工具则专门用来获取这个任务中你尚未看过的新职位。这解决了“信息滞后”和“重复查看”的核心痛点。

2.1.2 个性化简历的动态生成与管理“一稿多投”是求职大忌。generate_resume_for_job工具是这里的明星功能。它不仅仅是简单地对你的基础简历进行关键词替换。根据官方描述，它会为特定的职位申请生成一份“AI优化的定制简历”。我的理解是，它会分析职位描述（JD），提取关键技能、职责和行业术语，然后智能地重组、强调甚至微调你简历中的经历和措辞，以最大化匹配度。calculate_match_score工具则提供了一个量化的“体检报告”，告诉你你的简历与目标职位在技能等方面的匹配度，为后续优化提供了明确方向。

2.1.3 自动化申请与全流程追踪这是将想法转化为行动的关键一步。apply_to_job工具可以触发自动申请流程。结合import_job_by_url工具，你甚至可以把在公司官网、Greenhouse、Workday等任何地方看到的职位链接直接丢给AI，让它保存并启动申请。申请提交后，list_applications和get_application_stats工具就变成了你的“求职CRM面板”，让你清晰地看到所有申请的状态（已投递、已查看、面试中、已拒绝等），以及自动申请的统计数据，帮助你宏观把握求职进度。

2.1.4 主动出击：寻找招聘官与内推人在竞争激烈的岗位中，主动联系招聘官或寻找内推能极大提升成功率。get_job_recruiters和get_job_referrers工具能帮你挖掘出与特定职位或公司相关的招聘人员和潜在内推人。send_outreach工具则能辅助你发送初步的接触邮件。这相当于给你的AI助手装上了“人脉雷达”和“邮件助手”，将网络拓展的被动等待变为主动触达。

2.2 为什么选择MCP架构？优势与底层逻辑

你可能会问，JobGPT本身就有平台，为什么还要通过MCP来使用？这恰恰是设计的高明之处。MCP协议由Anthropic提出，旨在为AI模型提供一个标准化的方式来使用外部工具、数据和计算资源。对于用户而言，它带来了几个决定性优势：

2.2.1 无缝的上下文集成最大的好处是“无感切换”。你不需要在浏览器和IDE之间来回跳转。当你在用Cursor编写代码时，突然想到一个求职问题，可以直接在聊天框里询问，AI助手能基于当前对话的上下文，调用JobGPT的工具来获取信息或执行操作，体验流畅统一。

2.2.2 工具能力的可组合性你的AI助手可以自主决策工具调用链。例如，你发出指令“为这个Google的Senior Software Engineer职位优化我的简历并申请”。AI可以分解为：1. 调用get_job获取职位详情；2. 调用generate_resume_for_job生成定制简历；3. 调用apply_to_job提交申请。整个过程自动化，无需你分步指导。

2.2.3 隐私与控制的平衡与直接将你的简历和求职偏好交给一个独立的AI应用不同，MCP模式下，所有的指令发起和结果呈现都在你本地信任的AI客户端（如Claude Desktop）中完成。JobGPT服务器只接收执行特定工具所需的、最小化的数据（如搜索关键词、职位ID），并且通过API密钥进行严格的身份验证和额度控制，在便利性和数据自主权之间取得了更好的平衡。

注意：关于“Credits”（额度）：这是JobGPT平台的商业模式核心。像自动申请、生成简历这类消耗平台计算资源和调用外部API的服务，需要消耗Credits。你需要在其官网购买额度包。在规划自动化任务时（如设置auto-apply模式），务必关注你的额度余额（可用get_credits工具查询），避免任务因额度不足而中断。

3. 实战配置：手把手连接你的AI工作流

理论再好，不如一次成功的配置。下面我将以最常用的Claude Desktop和Cursor为例，详细拆解配置步骤，并解释每一步背后的原因和可能遇到的坑。

3.1 前置核心步骤：获取API密钥

这是所有配置的基石，没有密钥，一切免谈。

访问账户页面：登录 6figr.com/account 。请确保你使用的是已订阅JobGPT服务的账户。
定位MCP板块：在账户页面内找到“MCP Integrations”或类似的板块。这通常会在设置或高级选项里。
生成密钥：点击“Generate API Key”按钮。系统会生成一个以mcp_开头的长字符串。这个密钥只会显示一次，请立即将其复制并妥善保存到密码管理器中。它的权限等同于你的账户，一旦泄露，他人可能消耗你的额度进行非法操作。

3.2 配置Claude Desktop：两种路径的深度对比

Claude Desktop目前对远程HTTP MCP服务器的支持方式比较特殊，官方配置文件中不能直接配置远程URL，这催生了两种主流方法。

3.2.1 方法一：使用mcp-remote桥接（推荐给开发者）这是官方文档推荐的方法，本质是在本地启动一个轻量级代理进程，将Claude Desktop的stdio通信协议转换为对远程HTTP服务器的调用。

操作步骤：
1. 确保Node.js环境：在终端运行node --version，确认版本为18或以上。如果没有，请先安装Node.js。
2. 定位配置文件：
  - macOS:~/Library/Application Support/Claude/claude_desktop_config.json
  - Windows:%APPDATA%\Claude\claude_desktop_config.json如果文件或目录不存在，需要手动创建。
3. 编辑配置文件：将以下JSON配置填入。关键点在于args数组中的--header参数和env环境变量。这里采用了变量传递的方式，更安全。
```
{ "mcpServers": { "jobgpt": { "command": "npx", "args": [ "-y", "mcp-remote", "https://mcp.6figr.com/mcp", "--header", "Authorization:${AUTH_HEADER}" ], "env": { "AUTH_HEADER": "Bearer your-api-key-here" } } } }
```
  请将your-api-key-here替换为你刚才复制的真实API密钥（保留Bearer前缀和空格）。
4. 重启Claude Desktop：修改配置后，必须完全退出并重启Claude Desktop客户端，新的MCP服务器配置才会被加载。
原理与避坑：
- 为什么用npx？npx会临时下载并运行mcp-remote这个npm包，无需全局安装，保证了环境一致性。
- -y参数的作用：它自动对任何安装提示回答“yes”，防止进程在等待用户输入时挂起。
- 环境变量传递：将API密钥放在env对象中，而不是直接写在args里，更符合安全实践，也能避免命令行历史记录泄露密钥。
- 常见错误：如果启动失败，首先在终端手动运行命令JOBGPT_API_KEY=你的密钥 npx mcp-remote https://mcp.6figr.com/mcp来测试连通性和密钥有效性，查看具体的错误信息。

3.2.2 方法二：通过图形界面添加（最简单）新版本的Claude Desktop在设置中提供了图形化的MCP服务器管理界面。

打开Claude Desktop，点击左下角的设置（齿轮）图标。
找到“Connectors”或“MCP Servers”选项。
点击“Add Connector”或“Add Server”。
在服务器URL处填入：https://mcp.6figr.com/mcp
在认证头（Authorization Header）处填入：Bearer your-api-key-here
保存并重启。

这种方法无需接触配置文件，对新手更友好。如果图形界面和配置文件同时存在，通常以图形界面设置为准。

3.3 配置Cursor：深度集成开发环境

Cursor作为一款AI原生的IDE，对MCP的支持非常原生和强大，配置好后，你可以在编写代码的同时，无缝进行求职操作。

操作步骤：
1. 打开Cursor设置：在Cursor中，使用快捷键Cmd/Ctrl + ,打开设置。
2. 导航至MCP设置：在设置面板中，直接搜索“MCP”，或依次找到“MCP”设置项。
3. 添加服务器：点击“Add new MCP server”。你会看到一个JSON编辑框。
4. 填入配置：将以下配置粘贴进去，同样替换your-api-key-here。
```
{ "mcpServers": { "jobgpt": { "type": "http", "url": "https://mcp.6figr.com/mcp", "headers": { "Authorization": "your-api-key-here" } } } }
```
5. 保存并验证：保存后，Cursor通常会立即尝试连接。你可以在与AI的对话中尝试@一下JobGPT的工具，看是否可用。
配置文件路径备选：你也可以直接编辑配置文件，路径为~/.cursor/mcp.json（macOS/Linux）或C:\Users\[用户名]\.cursor\mcp.json（Windows）。这种方式适合批量管理多个MCP服务器。

3.4 其他工具配置要点速览

Windsurf：配置逻辑与Cursor几乎一致。配置文件路径为~/.codeium/windsurf/mcp_config.json。同样可以通过Settings > Cascade > MCP的图形界面添加。
Claude Code (CLI)：这是为命令行爱好者准备的。使用claude mcp add命令是最快的方式，它自动帮你修改~/.claude/settings.json文件。对于喜欢一切尽在掌控的开发者，手动编辑该JSON文件也是完全可行的。
本地运行模式：如果你对隐私有极致要求，或者想进行二次开发，可以选择本地运行服务器。这需要你克隆GitHub仓库，安装依赖，并在配置中将command指向本地脚本。这带来了完全的数据控制权，但代价是需要自行维护Node.js环境和更新服务器版本。

实操心得：配置验证：无论用哪种方式配置，一个简单的验证方法是：配置完成后，向你的AI助手提问一个需要调用JobGPT工具的问题，例如“我的JobGPT账户还有多少额度？”（这会触发get_credits工具）。如果AI能够正确回答，说明配置成功。如果报错，请首先检查API密钥是否正确、是否包含Bearer前缀，然后检查配置文件格式（特别是JSON的逗号和括号），最后重启你的AI客户端。

4. 高阶应用与自动化策略

配置成功只是开始，真正发挥威力在于如何将JobGPT MCP Server融入你的日常，甚至构建自动化工作流。

4.1 构建智能求职代理：场景化指令示例

不要只问简单问题，尝试给AI助手更复杂的、多步骤的指令，让它扮演你的求职代理角色。

场景一：周期性市场扫描
- 指令：“每周一早上，帮我搜索过去7天内发布的、位于旧金山湾区或远程的、要求Python和AWS经验的机器学习工程师职位，薪资要求18万美金以上。把结果整理成表格，包含公司、职位标题、薪资范围和申请链接。”
- AI动作分解：AI会调用search_jobs，使用你提供的复杂过滤器，然后将返回的结构化数据整理成易读的格式。你甚至可以要求它根据匹配度排序。
场景二：针对性职位攻坚
- 指令：“我发现了这个心仪的职位链接：[某公司职位链接]。请帮我分析这个职位，为它生成一份定制的简历，计算一下我现有简历和它的匹配度，然后找到这个职位的招聘官，并为我起草一封简短的、专业的联系邮件。”
- AI动作分解：这是一个完美的工具链调用：1.import_job_by_url或get_job；2.generate_resume_for_job；3.calculate_match_score；4.get_job_recruiters；5. 结合前几步的信息，利用AI的文本生成能力起草邮件。你可以审查邮件后，使用send_outreach发送。
场景三：求职进度管理与复盘
- 指令：“给我展示一下我上个月所有求职申请的状态总结，按公司分类，并告诉我哪些进入了面试阶段，哪些被拒绝了。分析一下被拒的职位，看看在技能要求上有什么共同点。”
- AI动作分解：调用list_applications并设置时间过滤，然后对返回的数据进行聚合、分类和分析。AI可以帮你识别出你缺乏的、但高频出现的技能，为你的学习方向提供数据支持。

4.2 与本地工作流结合：简历与项目管理的联动

对于开发者，你的代码库和项目本身就是最有力的简历素材。你可以将JobGPT MCP与本地文件系统工具结合。

动态更新技能库：当你完成一个使用了新技术（例如，GraphQL, Terraform）的项目后，可以告诉AI：“我刚用Terraform完成了基础设施即代码的项目，请将‘Terraform’和‘AWS CloudFormation’添加到我的JobGPT个人资料技能中。” AI会调用update_profile工具。
基于职位描述优化项目经历：在生成定制简历时，AI不仅会调整简历文件，你也可以指示它：“参考这个职位描述中关于‘微服务架构’和‘高并发处理’的要求，帮我重写我[某某项目]的经历描述，使其更贴合。” 虽然这超出了当前工具的直接能力，但你可以通过对话，让AI给出修改建议，然后手动或通过其他方式更新你的基础简历文件。

4.3 额度管理与成本优化

JobGPT的自动化和高级功能依赖Credits，因此精打细算很重要。

监控额度：养成习惯，在启动大型操作（如创建包含自动申请功能的job_hunt）前，先问AI：“查询我的JobGPT账户余额。” 使用get_credits工具。
策略性使用自动申请：自动申请（auto-apply）虽然方便，但可能消耗较快。建议先用于海投或匹配度极高（通过calculate_match_score判断）的职位。对于特别心仪的“梦想公司”，手动审查和提交申请可能更稳妥。
善用搜索与匹配：search_jobs和match_jobs这类查询工具通常消耗较少或免费。可以充分利用它们进行广泛筛选和持续监控，锁定目标后再使用消耗额度的生成或申请工具。

5. 故障排除与开发者进阶

即使按照指南操作，也难免会遇到问题。这里整理了一份从用户到开发者视角的排查清单。

5.1 常见用户问题速查表

问题现象	可能原因	解决方案
AI助手完全无法识别JobGPT指令	1. MCP服务器配置未生效。 2. 配置文件格式错误。 3. AI客户端未重启。	1. 检查配置文件路径和内容是否正确。 2. 使用JSON验证工具检查格式。 3. 完全退出并重启Claude Desktop/Cursor等。
工具调用失败，提示“API Error (401)”	API密钥无效、过期或格式错误。	1. 登录6figr.com/account，重新生成API密钥。 2. 确认在配置中密钥前包含了`Bearer`（注意有空格）。 3. 检查密钥是否完整复制，无多余空格。
工具调用失败，提示“You have run out of credits”	账户额度不足。	1. 使用`get_credits`确认余额。 2. 前往6figr.com/jobgpt购买更多额度包。 3. 暂停设置`auto-apply`的Job Hunt。
Claude Desktop配置后无反应	`mcp-remote`桥接失败或Node.js环境问题。	1. 终端运行`node --version`确认Node.js >=18。 2. 手动运行桥接命令检查错误：`npx mcp-remote https://mcp.6figr.com/mcp --header "Authorization: Bearer YOUR_KEY"`。 3. 尝试通过Claude Desktop图形界面设置。
搜索或操作结果不符合预期	过滤器设置不当，或对工具功能理解有误。	1. 仔细阅读工具描述，如`search_jobs`支持哪些过滤参数。 2. 从简单查询开始测试，逐步增加过滤条件。 3. 向AI助手描述更精确的意图。

5.2 启用调试模式

当遇到难以定位的复杂问题时，启用调试模式可以打印出详细的请求和响应日志，这对于排查网络问题、参数错误至关重要。

在配置中启用：在你的MCP配置文件中，为JobGPT服务器添加一个DEBUG环境变量。

{ "mcpServers": { "jobgpt": { "command": "npx", "args": ["-y", "mcp-remote", "..."], "env": { "AUTH_HEADER": "Bearer your-key", "DEBUG": "true" } } } }

查看日志：启用后，详细的日志会输出到标准错误流（stderr）。对于Claude Desktop，你可能需要查看其控制台输出（启动时加--verbose参数或查看日志文件）；对于命令行工具如Claude Code，日志会直接打印在终端。

5.3 开发者视角：本地运行与二次开发

如果你是一名开发者，对这个MCP服务器的实现感兴趣，或者有定制化需求，可以将其运行在本地甚至进行修改。

克隆与准备：

git clone https://github.com/6figr-com/jobgpt-mcp-server.git cd jobgpt-mcp-server npm install cp .env.example .env

编辑.env文件，填入你的JOBGPT_API_KEY。

本地运行：
- npm run dev:local：以标准输入输出（stdio）模式运行，这是MCP服务器的标准本地运行方式，可供配置了command模式的客户端连接。
- npm run dev:worker：如果你对部署到Cloudflare Workers感兴趣，这个命令会在本地模拟Worker环境运行。
使用MCP Inspector测试：这是一个官方调试工具，可以可视化地测试所有可用的工具。
```
npx @modelcontextprotocol/inspector
```
运行后，按照提示配置连接到你的本地服务器（通常是http://localhost:3000或 stdio），你就可以在浏览器界面中手动调用和测试每一个JobGPT工具，这对于理解工具的行为和返回值格式非常有帮助。
理解代码结构：浏览项目源码，你会发现它本质上是一个实现了MCP Server标准接口的Node.js应用。核心是schema.ts中定义的工具列表和参数，以及server.ts中对应的工具处理函数。这些函数最终会调用官方的JobGPT API。如果你想添加自定义逻辑（例如，在申请前增加一个本地日志记录），这里就是切入点。