Bewerbung per Claude Code: Was ai-job-search wirklich automatisiert

TL;DR: ai-job-search strukturiert das Bewerberprofil, durchsucht Stellenportale, bewertet den fachlichen Fit und erstellt Lebenslauf sowie Anschreiben. Am 14. Juli 2026 lag das Open-Source-Projekt bei rund 22.400 GitHub-Sternen; Maintainer Mads Lorentzen berichtet selbst von 69 individuellen Bewerbungen, 20 Erstgesprächen und einem unterschriebenen Arbeitsvertrag. Das ist ein aufschlussreicher Erfahrungswert, aber keine belastbare Erfolgsquote. Entscheidend ist die Grenze der Automatisierung: Das Tool sendet keine Bewerbung ab – Auswahl, Faktenprüfung und Freigabe bleiben beim Menschen.

Was ist ai-job-search?

ai-job-search ist ein lokales, MIT-lizenziertes Framework, das Claude Code als Oberfläche für eine strukturierte Stellensuche nutzt. Es ist kein klassisches Bewerbungsportal und kein Browser-Bot. Stattdessen liegen Karriereprofil, Vorlagen, Bewertungen und erzeugte Dokumente als Dateien im Repository. Claude Code führt darauf definierte Befehle und Agentenabläufe aus. Der Praxischeck in diesem Artikel ist eine Funktionsprüfung anhand des Repositorys, der Dokumentation und der veröffentlichten Erfahrungsberichte. Ich habe das Tool nicht selbst mit echten Bewerberdaten installiert und keine Bewerbung damit versendet. Aussagen zur Ergebnisqualität beziehen sich deshalb auf den dokumentierten Workflow – nicht auf einen eigenen Bewerbungsversuch. Am 14. Juli 2026 lag das Projekt bei rund 22.400 GitHub-Sternen und 6.900 Forks. Die Werte sind eine dynamische Momentaufnahme und zeigen Reichweite auf GitHub, nicht die Zahl aktiver Nutzer.

Was ai-job-search tatsächlich automatisiert

Der Ablauf besteht nicht aus einem einzigen Prompt. Er trennt Profilaufbau, Suche, Bewertung, Dokumentenerstellung und Interviewvorbereitung in eigene Schritte. | Schritt | Automatisierung | Aufgabe des Menschen | |---|---|---| | /setup | Liest vorhandene Unterlagen ein und baut daraus ein strukturiertes Karriereprofil auf | Erfahrungen, Projekte, messbare Ergebnisse, Ziele und Grenzen vollständig liefern; Profil auf Fehler prüfen | | /scrape | Durchsucht installierte Portal-Skills, entfernt Dubletten und sortiert neue Treffer nach einem schnellen Fit-Signal (high, medium, low) | Treffer priorisieren und entscheiden, ob eine Stelle fachlich und persönlich sinnvoll ist | | /rank | Erzeugt für mehrere Stellen einen ausführlichen Batch-Score mit fünf Dimensionen und einem Gesamtwert von 0 bis 100 | Bewertung nachvollziehen und nicht als automatische Entscheidung behandeln | | /apply | Analysiert die Anzeige, bewertet den einzelnen Fit, entwirft Lebenslauf und Anschreiben, lässt einen Reviewer Kritik erzeugen und überarbeitet die Dokumente | Jede Behauptung mit dem echten Profil abgleichen, Tonalität korrigieren, Portal öffnen, Dateien hochladen und selbst absenden | | /interview | Recherchiert das Unternehmen und erstellt Fragen sowie STAR-orientierte Antwortbausteine | Echte Beispiele hinterlegen, Antworten trainieren und das Gespräch selbst führen | Die wichtigste architektonische Entscheidung steckt in /apply: Ein Drafter erzeugt nicht einfach die erste Fassung und erklärt sie zum Ergebnis. Ein separater Reviewer kritisiert den Entwurf; danach folgt eine Überarbeitung. Der Lebenslauf wird mit lualatex, das Anschreiben mit xelatex kompiliert. Optional liest pdftotext die erzeugte Textschicht zurück, um technische Probleme für Applicant-Tracking-Systeme sichtbar zu machen. Der genaue Ablauf ist im Repository von ai-job-search dokumentiert. Diese Schleife verbessert die Kontrolle, verhindert aber keine Halluzinationen. Die Repository-Regel, dass keine Fähigkeiten oder Erfahrungen erfunden werden dürfen, ist eine Anweisung an das Modell – keine formale Garantie. Wer den generierten Lebenslauf nicht Zeile für Zeile gegen Zeugnisse, Projekte und den bisherigen CV prüft, delegiert den riskantesten Teil an ein probabilistisches System.

Der Mensch bleibt die Freigabeinstanz

Lorentzen beschreibt die Grenze seines Systems eindeutig: „No application leaves my desk without my hands on it.“ Der Agent füllt demnach keine Bewerbungsmaske aus und klickt nicht auf „Absenden“. Der Bewerber öffnet das Portal, lädt die Dokumente hoch und trifft die finale Entscheidung. Das vollständige Zitat und der Kontext stehen in seinem Erfahrungsbericht auf LinkedIn. Das ist kein fehlendes Feature, sondern eine sinnvolle Sicherheitsgrenze. Eine Bewerbung enthält überprüfbare Tatsachen, personenbezogene Daten und häufig implizite Zusagen. Fehler bei Beschäftigungszeiten, Abschlüssen, Fähigkeiten oder Gehaltsvorstellungen lassen sich nicht mit einer guten Fit-Bewertung ausgleichen. Die eigentliche Stärke des Frameworks ist deshalb nicht maximale Bewerbungsgeschwindigkeit. Es zwingt den Nutzer, vor dem Schreiben zu klären, welche Rollen passen, welche Erfahrungen belegbar sind und welche Lücken offen benannt werden müssen. Die schnelle Fit-Einschätzung beziehungsweise der spätere /rank-Score liefert einen Diskussionspunkt, keine Entscheidung.

Installation und technischer Aufbau

Für den dokumentierten Workflow brauchst du je nach Funktionsumfang: | Komponente | Zweck | |---|---| | Claude Code | Führt Befehle, Skills und Agentenabläufe aus | | GitHub CLI gh mit Login oder Git | Erstellt beziehungsweise klont den eigenen Fork; Fork und Clone sind alternativ manuell möglich | | LaTeX mit lualatex und xelatex | Erzeugt Lebenslauf und Anschreiben als PDF; die Stock-Pipeline verwendet beide Engines | | Bun | Führt /scrape und die Portal-CLIs aus | | Python 3.10 oder neuer | Wird für das optionale Salary-Lookup und Hilfsskripte benötigt | | pdftotext aus Poppler, optional | Prüft, ob die PDF-Textschicht maschinenlesbar ist | Die Voraussetzungen stammen aus der aktuellen Projekt-Dokumentation. Das Repository veröffentlicht bislang keine versionierten Releases. Wer es produktiv nutzt, sollte daher einen getesteten Commit festhalten, statt bei jedem Lauf ungeprüft den aktuellen Hauptbranch zu übernehmen. Eine nachvollziehbare Installation beginnt mit einem eigenen Fork. Der folgende Befehl setzt eine installierte und angemeldete GitHub CLI voraus; alternativ kannst du Fork und Clone über GitHub und Git manuell ausführen. Innerhalb von Claude Code startest du anschließend den Profilaufbau: Eine Stellenanzeige kannst du im interaktiven Ablauf per URL übergeben: Alternativ startest du /apply und fügst den Anzeigentext ein. Der Ablauf enthält eine interaktive Freigabefrage, bevor Dokumente entworfen werden. Die Befehle bereiten Unterlagen vor; sie ersetzen nicht die menschliche Prüfung und versenden laut Projekt keine Bewerbung. Für eine erste PDF mit den mitgelieferten Vorlagen müssen vor allem Claude Code und beide LaTeX-Engines funktionieren. Bun kommt für die Portalsuche hinzu, Python für Salary-Lookup und Hilfsskripte.

Warum das Karriereprofil wichtiger ist als der Prompt

Ein generischer Prompt kennt weder deine belastbaren Projektergebnisse noch die Rollen, die du bewusst ausschließt. /setup versucht deshalb, aus Lebenslauf, LinkedIn-Export, Diplomen beziehungsweise Transcripts, Referenzschreiben, früheren Bewerbungen und zusätzlichen Antworten ein dauerhaft nutzbares Profil zu bauen. Der Maintainer empfiehlt ausdrücklich, nicht nur Jobtitel zu nennen, sondern konkrete Projekte, verwendete Werkzeuge, Verantwortlichkeiten und messbare Ergebnisse zu dokumentieren. Diese Hinweise stehen im README von ai-job-search. Damit verschiebt sich die Arbeit: Weniger Zeit fließt in das wiederholte Formatieren einzelner Anschreiben, mehr Zeit in die Qualität der Ausgangsdaten. Das ist sinnvoll, solange das Profil gepflegt und kritisch geprüft wird. Ein veraltetes oder übertriebenes Profil skaliert denselben Fehler sonst über jede erzeugte Bewerbung.

Was die Maintainer-Zahlen aussagen – und was nicht

Laut Repository berichtet Lorentzen selbst von 69 maßgeschneiderten Bewerbungen, 20 Erstgesprächen und einem unterschriebenen Vertrag. Er trat die Stelle als AI Engineer nach eigener Aussage im Juni 2026 an. Sein früherer LinkedIn-Zwischenbericht vom 23. März 2026 nannte etwa 30 gezielte Bewerbungen und zu diesem Zeitpunkt noch kein Angebot. Daraus lassen sich drei Dinge ableiten: 1. Nach Lorentzens Darstellung wurde der Workflow über einen realen, mehrmonatigen Bewerbungsprozess eingesetzt. 2. Die veröffentlichten Zahlen zeigen einen persönlichen Funnel, keine kontrollierte Studie. 3. Weder die Erfolgsquote anderer Bewerber noch der isolierte Effekt des Tools ist damit belegt. Eine Rechnung wie „20 von 69 Bewerbungen führten zum Gespräch“ wäre mathematisch möglich, aber methodisch leicht missverständlich: Branche, Qualifikation, Region, Arbeitsmarkt, Stellenauswahl und persönliche Interviewleistung wurden nicht kontrolliert. Die Selbstangabe beschreibt den individuellen Ausgang, belegt aber weder die Übertragbarkeit noch den isolierten Effekt des Tools.

ai-job-search im Vergleich mit career-ops

career-ops verfolgt ein ähnliches Ziel, ist aber breiter angelegt. Der Vergleich ist deshalb relevanter als die Gegenüberstellung mit einem gewöhnlichen Anschreiben-Generator. | Kriterium | ai-job-search | career-ops | |---|---|---| | Lizenz | MIT | MIT | | KI-Laufzeit | Claude Code | Unter anderem Claude Code, Codex, OpenCode, Qwen und Antigravity; weitere Wrapper sind dokumentiert | | Dokumentenerstellung | LaTeX mit lualatex und xelatex | HTML-zu-PDF-Workflow mit Browser-Komponenten | | Stellenquellen | Vier dänische Portale sowie LinkedIn und Freehire | Breitere Abdeckung von Unternehmensportalen und ATS-Plattformen laut Projekt | | Bedienung | Claude Code, Terminal und Markdown-Dateien | Coding-CLI plus Go-basiertes Terminal-Dashboard; experimentelle Weboberfläche | | Releases | Keine veröffentlichten Releases | Version v1.19.0 vom 13. Juli 2026 | | Versand | Mensch prüft und sendet | Formulare können laut Projekt vorbefüllt werden; Prüfung und Versand bleiben beim Menschen | Am 14. Juli 2026 lag career-ops bei rund 60.100 GitHub-Sternen und 11.900 Forks. Die Version v1.19.0 wurde am 13. Juli 2026 unter dem Tag career-ops-v1.19.0 veröffentlicht. Diese dynamischen Zahlen zeigen vor allem die deutlich größere GitHub-Reichweite; die Contributor-Basis ist ebenfalls breiter. Sie belegen weder eine größere aktive Nutzerschaft noch automatisch eine bessere Dokumentqualität oder höhere Erfolgsquote. Die Entscheidung ist technisch relativ klar: ai-job-search passt, wenn du Claude Code ohnehin nutzt, LaTeX kontrollieren kannst und einen schlanken, dateibasierten Ablauf willst. career-ops ist interessanter, wenn du zwischen mehreren Coding-CLIs wechseln, mehr Portalquellen integrieren oder Bewerbungen in einem Terminal-Dashboard verfolgen möchtest.

Deutschland-Check: noch kein schlüsselfertiger DACH-Workflow

ai-job-search entstand für den dänischen Arbeitsmarkt. Mitgeliefert sind vier dänische Portalsuchen für Jobbank, Jobdanmark, Jobindex und Jobnet sowie zwei länderübergreifende Einstiege: LinkedIn und Freehire. Freehire kann nach DE filtern, ist aber auf Tech-Stellen fokussiert. Dedizierte Skills für StepStone oder Xing sind in den geprüften Quellen nicht vorhanden. Beim LinkedIn-Skill gilt eine wichtige Einschränkung: Das Projekt warnt ausdrücklich, dass der automatisierte Zugriff über öffentliche jobs-guest-Endpunkte gegen LinkedIns Nutzungsbedingungen verstößt. Es empfiehlt nur eine persönliche Nutzung mit geringem Volumen auf eigene Verantwortung. Technisch verfügbar bedeutet hier nicht automatisch rechtlich oder vertraglich unproblematisch. Das Framework kann über /add-portal um weitere öffentliche Quellen erweitert werden. Das ist aber Entwicklungsarbeit, keine fertige DACH-Unterstützung. Portale mit Login-Pflicht oder restriktiven Regeln können die Integration blockieren. Zusätzlich müssen deutsche Bewerbungsgewohnheiten, Sprache, Datumsformate, gewünschte Anlagen und der Umgang mit persönlichen Angaben in den Vorlagen geprüft werden. Für technisch versierte Nutzer ist das lösbar. Wer einen sofort einsatzbereiten Bewerbungsassistenten erwartet, trifft dennoch auf eine hohe Einstiegshürde: Git beziehungsweise GitHub CLI, Terminal, Claude Code und beide LaTeX-Engines müssen eingerichtet sein. Bun kommt für die Portalsuche hinzu, Python für Salary-Lookup und Hilfsskripte.

Einschränkungen: Datenschutz, Halluzinationen und Bias

Vier Punkte, die man vor dem produktiven Einsatz kennen muss.

Lokal gespeichert bedeutet nicht vollständig lokal verarbeitet

Das Repository und die erzeugten Dateien liegen auf dem eigenen Rechner. Claude Code verarbeitet Prompts und Kontext jedoch über den konfigurierten Modellanbieter. Lebenslauf, Zeugnisse, Kontaktdaten und Stellenbewertungen können dabei den lokalen Rechner verlassen, sofern Claude Code sie liest oder in den Modellkontext aufnimmt. Welche Daten übertragen und gespeichert werden, muss vor dem Import anhand der jeweils geltenden Anbieter- und Unternehmenseinstellungen geprüft werden. „Lokal“ beschreibt bei diesem Projekt somit den Datei- und Workflow-Ort, nicht automatisch die gesamte Datenverarbeitung. Sensible Unterlagen sollten nur in dem Umfang bereitgestellt werden, der für den konkreten Schritt erforderlich ist.

ATS-Lesbarkeit ist keine ATS-Garantie

pdftotext kann zeigen, ob Text aus der PDF extrahierbar ist und in welcher Reihenfolge er erscheint. Das ist ein nützlicher technischer Check. Er garantiert aber weder eine korrekte Bewertung durch jedes Applicant-Tracking-System noch eine Einladung. Parser, Rankingregeln und Arbeitgeberprozesse unterscheiden sich.

Prompt-Regeln verhindern keine erfundenen Fakten

Die „Honesty rule“ des Projekts ist richtig, bleibt aber eine Verhaltensanweisung. Modelle können Informationen falsch zusammenführen, Zeiträume verändern oder aus ähnlichen Projekten unzulässige Fähigkeiten ableiten. Die sichere Reihenfolge lautet daher: belegbares Profil, generierter Entwurf, Faktenabgleich, sprachliche Prüfung, manuelle Freigabe.

Ein Kandidaten-Agent beseitigt Recruiting-Bias nicht

Eine Literaturübersicht mit ergänzender Befragung von Zhisheng Chen in Humanities and Social Sciences Communications beschreibt Diskriminierungsrisiken bei KI-gestütztem Recruiting unter anderem entlang von Geschlecht, Ethnie, Hautfarbe und Persönlichkeitsmerkmalen. Die Studie untersucht nicht ai-job-search. Ihre Ergebnisse zu KI-Recruiting legen als allgemeine Vorsicht nahe, auch generierte Bewertungen und Formulierungen nicht als neutral zu behandeln: Modelle können Verzerrungen aus Daten und Sprachmustern übernehmen.

Für wen lohnt sich ai-job-search?

| Zielgruppe | Einschätzung | |---|---| | Claude-Code-Nutzer mit Terminal- und LaTeX-Erfahrung | Gute Basis für einen kontrollierten, dateibasierten Bewerbungsprozess | | Bewerber mit wenigen, gezielt ausgewählten Stellen | Sinnvoll, weil Profilabgleich und individuelle Dokumente im Vordergrund stehen | | Nutzer, die verschiedene Coding-CLIs einsetzen wollen | career-ops ist flexibler | | Bewerber ohne technische Einrichtungserfahrung | Zu hohe Einstiegshürde für den praktischen Nutzen | | Nutzer, die vollautomatisch Massenbewerbungen versenden wollen | Ungeeignet und bewusst nicht das Ziel des Projekts | | Bewerber im deutschen Markt | Mit LinkedIn oder dem Tech-Portal Freehire eingeschränkt nutzbar; breite DACH-Abdeckung erfordert eigene Anpassungen |

FAQ: Häufig gestellte Fragen zu ai-job-search

Verschickt ai-job-search Bewerbungen automatisch? Nein. Der dokumentierte Workflow endet vor dem Absenden. Der Mensch öffnet das Portal, lädt die Unterlagen hoch und gibt die Bewerbung selbst frei. Ist Claude Code zwingend erforderlich? Für ai-job-search ja. Das Framework ist auf Claude Code ausgelegt. Wer mehrere Coding-CLIs nutzen möchte, sollte career-ops prüfen. Ist ai-job-search kostenlos? Der Quellcode steht unter der MIT-Lizenz. Kosten für Claude Code beziehungsweise den verwendeten Modellzugang sowie die eigene Infrastruktur entfallen dadurch nicht automatisch. Funktioniert das Tool mit deutschen Stellenportalen? Nicht schlüsselfertig. Die Standardkonfiguration enthält vier dänische Portalsuchen sowie LinkedIn und das auf Tech-Stellen fokussierte Freehire, das nach DE filtern kann. Dedizierte Skills für StepStone oder Xing sind nicht vorhanden; weitere öffentliche Portale müssen selbst integriert werden. Beim LinkedIn-Skill ist zudem der ausdrückliche ToS- und Personal-use-Warnhinweis des Projekts zu beachten. Verhindert das Framework erfundene Fähigkeiten? Nein, nicht technisch garantiert. Es weist das Modell an, alle Aussagen am Karriereprofil zu verifizieren. Der Bewerber muss dennoch jede Behauptung selbst kontrollieren. Sind die PDFs ATS-kompatibel? Das Projekt erzeugt LaTeX-PDFs mit lualatex und xelatex und kann deren Textschicht optional mit pdftotext prüfen. Das verbessert die technische Kontrolle, garantiert aber keine korrekte Verarbeitung oder Bewertung durch jedes ATS. Beweisen 69 Bewerbungen und 20 Gespräche, dass das Tool funktioniert? Nein. Die Zahlen beschreiben den vom Maintainer berichteten Einzelfall. Ohne unabhängigen Nachweis, Kontrollgruppe und dokumentierte Vergleichsbasis lässt sich daraus weder eine allgemeine Gesprächsquote noch ein kausaler Effekt des Tools ableiten.

Fazit

ai-job-search automatisiert die wiederholbare Arbeit rund um Profilstruktur, Stellensuche, Fit-Bewertung, Dokumententwurf und Interviewvorbereitung. Es automatisiert bewusst nicht die Verantwortung: Faktenprüfung, Auswahl und Versand bleiben beim Bewerber. Für technisch versierte Claude-Code-Nutzer, die wenige passende Stellen gründlich bearbeiten wollen, ist das ein nachvollziehbarer Ansatz. Wer mehrere Coding-CLIs, mehr Portalabdeckung und ein Dashboard benötigt, sollte career-ops vergleichen. Wer dagegen einen Auto-Apply-Bot erwartet, sucht das falsche Werkzeug – und würde gerade die Kontrollstufe entfernen, die diesen Workflow glaubwürdig macht. Verifizierte Quellen: - Mads Lorentzen: ai-job-search auf GitHub - Mads Lorentzen: I Automated My Job Search. It Made the Process More Human, Not Less. - Santiago Fernández de Valderrama Aparicio: career-ops auf GitHub - career-ops: Projektseite - Zhisheng Chen: Ethics and discrimination in artificial intelligence-enabled recruitment practices - Öffentliches NotebookLM mit den geprüften Quellen