Er machte aus Claude Code eine Bewerbungs-Pipeline: 69 Bewerbungen, 20 Gespräche

Die Gattung der „KI-Bewerbungstools“ hat ein Glaubwürdigkeitsproblem, und es ist kein technisches. Alle vermuten, dass am Ende ein mit Keywords vollgestopftes PDF herauskommt, das ein Recruiter in vier Sekunden riecht.

Das Erste, was man über ai-job-search berichten sollte, ist deshalb, was der Autor damit gemacht hat. Das MIT-lizenzierte Framework von Mads Lorentzen macht aus Claude Code eine Bewerbungs-Pipeline. Er hat damit 69 Bewerbungen verschickt, 20 Erstgespräche bekommen und als AI Engineer einen Vertrag unterschrieben. Er sagt außerdem, er habe jedem Arbeitgeber mitgeteilt, dass er es benutzt. Das ist entweder ein sehr gutes Zeichen oder ein sehr glückliches. Wahrscheinlich beides.

Das Zweite, was man berichten sollte: Die interessante Ingenieursarbeit steckt nicht im Schreiben. Sie steckt im Prüfen.

Die drei Kommandos, auf die es ankommt

/setup füllt das Profil. Drei Wege hinein: auf einen documents/-Ordner zeigen, einen einzelnen Lebenslauf einfügen oder Interviewfragen beantworten. Der Autor sagt es unverblümt: Die Tiefe des Profils ist der mit Abstand größte Faktor für die Qualität des Ergebnisses. Ein dünnes Profil erzeugt generische Bewerbungen, und daran ändert auch das cleverste Prompting nichts.

/scrape durchsucht Jobportale, entdoppelt und sortiert nach Passung. Die Portalunterstützung ist marktspezifisch: Die mitgelieferten decken Dänemark ab (Jobindex, Jobnet, Jobbank, Jobdanmark), dazu kommen zwei grenzüberschreitende Skills — einer für LinkedIns öffentlichen, unauthentifizierten Endpoint mit Regions-Flag, einer für eine kostenlose REST-API mit Fokus auf Tech-Rollen. Andere Märkte brauchen /add-portal, das einen neuen Skill generiert und testet.

/apply <url> ist der interessante. Er läuft in acht Schritten: Anzeige parsen, Passung bewerten, einen maßgeschneiderten LaTeX-Lebenslauf und ein Anschreiben entwerfen, beides an einen separaten Review-Agenten mit eigenem Kontext übergeben, der das Unternehmen recherchiert und den Entwurf kritisiert, überarbeiten, kompilieren, das gerenderte PDF inspizieren, dann einen ATS-Check laufen lassen.

Warum Kompilieren und ins PDF schauen der ganze Trick ist

Wer schon einmal ein LaTeX-Dokument von einem Sprachmodell hat erzeugen lassen, kennt den Fehlermodus. Die Quelle sieht perfekt aus. Im PDF hängt eine verwaiste Überschrift am unteren Rand von Seite eins, das Anschreiben ist mit einer einzigen Zeile auf Seite zwei geschwappt, und eine Liste ist stillschweigend auf eine andere Schriftart zurückgefallen.

Dieses Projekt schließt die Schleife. Der Lebenslauf muss mit lualatex auf exakt zwei Seiten kompilieren, ohne verwaiste Überschriften. Das Anschreiben muss mit xelatex auf exakt eine Seite kompilieren, mit sichtbarer Unterschrift. Der Agent liest die gerenderten Seiten und iteriert, bis die Vorgaben halten.

Wenn der Lebenslauf zu lang wird, kürzt er nicht einfach die älteste Station. Er bewertet jede Zeile nach Relevanz für diese Anzeige, Einzigartigkeit im Dokument und danach, ob das Anschreiben von ihr abhängt, und entfernt dann die mit der niedrigsten Gesamtsumme. Das ist ein kleines Detail und ein großer Unterschied: Es ist das Verhalten von jemandem, der tatsächlich schon einmal einen Lebenslauf für eine konkrete Rolle gekürzt hat, nicht von jemandem, der einer Regel folgt.

Der ATS-Check ist der Teil, den sonst niemand macht

Bewerbermanagement-Systeme lesen nicht dein schönes Layout. Sie lesen die eingebettete Textebene, und LaTeX ist berüchtigt dafür, Textebenen zu erzeugen, die technisch vorhanden und praktisch Müll sind: Icon-Fonts, die als E-Mail-Symbol gerendert und als nichts extrahiert werden, Ligaturen, die das Keyword-Matching zerstören, Spalten, die die Lesereihenfolge durcheinanderbringen.

Das Framework extrahiert die Textebene mit pypdf oder pdftotext, prüft, ob Kontaktdaten als wörtlicher Text erscheinen, kontrolliert Mojibake und Lesereihenfolge und vergleicht dann die Keyword-Abdeckung mit der Anzeige. Wenn keines der beiden Tools installiert ist, degradiert es zu einer visuellen Keyword-Prüfung, statt die Stufe stillschweigend zu überspringen.

Das ist der Unterschied zwischen einem Tool, das Dokumente produziert, und einem Tool, das Dokumente produziert, die den Kontakt mit einem Bewerbungssystem überstehen.

Die ehrliche Einschränkung: Es weigert sich zu erfinden

Die erklärte Regel lautet: keine erfundenen Fähigkeiten, keine erfundene Erfahrung. Keywords, die das Profil nicht stützt, werden als Lücke markiert statt hineingestopft. Das ist eine ethische Position und eine praktische zugleich — erfunden ist Erfahrung genau dort, wo sie im Gespräch auffliegt, und die Aufgabe des Tools ist es, dich bis zu diesem Gespräch zu bringen.

Dazu kommt ein Sprachfilter. /setup erfasst jede Arbeitssprache samt Niveau; nicht angegebene Sprachen führen zur harten Ablehnung, unzureichende Niveaus werden markiert statt automatisch abgelehnt. Die meisten Jobtools ignorieren das komplett, und genau so entsteht eine flüssig klingende Bewerbung für eine Stelle, die Deutsch auf C1 verlangt.

Die Datenschutz-Falle, in die du nicht treten darfst

Diesen Teil würde ich fett auf die Download-Seite schreiben, und der Autor tut es auch, aber er verdient die Wiederholung: Ein Fork eines öffentlichen Repositories ist immer öffentlich. GitHub erlaubt keine privaten Forks öffentlicher Repos. Und /setup schreibt deinen Namen, deine Kontaktdaten, deinen Werdegang und deine Gehaltsvorstellung in git-verfolgte Dateien.

Forken, Setup laufen lassen, pushen — und du hast deinen Lebenslauf und deine Gehaltsvorstellung im Internet veröffentlicht, samt Commit-Historie.

Der richtige Weg, dokumentiert im Setup-Guide des Projekts: ein privates Repository anlegen und das Original als upstream-Remote hinzufügen. Du bekommst denselben Update-Flow ohne die Exposition. Forke nur, wenn du Code beitragen willst.

Sicherheitshaltung, klar gesagt

Stellenanzeigen werden als nicht vertrauenswürdige Eingabe behandelt: Eingebettete Anweisungen werden nicht ausgeführt, Links darin nicht verfolgt. Der Autor betont sorgfältig, dass dies Verteidigung auf Anweisungsebene ist, keine Sandbox. Portal-Skills laufen ohne Freigabe auf deiner Maschine, also sollten aus anderen Forks geliehene Skills Zeile für Zeile gelesen werden — wohin die Netzwerkanfragen gehen, was im Paketmanifest an Abhängigkeiten und Lifecycle-Skripten steht, und die Tests offline laufen lassen. Dass das Kopieren des Ordners bewusst manuell ist, hat genau diesen Grund.

Der LinkedIn-Skill kommt mit einer eigenen Warnung: Automatisierung verstößt gegen die Bedingungen der Plattform, und er sollte selten und nur privat genutzt werden.

Was die Schleife kostet

Nichts davon ist kostenlos, und der Autor sagt das auch. Claude Code hat keine kostenlose Stufe; du brauchst ein Abo oder API-Guthaben. Der Schritt Kompilieren-und-schauen verbrennt zusätzliche Tokens, weil der Agent gerenderte Seiten liest und iteriert — bei einem einzigen Lebenslauf manchmal drei- oder viermal.

Ob der Deal sich lohnt, hängt davon ab, was deine Zeit dir wert ist. Vier Überarbeitungsrunden an einem Dokument, das du einmal verschickst, sind viel. Vier Runden an einem Dokument, das sonst eine verwaiste Überschrift im unteren Rand hätte, sind billig — denn diese Überschrift entscheidet beim ersten Eindruck des Lesers zwischen „sorgfältig“ und „schlampig“.

Es gibt einen zweiten Kostenposten, der leicht übersehen wird: die Profilarbeit. /setup belohnt Konkretheit — Projekte, Tools, quantifizierte Ergebnisse, was du selbst getan hast im Unterschied zu dem, was dein Team getan hat. Ein dünnes Profil erzeugt die generische Bewerbung, die in dieser Kategorie alle erzeugen. Das Tool kann das Material nicht erfinden, das es nicht hat, und der Autor sagt ungewöhnlich direkt, dass hier der begrenzende Faktor liegt und nicht im Modell.

Was es nicht tut

Es verschafft dir keine Empfehlung, und die meisten Jobs werden faktisch über Empfehlungen gewonnen. Es verhandelt nicht, und über das Gehalt weiß es nur die Zahl, die du beim Setup eingetippt hast. Es weiß nicht, dass der Hiring Manager ein ehemaliger Kollege ist, oder dass die Anzeige seit sieben Monaten offen ist, weil sich das Team über die Rolle nicht einigen kann.

Was es tut, ist, die Ausrede zu entfernen. Die Bewerbung ist maßgeschneidert, das PDF kompiliert, die Textebene ist parsebar, und die Sprachanforderungen werden respektiert. Was du damit machst, ist weiterhin Jobsuche.

Was das eigentlich ist

Zieh die KI-Verpackung ab, und übrig bleibt ein Build-System für Bewerbungen: Quelle rein, Artefakt raus, dazwischen eine Verifikationsstufe. Das Modell ist der Compiler. Die PDF-Inspektion und der ATS-Textcheck sind die Tests. Der Review-Agent ist Code Review.

Diese Rahmung ist der Grund, warum es interessanter ist als seine Kategorie. Es verspricht nicht, dir einen Job zu besorgen. Es verspricht, dass das Dokument, das du verschickst, zwei Seiten hat, maschinenlesbar ist, ehrlich über deine Lücken und auf die Anzeige zugeschnitten — und es sagt dir, wenn diese Versprechen brechen.

Neunundsechzig Bewerbungen und zwanzig Gespräche sind eine ordentliche Stichprobe. Ein Beweis sind sie nicht. Aber es ist eine bessere Evidenzbasis als die meisten Tools in diesem Feld haben, und die Pipeline, die sie produziert hat, kannst du selbst lesen.