Mako — AI Career Intelligence System
From $49 · 30 days · terms & refunds
⚠️ Third-Party Software Notice
This skill is third-party open-source software developed and hosted independently on GitHub. SkillsLLM lists this project for discovery and does not control or maintain the underlying repository.
Any security checks, ratings, or warnings displayed by SkillsLLM are automated and limited in scope. They do not constitute a security certification or guarantee that the software is safe, error-free, or free from malicious code, vulnerabilities, compromised dependencies, or prompt-injection risks.
Review the source code, permissions, dependencies, and configuration before installing or running any third-party skill. Use is at your own risk. To the maximum extent permitted by applicable law, SkillsLLM is not liable for losses arising from third-party software.
Automated security scan — not a certification.
# Add to your Claude Code skills
git clone https://github.com/limingren0803-lgtm/Mako-PublicGuides for using ai agents skills like Mako-Public.
Last scanned: 11/22/2026
{
"issues": [],
"status": "PASSED",
"scannedAt": "2026-11-22T12:18:18.221Z",
"npmAuditRan": true,
"pipAuditRan": false,
"promptInjectionRan": true
}See how Mako-Public compares with popular alternatives.
准备回国求职时,招聘信息、经验分享和岗位清单并不难找。真正困难的是把这些信息与自己的经历对应起来:哪些岗位值得投入时间,现有材料能证明什么,还需要补充什么。
Mako 处理的不只是一份简历,而是求职过程中一连串相互关联的判断:先梳理已经发生并且可以说明的经历,再理解岗位要求,找出两者之间的对应关系和信息缺口,最后确定下一步行动。
可以先跟随六阶段求职示例:使用虚构简历和岗位,逐步核对输入、结果与下一步。
这六项任务对应求职中经常连续出现的六个问题。用户可以从当前最需要的阶段开始,也可以基于同一份个人材料依次完成。
| 阶段 | 求职任务 | 这一阶段解决什么 |
|---|---|---|
| 1. 认识自己 | 背景诊断 | 梳理教育、项目、实习与技能,确认已有优势和仍需补充的信息 |
| 2. 找到方向 | 岗位方向匹配 | 比较不同岗位方向与当前经历,判断值得优先了解的范围 |
| 3. 看懂 JD | JD 分析 | 拆解职责、基本门槛、加分项和需要进一步确认的条件 |
| 4. 讲清经历 | 简历优化 | 在事实范围内调整表达,让相关经历准确回应目标岗位 |
| 5. 准备面试 | 面试准备 | 根据目标岗位准备笔试、面试、项目追问和经历复盘 |
| 6. 安排行动 | 行动规划 | 结合目标、差距和时间,安排投递、准备与能力补强 |
前一步形成的判断,会成为后一步的输入:岗位方向决定需要重点查看哪些 JD,JD 中的要求决定简历和面试应当准备哪些证据,尚未覆盖的要求则进入后续行动计划。
如果你只想分析一份简历、看懂一份 JD,或者梳理当前求职方向,可以把 Mako Career Skill 安装到 Codex。它不需要启动 Docker、数据库或 Mako Workspace,也不要求单独配置 Mako API Key。
在 Codex 中调用 $skill-installer,并提供下面的 GitHub 地址:
使用 $skill-installer 从下面的 GitHub 路径安装 mako-career:
https://github.com/limingren0803-lgtm/Mako-Public/tree/main/integrations/codex/mako-career
安装后可以直接说:
使用 $mako-career,根据我下面的背景判断适合优先了解哪些岗位方向。
也可以上传简历、JD、项目材料或求职笔记,然后询问是否值得投、如何调整简历、怎样准备面试,或者接下来两周应该先做什么。用户不需要判断应当选择哪个内部流程,Skill 会根据最终需要的结果选择最小必要流程。
轻量版只处理当前 Codex 对话,不连接 Mako 后端,也不会把材料另行写入 Mako Workspace。当前对话、附件和模型用量仍遵循用户所在 Codex 环境的规则。需要跨会话保存材料、管理多个岗位、跟踪投递阶段或使用已审核官方职位记录时,可以再使用完整的 Mako Workspace。
完整的安装方法、文件兼容范围和常见问题见 Mako Career Skill 使用指南。
六项 Career Skill 用来解决当前问题,Career Workspace 则把用户已经确认的目标、岗位、材料和行动保留下来。连续求职任务会固定当前材料版本和岗位范围;分析结果只有在用户明确保存后才进入任务,候选行动也需要用户确认后才成为待办。
工作区由三个相互关联的页面组成:
这些状态由用户确认和更新。系统不会因为一次分析自动改变投递或面试阶段,也不会把建议直接记成已经接受的行动。工作区使用独立的本地 SQLite 保存数据,支持导出和清空,不反向修改 CareerProfile、官方职位库、Evidence Registry、Redis 或 ChromaDB。

个人材料库用于保存需要反复核对的简历、项目文档、课程材料和求职笔记。它支持 TXT、Markdown、带文本层的 PDF 和 DOCX;文件会先展示解析预览,用户确认后才保存规范化文本和页码、章节或行号,原始文件不会长期保留。
使用 Career Skill 时,可以让 Mako 自动查找相关材料、只使用指定材料,或者在本次分析中完全关闭个人材料。只有达到相关性要求的内容才会参与回答,结果会列出实际使用的材料及引用位置;没有合适内容时,不会为了补全回答强行加入无关片段。
个人材料库使用独立的本地存储,不会把检索结果自动写成 CareerProfile 事实,也不会改变岗位、行动项或求职阶段。
工作台现在提供求职总览、目标岗位、今日行动、个人材料库和六项 Career Skill。用户可以先整理需要持续跟进的岗位与材料,也可以直接进入当前要解决的分析任务。
使用 Career Skill 时,可以直接输入情况,也可以上传 TXT、Markdown、带文本层的 PDF 或 DOCX;系统会先展示本次使用的内容,确认后再生成结果。
这里上传的文件只随本次请求处理,不会自动保存到个人材料库。独立分析还可以明确选择材料库中的当前简历、临时简历或不使用简历;连续任务会记录所选材料版本,内容变化后要求重新确认。
进行岗位方向匹配时,可以选择系统内已经审核的岗位,也可以提供自己的完整 JD。系统岗位会展示经过审核的职责或要求;用户提供的链接仅用于标注来源,页面不会主动访问链接内容。招聘信息来自公开网络及企业官方招聘平台;目录入口不代表具体岗位已经核验,实际岗位、条件和截止时间以企业官网为准。

如果问题、经历、文件、JD 或岗位选项发生变化,工作台会要求重新确认材料,避免沿用已经过时的输入。结果可以复制、下载为 TXT,也可以保留当前输入后重试。当前页面仍是本地单用户工作区,不提供云端账户、跨设备同步或线上多人平台。
Mako 给出建议时,会同时说明使用了哪些材料、哪些结论已有证据支持,以及哪些地方仍然缺少信息。这样做的目的不是替用户下结论,而是让用户能够检查依据,再决定是否采纳。
当前版本为 v2.10.0。以下数据来自本次公开候选与已发布功能的可验证状态。
| 项目 | 当前状态 |
|---|---|
| 求职任务 | 6 项 |
| 企业官方来源 | 109 个 |
| 已审核结构化职位样本 | 35 个 |
| 当前版本 | v2.10.0 |
| 公开回归测试 | 150/150 通过 |
| Docker 服务 | 5 个 |
首次使用可先做简短诊断,再按需保存为任务;简历保留由用户勾选。简历优化集中展示修改稿并支持一键复制,修改说明单独呈现。上传超限与职位重复导入的审核状态已修复,监控告警增加去重、恢复与保留上限。详见 v2.10.0 发布说明。模型改写仍需核对原材料,本版不保证消除未经确认的事实扩写。
环境要求:Docker Desktop、Docker Compose v2,以及 Anthropic API Key 或支持 Anthropic 协议的兼容服务密钥。
cp .env.example .env
docker compose up -d --build
在本地 .env 中填写服务地址、模型名和 API Key,同时设置随机的 REDIS_PASSWORD 和至少 32 个字符的 MAKO_ADMIN_API_KEY。
启动后打开:
http://localhost/mako/:Mako 求职工作台http://localhost:8000/health:应用健康状态查看运行状态与停止服务:
docker compose ps
docker compose logs -f mako
docker compose down
完整环境准备和部署步骤见 Mako 从 0 到 1 部署指南。
当前部署支持单 API 进程、单应用实例,镜像固定 --workers 1。请求缓存和工作区会话不跨进程共享;多 worker 或多个副本可能重复执行同键请求。服务启动会提示可识别的不支持配置,完整边界见部署与请求重试。
常规求职请求按所选意图交由 CareerAgent 处理,不自动并行调用多个 Agent。run_parallel() 保留为内部显式接口,不代表六阶段自动串行执行。
Mako 的产品流程由 Agent、Skills、记忆、知识检索、职位数据治理和可观测性共同支撑。
| 模块 | 实现 |
|---|---|
| Agent | GeneralAgent、TechnicalAgent、CareerAgent |
| Skills | 6 个 Career Skills,另有 General 和 Technical Skill |
| 用户画像 | Structured CareerProfile、schema-guided extraction、conservative merge |
| 画像更新 | 只在检测到新增职业信息时异步更新 |
| 工作记忆 | Redis Working Memory |
| 长期记忆 | ChromaDB Episodic Memory 与跨会话画像复用 |
| 能力加载 | Dynamic SkillManager,按 Intent 注入单个 Career Skill |
| 知识检索 | RAG knowledge retrieval、文档版本与回滚 |
| 职位情报 | 109 家企业招聘入口目录、JobPosting 审核、时效与用户来源选择 |
| V2 匹配 | 已审核 JD 要求、用户确认材料、逐项证据状态与请求级结果 |
| 求职工作区 | CareerTask、JobTrack、ActionItem、独立 SQLite、本机会话、修订冲突检查与数据导出 |
| 可观测性 | /monitor、Prometheus、evaluation、模型请求与 token 用量指标 |
| 回答可靠性 | 完整性检测、一次有界续写和质量状态返回 |
| API 契约 | Request ID、幂等请求、结构化错误、职位来源和安全验证摘要 |
| 部署 | Nginx 外部入口、FastAPI、Docker Compose |
Nginx
-> FastAPI POST /chat
-> Redis Working Memory + ChromaDB
-> 已选 Career Skill / IntentRecognizer 回退
-> AgentOrchestrator
-> GeneralAgent / TechnicalAgent / CareerAgent
-> Dynamic SkillManager
-> LLM response
-> memory / CareerProfile / monitor / evaluation
工作台明确选择 Career Skill 时,请求直接进入对应任务;没有提供选择的 API 客户端继续使用自动意图识别。每次 Career 请求只注入一个与 Intent 对应的 Skill。本地知识上下文和 /search 直接查询现有知识库,不额外调用模型改写或重排查询。
CareerProfile 组织用户的教育、经历、技能和目标信息,只在检测到新增职业信息时异步更新。Redis 保存 Working Memory,ChromaDB 提供 Episodic Memory、画像复用与 RAG 检索。
方向匹配的 V2 请求级流程允许用户选择已审核职位、确认 JD 原文中的要求和关键词,并按已覆盖、部分覆盖、存在差距及待补充查看逐项结果。请求材料和结果不会写入证据库、CareerProfile、Redis、ChromaDB 或职位库。
企业招聘来源目录当前登记 109 家企业招聘入口。部分来源包含经过核验的招聘方向摘要,其余来源只提供目录入口,不表示具体岗位已经核验。
GET /jobs/sources 提供只读来源目录。招聘信息来自公开网络及企业官方招聘平台;目录入口不代表具体岗位已经核验,实际岗位、条件和截止时间以企业官网为准。
JobPosting 继续记录企业、职位、地点、职责、要求、招聘类型、发布时间、有效期、更新时间和官方链接。新职位或内容变化先进入待审核状态,审核前不会替换当前有效版本。聊天过程中不会实时访问招聘网站,也不会绕过登录、验证码或访问限制。
Swagger 默认关闭。本地需要接口文档时,可以在 .env 中设置:
ENABLE_SWAGGER_UI=true
| 地址 | 用途 |
|---|---|
http://localhost/mako/ |
Mako 求职工作台 |
http://localhost:8000/docs |
Swagger UI,需启用 ENABLE_SWAGGER_UI |
http://localhost:8000/health |
应用健康和 Agent 统计 |
http://localhost:8000/skills |
Skill 加载摘要,需 X-Admin-Key |
http://localhost:8000/monitor |
监控摘要,需 X-Admin-Key |
http://localhost:8000/search |
本地知识检索 |
http://localhost:8000/jobs/sources |
官方职位来源只读目录 |
http://localhost:8000/v2/workspace/* |
求职工作区会话、岗位、行动、总览与导出 |
http://localhost:9090 |
Prometheus |
curl -X POST "http://localhost:8000/chat" \
-H "Content-Type: application/json" \
-d '{"user_id":"demo-user","job_max_age_days":30,"job_source_ids":["src_cn_tencent","src_cn_baidu"],"job_data_mode":"official_links_if_missing","message":"我准备回国求职,主修信息系统,有数据分析实习经历,适合关注哪些岗位?"}'
响应中的关键字段包括:
responseintentagent_typereview_requiredlatency_msknowledge_usedjob_data_usedjob_sourcesjob_max_age_daysjob_source_idsjob_data_modejob_source_optionsrequest_idresponse_completecontinuation_usedquality_flags当模型输出因 token 上限或结构未闭合而可能中断时,Mako 最多执行一次有界续写。调用方可以根据完整性和质量字段决定是否重试或转入人工检查。
v2.4.0 公开版本完成了以下验证:
| 检查项 | 结果 |
|---|---|
| 公开基线回归 | 141/141 通过 |
| Python syntax / import | 通过 |
| Python 依赖审计 | 执行 pip-audit;ChromaDB 三项暂无修复版本的公告使用精确临时例外 |
| Docker Compose config | 通过 |
| V2 请求级岗位匹配与权限边界 | 通过 |
| Career Workspace 会话、岗位、行动、冲突与删除边界 | 通过 |
| 求职总览、目标岗位、今日行动与六个 Career Skill | 通过 |
| 个人材料预览、导入、检索、引用、导出和删除边界 | 通过 |
模型用量指标、幂等请求与 /chat 独立限流 |
通过 |
公开仓库的 CI 会运行公开基线回归、依赖审计、Python 编译检查、Compose 配置检查和凭据模式扫描。本地运行公开基线测试:
.\.venv-win\Scripts\python.exe -m unittest discover -s tests -v
当前边界:
/chat 和 /search 尚未提供终端用户身份系统,公网多用户部署还需要身份层与 TLS;/chat 的五分钟幂等缓存适用于当前单进程部署,多实例运行需要共享协调层;Mako-Public is an open-source ai agents skill for AI coding assistants such as Claude Code, Codex CLI, and ChatGPT, built by limingren0803-lgtm. Mako — AI Career Intelligence System. It has 190 GitHub stars.
Yes. Mako-Public passed SkillsLLM's automated security scan — a dependency vulnerability audit plus prompt-injection heuristics — with no high-severity issues. You can read the full report in the Security Report section on this page.
Clone the repository with "git clone https://github.com/limingren0803-lgtm/Mako-Public" and add it to your Claude Code skills directory (see the Installation section above).
Mako-Public is primarily written in Python. It is open-source under limingren0803-lgtm on GitHub, so you can review or fork the full source.
Yes. SkillsLLM lists many other AI Agents skills you can browse and compare side by side. Open the AI Agents category from the badge at the top of this page, or use the Related Skills and comparison links further down to weigh Mako-Public against similar tools.
No comments yet. Be the first to share your thoughts!