01
Local-first con SQLite
Los datos de un solo usuario (CV, matches) permanecen en la máquina, sin costo de hosting ni exposición a terceros; retención y borrado bajo demanda están incluidos.
← Todos los proyectos
Proyecto personal
Servicio de Alertas de Job Bank
Buscador local de empleos: consulta Job Bank y puntúa ofertas contra tu CV con un LLM
Arquitectura
- Ingesta programada de ofertas
- Filtros deterministas antes del LLM
- Borradores con hechos bloqueados
- Sin envío automático, por diseño
- Local-first: SQLite + FastAPI
El programador conduce cada etapa en orden: ingesta desde Job Bank, puntuación de ofertas pendientes y envío de un resumen de matches sobre el umbral.
- Servicio / cómputo
- Almacén de datos
- IA
- Sistema externo
- Síncrono
- Asíncrono / bucle
Cómo fluye, paso a paso
Haz clic en un paso para saltar a él. Haz clic en un componente para ver detalles.
Qué hace
Servicio local que consulta Job Bank de Canadá, filtra ofertas según elegibilidad para candidatos internacionales y las puntúa contra un CV subido usando un LLM. Alerta por correo y panel, y prepara cartas y correos personalizados estrictamente como borradores. Un panel React gestiona filtros, ofertas, CV, borradores y ajustes.
El problema
Encontrar ofertas para las que un candidato internacional puede ser contratado es lento: muchas exigen autorización de trabajo y el matching genérico lo ignora. El servicio automatiza el descubrimiento y la puntuación sin postular nunca en nombre del usuario.
Qué construí
- Un pipeline determinista de pre-filtros (autorización, ubicación, palabras clave) corre antes del LLM, de modo que las ofertas restrictivas se rechazan sin llamar al modelo y el costo se mantiene bajo.
- Contrato robusto con el LLM: JSON validado con Pydantic, un re-prompt de reparación con el error, reintentos acotados en 429/5xx e identidad del empleo y versión de prompt inyectadas por el servidor.
- Redacción con hechos bloqueados: cartas y correos se escriben a partir de una hoja numerada de hechos del CV y la oferta y luego se verifican para que el modelo no invente; cada párrafo muestra su procedencia en la UI.
- Ingesta respetuosa: User-Agent descriptivo, GET condicional con ETag / Last-Modified persistido en SQLite, ritmo con jitter, backoff acotado y un lock de ejecución única en el scheduler.
- Invariante estricta de que no existe ruta de envío de postulaciones: los borradores son solo enlaces mailto y copiar al portapapeles, con el contrato revisado en el esquema OpenAPI.
- Contrato OpenAPI-first: los tipos del cliente se generan desde el esquema del backend, y el proyecto se entregó en cortes etiquetados con la suite de tests en verde en cada paso.
Decisiones clave y por qué
02
Orden de filtros de barato a caro
Las verificaciones deterministas van primero y el LLM solo ve a las supervivientes, lo que ahorra costo y hace auditables y fail-closed las decisiones de elegibilidad.
03
Entrega solo como borrador
Postular automáticamente podría tergiversar al candidato; mantener a una persona en cada postulación es un límite de seguridad deliberado.
04
Generación de prosa con hechos bloqueados
Escritura natural sin alucinaciones: el modelo solo reorganiza hechos numerados y un verificador rechaza afirmaciones sin soporte.
05
Backend por capas con repositorios y contrato OpenAPI
Capas api, services, repositories y models mantienen la lógica testeable, y el esquema exportado mantiene sincronizado el frontend tipado.
Stack tecnológico
- Lenguajes
- Python 3.12
- Backend
- FastAPIAPSchedulerhttpxPydantic
- Datos
- SQLAlchemy + SQLite
- Mensajería
- aiosmtplib (SMTP)
- Otros
- pypdf / python-docx / ReportLab
- IA
- OpenAI-compatible LLM API
- Frontend
- React 18 + Vite + TypeScriptTanStack Queryopenapi-typescript
- Pruebas
- pytest + respxVitest + MSW
- DevOps
- ruff + mypy