AI do poszukiwania pracy analizuje CV i dopasowuje oferty z LinkedIn

Zespół programistów z Hugging Face stworzył narzędzie AI, które automatyzuje poszukiwanie pracy dla świeżych absolwentów. System wykorzystuje model Qwen3–8B do analizowania CV i generowania spersonalizowanych zapytań wyszukiwania na LinkedIn, a następnie ocenia dopasowanie ofert według pięciu kryteriów. Szczegóły projektu opisano w artykule na blogu Hugging Face.

Kluczowe wnioski

• Model został wytrenowany na korpusie 2500 CV i 10 000 ofert pracy pozyskanych z LinkedIn przez JobSpy.
• System ocenia dopasowanie w pięciu wymiarach: zgodność umiejętności, doświadczenie, wykształcenie, branża i poziom stanowiska.
• Wykorzystano technikę destylacji wiedzy — DeepSeek V4 Pro jako nauczyciel generował etykiety, a mniejszy Qwen3–8B jako uczeń.
• Aplikacja działa na HuggingFace ZeroGPU i zwraca krótką listę najlepszych ofert z uzasadnieniem dla każdej pozycji.
• Autorzy opublikowali pełny kod, modele i nawet ślady całej sesji programistycznej w Claude Code.

Architektura systemu

Job Searcher składa się z trzech głównych etapów. Najpierw model analizuje załączone CV oraz preferencje użytkownika (typ pracy, tryb pracy, lokalizacja) i generuje zestaw zapytań wyszukiwania dostosowanych do LinkedIn. Te zapytania są następnie przekazywane do JobSpy, który przeszukuje LinkedIn i zwraca rzeczywiste oferty pracy.

W ostatnim etapie model ocenia każdą parę (CV, oferta pracy) według pięciu wymiarów: zgodności umiejętności, istotności doświadczenia, wykształcenia i certyfikatów, dopasowania branżowego oraz zgodności poziomu stanowiska. Rezultatem nie jest lista pięćdziesięciu ról, ale krótka lista z uzasadnionym rankingiem — użytkownik może przeczytać, dlaczego druga pozycja jest lepsza od trzeciej.

Metodologia treningu

Projekt wykorzystał innowacyjne podejście nauczyciel-uczeń. DeepSeek V4 Pro pełnił rolę nauczyciela — silny w strukturalnym rozumowaniu, gotowy do przestrzegania ścisłego schematu wyjściowego i wystarczająco tani do uruchomienia na dużym korpusie offline. Qwen3–8B został wybrany jako uczeń — wystarczająco mały, aby zmieścić się na pojedynczej partycji ZeroGPU po kwantyzacji do Q4_K_M, a jednocześnie wystarczająco duży, aby wchłonąć strukturalne osądy nauczyciela.

Korpus treningowy powstał w zamkniętej pętli. Rozpoczęto od 2500 CV z datasetu Divyaamith/Kaggle-Resume, następnie nauczyciel wygenerował zapytania wyszukiwania dla każdego CV. JobSpy przeszukał LinkedIn dla tych zapytań, zwracając około 10 000 ofert — każda z nich została odnaleziona przez zapytanie napisane przez nauczyciela dla konkretnego CV. Następnie nauczyciel ocenił każdą parę (CV, oferta) według tych samych pięciu wymiarów używanych podczas wnioskowania, z jednym zdaniem uzasadnienia dla każdego wymiaru.

Implementacja i wnioski

Aplikacja działa na HuggingFace ZeroGPU przy użyciu llama-cpp-python. Kluczową decyzją projektową było umieszczenie instancji Llama wewnątrz dekoratora @spaces.GPU, ponieważ ZeroGPU recykluje kontekst CUDA przy każdym wywołaniu. Wszystkie oceny dopasowania dla jednego zgłoszenia działają w ramach pojedynczego wywołania GPU, co eliminuje koszty zimnego startu.

Autorzy podzielili się kilkoma istotnymi wnioskami z procesu rozwoju. Dwa adaptery LoRA działały lepiej niż jeden — próba połączenia generowania zapytań i oceny dopasowania w pojedynczy LoRA prowadziła do przecieków formatowania w obu kierunkach. Podział na dwa osobne adaptery na tej samej bazie, przełączane przy każdym wywołaniu, wyeliminował całą klasę błędów. Dodatkowo prompt nauczyciela miał większe znaczenie niż rozmiar ucznia — przepisanie promptu etykietującego tak, aby oceniał względem konkretnych szczegółów CV, propagowało się przez destylację i uczeń przejął ten sam nawyk.

Kompletne narzędzie jest dostępne jako Space na Hugging Face, a zespół opublikował również pełny ślad sesji programistycznej w Claude Code jako dataset agent-traces, dokumentując każdy ślepy zaułek i powrót do zdrowia.