job-hunter-ai

Automatiza la búsqueda de empleo: scraping multi-portal, dashboard con CRM de candidaturas y cartas de presentación generadas con IA en tiempo real.

🌐 Demo en vivo → automatico-five.vercel.app

---

Por qué lo construí

Buscando trabajo como desarrollador noté que pasaba más tiempo filtrando portales que preparando candidaturas. Lo automaticé: un script que raspa Tecnoempleo e InfoJobs, filtra por mi stack exacto, detecta solo las ofertas nuevas y me da un dashboard donde gestionar el estado de cada aplicación y generar una carta personalizada con IA, directamente en el navegador.

El reto técnico interesante fue hacer que el mismo código funcionase en local (Ollama, fs) y en producción serverless (Groq, Vercel Blob) sin duplicar lógica.

---

Qué hace

• Scraping multi-portal: Tecnoempleo (HTML + Cheerio) e InfoJobs (API oficial OAuth 2.0 / JSON embebido como fallback), con pausas entre peticiones y deduplicación por URL.
• Detección de novedades: compara contra seen_jobs.json; las nuevas siempre aparecen primero y nunca quedan fuera por el tope de resultados.
• Filtrado inteligente: por palabra completa (java no descarta javascript), ciudad, modalidad y nivel de experiencia — ordena de menor a mayor seniority.
• Dashboard web: historial de ejecuciones por fecha, búsqueda con logs en directo vía SSE, CRM con filtros en tiempo real. SPA vanilla JS, sin framework, sin build step.
• Cartas con IA en streaming: tokens en tiempo real (SSE). Si ya existe, se sirve al instante desde caché.
• Doble proveedor de LLM: Ollama en local (gratis, sin API key) y Groq en producción, intercambiables sin cambiar el código de negocio.
• Resumen por email (opcional, nodemailer/SMTP).

---

Arquitectura

┌──────────────────────────────────────────────────────┐
│  Scrapers                                            │
│  tecnoempleo.js  →  Cheerio (HTML)                   │
│  infojobsApi.js  →  OAuth 2.0 / JSON embebido        │
└──────────────────────┬───────────────────────────────┘
                       │ ofertas crudas
┌──────────────────────▼───────────────────────────────┐
│  Pipeline de filtrado                                │
│  · palabra completa  · ciudad  · duplicados          │
│  · detección de nuevas (seen_jobs.json)              │
│  · orden por seniority                               │
└──────────────────────┬───────────────────────────────┘
                       │ resumen.json + resumen.md
         ┌─────────────▼──────────────────┐
         │  Storage adapter               │
         │  local → fs   |  prod → Blob   │
         └─────────────┬──────────────────┘
                       │
┌──────────────────────▼───────────────────────────────┐
│  Express / Vercel Serverless Function                │
│  REST API  +  SSE (búsqueda en directo, streaming)   │
│  Auth: timing-safe token  +  rate-limit por IP       │
└──────────────────────┬───────────────────────────────┘
                       │ bajo demanda
              ┌────────▼────────┐
              │   LLM adapter   │
              │ Ollama (local)  │
              │ Groq   (cloud)  │
              └─────────────────┘

---

Decisiones técnicas relevantes

Adaptador de LLM: mismo contrato, dos proveedores

src/ai/llm.js expone generar() y generarStream(). Internamente detecta el entorno: si existe GROQ_API_KEY parsea el stream SSE estilo OpenAI (data: {...} / data: [DONE]); si no, parsea el NDJSON de Ollama ({ response, done }). Ambos corren modelos Llama, así el mismo prompt funciona igual en los dos entornos. El servidor nunca sabe qué proveedor hay debajo.

Streaming real con AbortController

Las cartas se generan con SSE: el cliente ve tokens en tiempo real. Si el usuario cierra la conexión (botón "Detener"), req.on('close') aborta la petición HTTP al LLM antes de que termine, liberando recursos sin esperar:

const controller = new AbortController();
req.on('close', () => controller.abort());
await llm.generarStream(prompt, (token) => send({ token }), controller.signal);

Comparación de tokens en tiempo constante

Para evitar que un atacante mida tiempos de respuesta y deduzca caracteres del token de administración:

function tokenCorrecto(enviado, token) {
  const a = Buffer.from(String(enviado || ''));
  const b = Buffer.from(token);
  return a.length === b.length && crypto.timingSafeEqual(a, b);
}

Anti-fuerza-bruta por IP en memoria

Tras 5 intentos fallidos en 15 minutos la IP recibe 429. El contador se limpia en el primer acierto. El mapa tiene tope de 1000 IPs para evitar OOM en serverless.

Capa de persistencia intercambiable

src/utils/store.js abstrae fs (local) y @vercel/blob (producción) con la misma API: leerJSON, escribirJSON, leerTexto, escribirTexto, listar. El servidor no sabe en qué entorno corre.

Filtrado de palabras completas

java aparece en javascript, javaspring, javafx… El filtro usa \b para excluir solo si es palabra completa:

const regex = new RegExp(`\\b${keyword}\\b`, 'i');

---

Stack

Capa	Tecnología
Runtime	Node.js 18+ (CommonJS)
Framework	Express 5
Scraping	axios + Cheerio
IA	Ollama (local) / Groq API (cloud) — Llama 3
Persistencia	fs (local) / Vercel Blob (prod)
Frontend	Vanilla JS + CSS — sin framework, sin build step
Deploy	Vercel (función serverless única)
Tests	Playwright (smoke test + screenshot)

---

Empezar en local

Requisitos: Node.js 18+ y Ollama con un modelo instalado (ollama pull llama3) si quieres generar cartas en local.

git clone https://github.com/Mariomin23/automatico.git
cd automatico
npm install
cp .env.example .env   # rellena tus credenciales

npm start          # scraping CLI — genera el resumen del día
npm run serve      # dashboard en http://localhost:3000
npm run dev        # scraping con hot-reload
npm run serve:dev  # dashboard con hot-reload

Cada ejecución crea output/YYYY-MM-DD/:

Archivo	Contenido
resumen.md	Resumen legible
resumen.json	Datos que consume el dashboard
{slug}_carta.md	Cartas generadas bajo demanda

---

Configuración

Variables en .env (ver .env.example):

Variable	Descripción
OLLAMA_MODEL	Modelo Ollama en local (default: llama3)
OLLAMA_BASE_URL	URL de Ollama (default: http://localhost:11434)
GROQ_API_KEY	Si existe, activa Groq en lugar de Ollama
GROQ_MODEL	Modelo Groq (default: llama-3.1-8b-instant)
INFOJOBS_CLIENT_ID / SECRET	API oficial InfoJobs
MAX_OFFERS_PER_RUN	Tope de ofertas (las nuevas nunca quedan fuera)
ADMIN_TOKEN	Protege endpoints de escritura en producción
BLOB_READ_WRITE_TOKEN	Vercel Blob (solo producción)
EMAIL_*	SMTP para envío opcional por email

Tu perfil (stack, keywords, ciudad, palabras excluidas) va en src/config/profile.js — alimenta tanto los filtros de scraping como los prompts de las cartas.

---

Despliegue en Vercel

La app Express completa corre como una única función serverless (api/index.js). En producción el código detecta el entorno y activa Vercel Blob y Groq automáticamente.

vercel deploy --prod

---

Estructura

├── src/
│   ├── scraper/        # tecnoempleo.js · infojobs.js · infojobsApi.js
│   ├── ai/             # llm.js (adaptador) · letterWriter.js · prompts.js · scorer.js
│   ├── utils/          # store.js · storage.js · output.js · mailer.js
│   ├── config/         # profile.js — perfil y criterios de búsqueda
│   ├── index.js        # entry point CLI
│   └── server.js       # dashboard Express + API REST
├── public/             # SPA vanilla JS (sin framework, sin build)
├── api/index.js        # entry point serverless para Vercel
├── data/
│   ├── seen_jobs.json            # URLs ya procesadas
│   └── applications_status.json  # CRM — estado por slug
└── output/YYYY-MM-DD/            # resúmenes y cartas por fecha

---

Licencia

MIT · Mario Minuesa · mario.minuesa@gmail.com