MCP-Powered AI Job Recommendation Engine

Un motor de recomendación de empleo y emparejamiento de currículos impulsado por IA, integrado con el Model Context Protocol (MCP). Este sistema expone herramientas estandarizadas de MCP que permiten a los agentes y asistentes de IA (como Claude, Antigravity o LLMs personalizados) consultar de forma fluida recomendaciones de empleo, analizar perfiles de candidatos, calcular puntuaciones de idoneidad de competencias semánticas y realizar el emparejamiento profesional automatizado.

🌟 Características Principales

• Servidor de Model Context Protocol (MCP): Expone herramientas estandarizadas (recommend_jobs, match_skills, parse_resume, filter_jobs_by_location).

• Emparejamiento Semántico de Competencias: Utiliza embeddings de Transformer y similitud coseno para comparar la experiencia del candidato con las descripciones de los puestos.

• Análisis de Brechas de Competencias del Candidato: Destaca las habilidades clave que faltan y sugiere rutas de aprendizaje personalizadas.

• Panel de Interfaz de Usuario Interactivo: Construido con Streamlit para cargar perfiles de candidatos y filtrar recomendaciones en tiempo real.

Related MCP server: LinkedIn MCP

🚀 Stack Tecnológico

• Protocolo: Model Context Protocol (MCP Python SDK)

• IA y PLN: LangChain, SentenceTransformers, Scikit-Learn, PyTorch

• API y Frontend: FastAPI, Streamlit, Pandas, NumPy

📁 Estructura del Repositorio

MCP-Powered-AI-Job-Recommendation-Engine/
├── mcp_server/
│   ├── __init__.py
│   ├── server.py              # MCP Server implementation & tool definitions
│   └── tools.py               # Recommendation tool implementations
├── engine/
│   ├── __init__.py
│   ├── resume_parser.py       # Resume skill extraction engine
│   ├── matcher.py             # Semantic similarity & fit score calculator
│   └── job_database.py        # Job listings & metadata store
├── frontend/
│   ├── app.py                 # Streamlit UI dashboard
├── data/                      # Sample resumes & job description datasets
├── notebooks/                 # Experimentation & embedding evaluation
├── tests/                     # Unit test suites for MCP tools & matcher
├── requirements.txt           # Dependency manifest
└── README.md                  # Project documentation

🛠️ Primeros Pasos

1. Clonar el Repositorio

git clone https://github.com/Devashishpandey1103/MCP-Powered-AI-Job-Recommendation-Engine.git
cd MCP-Powered-AI-Job-Recommendation-Engine

2. Configurar el Entorno e Instalar Dependencias

python -m venv venv
# Windows:
venv\Scripts\activate
# macOS/Linux:
source venv/bin/activate

pip install -r requirements.txt

3. Ejecutar el Servidor MCP y la Aplicación Web

# Start the MCP Server (stdio / SSE transport)
python mcp_server/server.py

# Start the Streamlit Dashboard
streamlit run frontend/app.py

Desarrollado como parte de Advanced AI Systems & Model Context Protocol Portfolio.