Servidor MCP (Model Context Protocol) que expone el corpus jobs-scrape a una IA.
Una vez conectado, Claude puede consultar directamente las ofertas recopiladas: «¿qué competencias se demandan en el cantón de Vaud?», «¿cuántas ofertas a tiempo parcial en salud en agosto?», «resúmeme este anuncio».
uv pip install git+https://github.com/XavierBeheydt/jobs-scrape-mcp.git
claude mcp add jobs-scrape -- uv run jobs-scrape-mcpEl servidor lee la misma base que la CLI:
Variable | Defecto |
|
|
|
|
Related MCP server: mcp-jobs
Herramienta | Cuándo llamarla |
| Cualquier pregunta sobre puestos, competencias demandadas, salarios observados, actividad de una empresa |
| Leer un anuncio completo, después de haberlo encontrado |
| Descubrir qué contiene el corpus antes de filtrar (cantones, empresas, fuentes) |
| Pregunta de tendencia: lo más demandado, por región o por fuente |
| Volumen de ofertas publicadas por día |
| Vista general — llamar primero para saber qué contiene la base |
| De dónde provienen los datos, y por qué una fuente esperada puede faltar |
Recursos: jobs://summary y jobs://sources.
Una herramienta MCP devuelve su resultado en el contexto del modelo. Devolver veinte anuncios completos — varias decenas de miles de caracteres — saturaría ese contexto sin beneficio alguno: no se leen veinte descripciones integrales para responder a «¿qué competencias se demandan en Ginebra?».
Este servidor aplica por tanto una regla simple:
las herramientas de lista devuelven extractos (320 caracteres) y los campos estructurados que sirven para juzgar la relevancia;
get_job devuelve el texto completo, de un solo anuncio;
limit está limitado a 50, sea cual sea el valor solicitado;
cada respuesta distingue total (coincidencias) de returned (devueltos),
para que el modelo sepa que solo ve una parte.
La clasificación BM25, las facetas y las agregaciones viven en
jobs_scrape.search, en el núcleo del proyecto. Este módulo se limita a exponerlas.
La búsqueda sigue definida en un solo lugar — la interfaz web y el servidor
MCP la heredan, y una mejora de la clasificación beneficia a ambos.
El modelo elige sus herramientas según su descripción. Una descripción que dice solo qué hace una herramienta deja que el modelo adivine cuándo usarla. Cada herramienta enuncia por tanto su desencadenante — «llama a esta herramienta en cuanto una pregunta trate sobre puestos disponibles» — y una prueba verifica que ninguna descripción siga siendo escueta.
uv venv
uv pip install git+https://github.com/XavierBeheydt/jobs-scrape.git
uv pip install -e ".[dev]"
uv run pytest -q # hors ligne, base temporaireThis server cannot be deployed
Query professional profiles, search candidates, and get AI-powered summaries and job fit analysis.
AI salary, seniority, remote, visa and skills fields for LinkedIn, Indeed or any jobs dataset.
Semantic search over 3.5M+ live US job postings pulled straight from company ATSes. Read-only.
Resume and CV parsing, candidate matching and ranking for recruiting and ATS AI agents.
