Serveur MCP (Model Context Protocol) exposant le corpus jobs-scrape a une IA.
Une fois branche, Claude peut interroger directement les offres collectees : « quelles competences sont demandees dans le canton de Vaud ? », « combien d'offres a temps partiel dans la sante en aout ? », « resume-moi cette annonce ».
uv pip install git+https://github.com/XavierBeheydt/jobs-scrape-mcp.git
claude mcp add jobs-scrape -- uv run jobs-scrape-mcpLe serveur lit la meme base que la CLI :
Variable | Defaut |
|
|
|
|
Related MCP server: mcp-jobs
Outil | Quand l'appeler |
| Toute question sur des postes, competences demandees, salaires observes, activite d'une entreprise |
| Lire une annonce en entier, apres l'avoir trouvee |
| Decouvrir ce que contient le corpus avant de filtrer (cantons, entreprises, sources) |
| Question de tendance : ce qui est le plus demande, par region ou par source |
| Volume d'offres publiees par jour |
| Vue d'ensemble — a appeler en premier pour savoir ce que la base contient |
| D'ou viennent les donnees, et pourquoi une source attendue peut manquer |
Ressources : jobs://summary et jobs://sources.
Un outil MCP renvoie son resultat dans le contexte du modele. Rendre vingt annonces completes -- plusieurs dizaines de milliers de signes -- saturerait ce contexte pour un benefice nul : on ne lit pas vingt descriptions integrales pour repondre a « quelles competences sont demandees a Geneve ».
Ce serveur applique donc une regle simple :
les outils de liste rendent des extraits (320 signes) et les champs structures qui servent a juger la pertinence ;
get_job rend le texte complet, d'une seule annonce ;
limit est borne a 50, quelle que soit la valeur demandee ;
chaque reponse distingue total (correspondances) de returned (rendus),
pour que le modele sache qu'il ne voit qu'une partie.
Le classement BM25, les facettes et les agregations vivent dans
jobs_scrape.search, au coeur du projet. Ce module se contente de les exposer.
La recherche reste definie a un seul endroit — l'interface web et le serveur
MCP en heritent, et une amelioration du classement profite aux deux.
Le modele choisit ses outils sur leur description. Une description qui dit seulement ce que fait un outil laisse le modele deviner quand l'utiliser. Chaque outil enonce donc son declencheur — « appelle cet outil des qu'une question porte sur des postes disponibles » — et un test verifie qu'aucune description ne reste maigre.
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.
