Job Radar

Sammelt Stellenanzeigen aus mehreren Quellen, filtert sie mit nachvollziehbaren Regeln, speichert sie in SQLite mit Volltextsuche und macht sie über eine REST-API, einen MCP-Server für LLM-Agenten und RAG-Fragen nutzbar.

Der Job-Radar läuft seit September 2026 produktiv als n8n-Workflow: zweimal täglich, mit LLM-Auswertung jeder Anzeige und Zustellung als Telegram-Karte. Dieses Repository ist sein Kern als Python-Service – dieselben Regeln, aber getestet, mit SQL-Analysen, API, MCP, Docker und CI.

flowchart LR
    A[Adzuna API] --> R
    B[Arbeitnow API] --> R
    C[JSearch · RapidAPI] --> R
    R[Regeln<br/>classify.py] --> S[(SQLite + FTS5)]
    S --> API[REST-API<br/>FastAPI]
    S --> MCP[MCP-Server<br/>für LLM-Agenten]
    S --> RAG[RAG<br/>Retrieval + LLM]
    S --> SQL[SQL-Analysen]

Was drin ist

Related MCP server: Job Tracker MCP Server

Schnellstart

python -m venv .venv
.venv\Scripts\activate            # Windows; unter Linux/macOS: source .venv/bin/activate
pip install -e ".[dev]"

jobradar import data/sample_jobs.json   # fiktive Beispieldaten, keine API-Schlüssel nötig
jobradar list
jobradar search "RAG Python"
jobradar stats
jobradar serve                          # http://localhost:8000/docs

Echte Daten: Schlüssel als Umgebungsvariablen setzen (siehe .env.example) und jobradar fetch ausführen. Fragen an die eigene Datenbank: mit GEMINI_API_KEY z. B. jobradar ask "Welche Teilzeitstellen mit Python gibt es in Wien?"

Als MCP-Server in Claude Code

claude mcp add job-radar -- jobradar --db C:/pfad/zu/jobradar.db mcp

Danach kann Claude selbst suchen („Welche AI-Jobs in Wien sind neu?“), Statistiken abrufen und Stellen als applied markieren.

Docker

docker build -t job-radar .
docker run -p 8000:8000 -v jobradar-data:/data job-radar

Tests

pytest          # Regeln, Speicherung, SQL-Analysen, Quellen (gemockt), API, RAG, MCP
ruff check .

Die CI (GitHub Actions) führt Linting und Tests bei jedem Push aus und baut das Docker-Image.

Designentscheidungen

• Regeln statt LLM beim Filtern. Günstig, schnell und jede Entscheidung ist erklärbar. Das LLM kommt erst bei der Auswertung der wenigen relevanten Anzeigen zum Einsatz.

• FTS5 mit BM25 statt Vektordatenbank. Für einige tausend Anzeigen reicht Volltextsuche, ohne zusätzliche Infrastruktur. Embeddings wären der nächste Schritt, sobald semantische Suche gebraucht wird.

• LLM als austauschbare Funktion. prompt -> text: Tests laufen ohne API-Schlüssel, der Anbieter lässt sich wechseln.

• Fiktive Beispieldaten. Im Repository liegen keine fremden Anzeigentexte.

Struktur

src/jobradar/   sources · classify · store · analytics · pipeline · rag · api · mcp_server · cli
tests/          pytest, eine Datei pro Modul
data/           sample_jobs.json (fiktiv); die Datenbank selbst wird nicht eingecheckt