AI Job Application Tracker Agent

Ein Agent, der die Stellenausschreibung liest, die Anforderungen über MCP tools extrahiert, sie mit dem Lebenslaufprofil vergleicht, einen fit-score mit Erklärung (go/no-go) ausgibt und die Entscheidung in einem persistenten Bewerbungstracker protokolliert.

Der vollständige technische Umfang — Architektur, MCP-Tool-Verträge, Datenschemata, Tagesplan — in SPEC.md.

Status

Das ist das Projektskelett nach Tag 1: Repository-Struktur, Pydantic-Datenschemata und MCP-Server mit registrierten, aber noch nicht implementierten Tools (jedes wirft NotImplementedError mit dem Hinweis auf, was zu ergänzen ist). Die eigentliche Extraktions-/Scoring-Logik, der LangGraph-Graph, die tracker DB und das eval-Set sind die nächsten Schritte laut Plan aus SPEC.md.

Related MCP server: job-agent-mcp

Setup

Fülle data/resume_profile.json mit deinen tatsächlichen Skills aus (derzeit ist dort eine Vorlage mit Platzhaltern) — davon hängt ab, wie aussagekräftig der fit-score wird.

python -m venv .venv && source .venv/bin/activate
pip install -e ".[dev]"
cp .env.example .env  # заполнить ANTHROPIC_API_KEY

Prüfung, dass der MCP-Server startet

python -m mcp_server.server

Struktur

job-tracker-agent/
├── SPEC.md                 # архитектура, контракты tools, план
├── mcp_server/
│   ├── server.py           # регистрация MCP tools (FastMCP)
│   ├── schemas.py          # Pydantic-модели
│   └── tools/
│       ├── extraction.py   # fetch_job_posting, extract_job_requirements
│       ├── scoring.py      # load_resume_profile, compute_fit_score
│       └── tracker.py      # log_application, update_application_outcome, query_tracker_stats
├── agent/
│   ├── state.py            # LangGraph state
│   └── graph.py            # узлы графа (заготовка)
├── data/
│   └── resume_profile.json # заполнить своими данными
└── evals/
    ├── golden_cases.yaml   # golden-кейсы для eval (заготовка)
    └── run_eval.py