Кейс
Личный AI-инструмент поиска работы: фильтрует шум на 70+ источниках и одновременно ведёт обсерваторию AI-спроса. Два эффекта из одного пайплайна.
Проблема
Шум на 70+ источниках
Слепота к рынку AI-навыков
До / после
30+ минут в день на ручную сортировку 300 листингов с 6 сайтов и 5 Telegram-каналов.
2 минуты на ревью 5–10 подходящих — пайплайн прогоняет 70+ источников сам.
Хорошие вакансии теряются среди «продажника с квотой» и «аккаунт-менеджера в поддержке».
Triage + stop-factors режут мусор на Haiku, Score A/B фильтрует по предпочтениям и требованиям.
Не вижу, какие AI-навыки реально в спросе, а какие — хайп.
Weekly-срез по skills и technologies: что растёт неделя-к-неделе, где реальный фокус.
Архитектура
Claude Haiku · батч по 300 заголовков
Claude Opus · 20 баллов · 10 критериев
Claude Opus · 10 баллов · 5 критериев
Обсерватория
Архитектурные решения
Score A/B на Opus стоят десятки центов за 100 листингов. Триаж на Haiku — центы за сотни заголовков. Срез заголовков отсекает 60% мусора дешёвой моделью, и дорогая работает только на кандидатах в шорт-лист.
«Не хочу» и «не дотягиваю» — разные сигналы. Score A (20 баллов) — «вакансия подходит мне» по предпочтениям. Score B (10 баллов) — «я подхожу вакансии» по требованиям. Две независимые шкалы дают честную оценку без сглаживания.
Инструмент личный, одна машина, нагрузка низкая. SQLite в WAL-режиме даёт одновременное чтение и запись без блокировок. Ноль эксплуатации, backup — обычный файл. Postgres — оверкилл.
Часть career-страниц рендерится JS-ом и требует nodriver / Playwright. hh.ru — честный REST. Для каждого источника — минимально достаточный адаптер, а не один универсальный scraper.
Результаты
| Метрика | Результат | Контекст |
|---|---|---|
| Источников вакансий | 70+ | 17 hh-запросов · 29 career-страниц · Habr · Kwork · fl.ru · Telegram |
| Вакансий за цикл | ~3 000 | живая БД, 9 дней; ~300–400 новых в день |
| Отсеивается триажем | 60% | Haiku, по заголовкам, до дорогого скоринга |
| Доходят до ручного ревью | ~3% | score_a ≥ 14; 97 из 3 083 в текущей выборке |
| Подходящих вакансий в день | 5–10 | практический таргет: столько же, сколько времени на ревью |
| AI-навыков на радаре | 1 000+ | уникальные skills из LLM-разметки релевантных листингов |
Выводы
Haiku по заголовкам стоит копейки, но отсекает 60% мусора. Дорогая модель запускается только на разумной выборке. Без этого шага пайплайн был бы экономически невозможен.
Single-score смазывает «не хочу» и «не дотягиваю». Две независимые шкалы (Score A: мои предпочтения; Score B: требования вакансии) показывают, где реально стоп-фактор.
Боль №2 не была в гипотезе. Но когда есть размеченный датасет, из него естественно вырастает карта AI-спроса. Побочный продукт оказался ценнее, чем планировалось.