El problema
Qué necesitaba cambiar
Buscar vacantes relevantes implica visitar varias fuentes, revisar anuncios repetidos y preparar documentos similares una y otra vez. Quería un solo flujo que gestionara esas etapas y mantuviera un registro claro.
Volver a los proyectos
Python · Automatización con IA
Un pipeline de IA que clasifica oportunidades y prepara candidaturas
Un flujo en Python que reúne empleos remotos de datos, elimina duplicados, evalúa la compatibilidad con varios proveedores de IA, prepara documentos personalizados y envía las mejores oportunidades por Telegram.
Data EngineeringApplied AI
Flujo programado histórico
236ejecuciones históricas
220ejecuciones exitosas
142pruebas en la última ejecución
3grupos de proveedores de IA
Mi enfoque
Cómo lo abordé
El flujo aplica reglas simples antes de consultar un modelo de IA, registra cada etapa en Supabase y prueba otro proveedor cuando el primero no está disponible.
Flujo del sistema
Cómo se conectan las partes
- 01Fuentes de empleo
- 02Recopilación asíncrona + normalización
- 03Eliminación de duplicados en Supabase
- 04Prefiltro determinista
- 05Evaluación + personalización LLM
- 06DOCX + entrega por Telegram
Lo que construí
Qué incluye
- Adaptadores asíncronos para varias fuentes con eliminación de duplicados.
- Prefiltro por reglas antes de la evaluación LLM para controlar coste y ruido.
- Alternativas entre Gemini, Groq y OpenRouter con seguimiento de límites.
- Telemetría de tokens, latencia, éxito y errores en cada intento.
- Currículos y cartas personalizados en DOCX con escritura atómica.
- Envío por Telegram y estado persistente para evitar notificaciones repetidas.
Decisiones clave
Elecciones que dieron forma al proyecto
Usar reglas antes de la IA
Las reglas simples eliminan incompatibilidades evidentes antes de llamar al modelo. Esto ahorra tiempo y hace que la primera etapa sea fácil de explicar.
Registrar cada alternativa
Los cambios de proveedor, límites, tiempos de respuesta y tokens quedan registrados en lugar de ocultarse en reintentos.
Evitar afirmaciones inventadas
Los resultados se comparan con el perfil estructurado; cualquier elemento sin respaldo vuelve a una selección determinista.
Resultado
Lo que entregué
El proyecto demuestra un flujo completo de automatización con recopilación, deduplicación, monitoreo de modelos, generación de documentos y entrega.
Próxima mejora
Qué haría después
Añadiría un conjunto fijo de evaluación, reactivaría la programación y crearía una página para monitorear fuentes, confiabilidad, coste y resultados.
Herramientas y métodos
PythonSupabaseGitHub ActionsGeminiGroqOpenRouterTelegrampython-docx