Jobagent — jobsøgning der sorterer, før den spørger AI’en

Jeg kigger efter to slags stillinger: teamleder og IT-underviser, gerne på en erhvervsskole. Det betyder Jobindex, Jobnet og en håndfuld skolers egne jobsider, igen og igen, med de samme søgninger og de samme irrelevante resultater. Det meste af tiden gik med at læse annoncer, der aldrig havde en chance.

Så jeg byggede en jobagent, der kører på min egen server, henter stillingerne flere gange om dagen og kun viser mig dem, der er værd at læse.

Hvad den gør

• Henter stillinger fra Jobindex, TL Jobportal (som også dækker Jobnet) og udvalgte arbejdsgiveres jobsider.
• Slår samme stilling sammen, når den dukker op flere steder.
• Sorterer fra efter faste regler: titel, IT-indhold, afstand, brancher jeg har fravalgt og arbejdsgivere jeg selv har afvist.
• Lader en AI-model vurdere de resterende stillinger mod min profil efter en fast skabelon.
• Samler det hele i et dashboard, hvor jeg følger hver stilling fra “interessant” til svar.

Sådan virker det

Først kommer de faste filtre. De er gratis og afgør, hvilke stillinger AI’en overhovedet får at se – langt de fleste stopper her. For dem, der er tilbage, hentes hele annonceteksten, og filtrene kører igen med den fulde tekst.

Derefter vurderer AI-modellen hver stilling én gang. Den giver point på fire kriterier – rolle, faglig match, krav og vilkår – efter faste skalaer, og det er koden, der lægger pointene sammen. Den skriver også, hvad der taler for og imod, og tjekker annoncens krav af. Afstand indgår bevidst ikke, for det har filtrene allerede klaret.

AI’en må selv sortere klare udelukkelser fra, fx et undervisningsjob på deltid. Men den søger ikke noget og kontakter ingen. Det er mig, der åbner stillingerne, sætter status og beslutter, hvad jeg søger. Alt, der er sorteret fra, kan jeg se og hente frem igen.

Det der var svært

AI’en fik alt for meget at se. I starten slap “Test Manager”, “Teamleder for løn og data” og en underviser i blandt andet Teknologi B igennem, fordi ord som “manager”, “data” og “teknologi” talte som ledelse eller IT. Kun en lille del af det, AI’en vurderede, var relevant. Løsningen blev strengere regler: IT skal stå i titlen eller fylde markant i teksten, og specialist- og projektroller tæller ikke som ledelse.

Annonceteksten gemte sig. Jobindex’ egen side viser kun et uddrag plus “Anbefalede job”, som blandede andre stillingers titler ind i teksten. Jobnet har annoncen liggende i sidens data i stedet for som synlig tekst, og HR-Manager pakker hele siden ind i en formular, som mit tekstudtræk fjernede. Hver kilde krævede sin egen lille løsning.

Én stilling tog 3,5 minut at vurdere. En CTO-stilling lå på grænsen mellem tech og sundhed, og modellen “tænkte” i over 60.000 tokens, før den svarede. Med et loft over tænkningen tog samme vurdering 10 sekunder og gav samme konklusion.

Teknikken, kort

• Backend: FastAPI med Jinja2-templates, server-renderet
• Database: SQLite i én fil
• Kilder: Jobindex’ søgesider, TL Jobportals søge-API og arbejdsgiveres jobsystemer (Innomate, HR-Manager)
• AI: Gemini med fast JSON-skema og loft over modellens tænkning
• Drift: Én Docker-container bag nginx-proxy-manager, med PIN-login

Hvad jeg tager med

Den billigste AI-vurdering er den, der aldrig bliver lavet. Jo mere de simple, gratis regler sorterer fra først, jo mere præcis og billigere bliver AI’en på det, der er tilbage. Og en fast skabelon med pointskalaer gjorde vurderingerne til at sammenligne – det gjorde fritekst ikke.