Роль
Спроектировал и собрал систему автоматизации воронки найма: от поиска вакансий и AI-оценки до управления pipeline и аналитики откликов. Реализовал оркестрацию, AI-обработку и интерфейс для работы с процессом найма.
Контекст и исходные данные
Когда появляется карьерная цель, нужен план её достижения. Для бизнеса и продуктов давно существуют системы аналитики, воронки, автоматизация и процессы управления. Рынок найма по сути ничем не отличается — это такой же рынок с гипотезами, воронками и ограниченным вниманием. Из этого и появилась идея собрать собственную систему, которая централизует вакансии, анализирует компании, помогает управлять воронкой найма и проводить эксперименты, превращая поиск работы в более управляемый и измеримый процесс.
Подход
Архитектура строилась как pipeline: сбор данных → обработка → хранение → оркестрация. Вместо набора разрозненных автоматизаций система проектировалась как единый workflow с состояниями, версиями, AI-обработкой и независимыми управляемыми модулями. Подход опирался на перенос продуктового мышления из performance-маркетинга в процесс трудоустройства: вакансии рассматривались как поток данных, а поиск работы — как система с аналитикой, гипотезами и итерациями.
Автоматизация на пути найма
- Парсинг вакансий из Telegram-каналов
- Создание записи и анализ вакансии в Supabase
- Веб-панель на React для аналитики, управления воронкой и pipeline
Агрегация данных и синхронизация
- Источники: Telegram-бот квиз (ручной ввод hh, habr career и т.п.), SSR парсинг Telegram-каналов
- Нормализация и сбор доп. данных
- Логирование и версионирование статусов и работ
Оркестрация и инфраструктура
- Оркестрация: n8n
- Backend: Supabase, Yandex Cloud Functions
- AI-слой: DeepSeek, Tailvy, Claude
Что изменили
Текущее состояние системы:
Покрывает полный цикл: парсинг вакансии → AI-скоринг → классификация → запись в ATS → создание текста для первого касания → создание персонализированного резюме
Данные поступают из 2 каналов, 1 — парсер по RSS Telegram, 2 — ручной парсинг через Telegram ботов
Система в работе на этапе тестирования и первичного сбора данных
Текущие направления развития
Система развивается. Сейчас в активной фазе работы
Калибровка
Тестирование prompt-логики, scoring-подходов и сценариев AI-обработки для повышения качества pipeline. Сравнение результатов разных LLM на одной выборке.
Подключение дополнительных каналов
Создание и подключение новых парсеров — уход от ручного поиска.
Развитие pipeline-логики
Добавление промежуточных этапов воронки, тестирование outreach-сценариев и развитие логики воронки найма.
Наблюдение
Что интересно — поиск работы перестаёт ощущаться как напряжённый процесс. Появляется стратегия, этапы, аналитика и ощущение управления собственной карьерой. При этом pipeline-подход позволяет постепенно расширять систему под новые сценарии и эксперименты без полной перестройки логики.