HiringNow: la herramienta definitiva para automatizar la búsqueda de empleo con IA
Introducción
¿Cansado de perder horas rellenando formularios y enviando la misma carta de presentación a cientos de ofertas? Con HiringNow puedes delegar esa tarea a un agente de IA que postula por ti, adapta tu CV a cada anuncio y respeta todas las normativas de protección de datos. En este artículo encontrarás una guía práctica (≈ 2 500 palabras) que cubre: arquitectura del proyecto, código listo para copiar, despliegue en la nube, prompts optimizados, cumplimiento legal (GDPR y TOS), monitorización y una tabla comparativa de costos de los principales LLM. Todo ello con ejemplos reales que podrás ejecutar en minutos.
1. Arquitectura ligera de HiringNow
graph TD
A[Usuario] --> B[Frontend (React)]
B --> C[API Gateway (FastAPI)]
C --> D[Worker Queue (Redis)]
D --> E[Agente IA (LLM + Selenium)]
E --> F[Base de datos (PostgreSQL)]
E --> G[Servicio de captcha (2Captcha)]
- Frontend: interfaz mínima para cargar CV, carta de presentación y definir palabras clave.
-
API: expone
/applyy/statuscon autenticación JWT. - Worker: procesa cada solicitud de forma asíncrona, evitando bloqueos por rate‑limit.
- Agente IA: combina un LLM (Claude 2 o GPT‑4o) para generar textos y Selenium para interactuar con portales de empleo.
2. Implementación paso a paso (Python)
2.1. Preparar el entorno
# Crear entorno virtual
python -m venv .venv && source .venv/bin/activate
# Instalar dependencias
pip install fastapi uvicorn redis[async] sqlalchemy psycopg2-binary \
selenium python-dotenv openai anthropic
2.2. Configuración de variables de entorno (.env)
# LLM
OPENAI_API_KEY=sk-...
ANTHROPIC_API_KEY=...
# Selenium
CHROME_DRIVER_PATH=/usr/local/bin/chromedriver
# Base de datos
DATABASE_URL=postgresql://user:pass@db:5432/hiringnow
# Captcha
CAPTCHA_API_KEY=...
2.3. API básica
# app/main.py
from fastapi import FastAPI, BackgroundTasks, HTTPException
from pydantic import BaseModel
from worker import launch_application_process
app = FastAPI(title="HiringNow API")
class ApplicationRequest(BaseModel):
job_url: str
profile_id: int
@app.post("/apply")
async def apply(req: ApplicationRequest, bg: BackgroundTasks):
try:
bg.add_task(launch_application_process, req.job_url, req.profile_id)
return {"status": "encolado"}
except Exception as e:
raise HTTPException(status_code=500, detail=str(e))
2.4. Worker que usa el LLM y Selenium
# worker.py
import os, time, json
from selenium import webdriver
from selenium.webdriver.common.by import By
from anthropic import Anthropic
from openai import OpenAI
def get_prompt(job_desc: str, cv_text: str) -> str:
return f"""Eres un asistente de búsqueda de empleo.
Redacta una carta de presentación de máximo 250 palabras que:
• Resalte la experiencia del candidato en {job_desc}
• Utilice un tono profesional y cercano
• Termine con una llamada a la acción para una entrevista.
CV del candidato:
{cv_text}
"""
def generate_cover(llm: str, prompt: str) -> str:
if llm == "claude":
client = Anthropic(api_key=os.getenv("ANTHROPIC_API_KEY"))
resp = client.completions.create(
model="claude-2.0",
max_tokens=500,
prompt=prompt,
)
return resp.completion
else: # openai
client = OpenAI(api_key=os.getenv("OPENAI_API_KEY"))
resp = client.chat.completions.create(
model="gpt-4o",
messages=[{"role": "user", "content": prompt}],
)
return resp.choices[0].message.content
def launch_application_process(job_url: str, profile_id: int):
# 1️⃣ Recuperar CV y datos del perfil (pseudo‑código)
cv_text = get_cv_from_db(profile_id)
# 2️⃣ Extraer descripción del puesto con Selenium
driver = webdriver.Chrome(executable_path=os.getenv("CHROME_DRIVER_PATH"))
driver.get(job_url)
time.sleep(2) # esperar carga
job_desc = driver.find_element(By.CSS_SELECTOR, ".job-description").text
# 3️⃣ Generar carta con LLM
prompt = get_prompt(job_desc, cv_text)
cover = generate_cover("claude", prompt)
# 4️⃣ Rellenar formulario
driver.find_element(By.NAME, "cover_letter").send_keys(cover)
driver.find_element(By.NAME, "resume").send_keys("/tmp/cv.pdf")
driver.find_element(By.XPATH, "//button[contains(text(),'Postular')]").click()
# 5️⃣ Captcha (fallback)
if "captcha" in driver.page_source.lower():
solve_captcha(driver)
driver.quit()
Tip: Usa
asyncioyredis-pypara que el worker sea verdaderamente no bloqueante y escale a cientos de aplicaciones simultáneas.
3. Despliegue rápido en la nube (Docker + Railway)
3.1. Dockerfile
FROM python:3.12-slim
WORKDIR /app
COPY requirements.txt .
RUN pip install -r requirements.txt
COPY . .
ENV PYTHONUNBUFFERED=1
CMD ["uvicorn", "app.main:app", "--host", "0.0.0.0", "--port", "8000"]
3.2. docker-compose.yml (incluye Redis y PostgreSQL)
version: "3.9"
services:
api:
build: .
ports: ["8000:8000"]
env_file: .env
depends_on: [redis, db]
worker:
build: .
command: python -m worker
env_file: .env
depends_on: [redis, db]
redis:
image: redis:7-alpine
db:
image: postgres:15-alpine
environment:
POSTGRES_USER: user
POSTGRES_PASSWORD: pass
POSTGRES_DB: hiringnow
volumes:
- pgdata:/var/lib/postgresql/data
volumes:
pgdata:
Con un solo docker compose up -d tendrás la API, la cola y la base de datos listas.
4. Prompts optimizados (ejemplos)
| Objetivo | Prompt | Resultado típico |
|---|---|---|
| Carta de presentación breve | Eres un asistente de IA. Redacta una carta de 150 palabras para un puesto de *Data Engineer* usando los siguientes datos del candidato: … |
Texto enfocado en habilidades de ETL, Spark y Python, con tono directo. |
| Resumen de experiencia | Resume en 3 viñetas la experiencia del candidato en proyectos de *cloud migration*. |
Viñetas que destacan AWS, Terraform, CI/CD. |
| Respuesta a preguntas de filtrado | Genera una respuesta de 200 caracteres a la pregunta: "¿Por qué te interesa nuestra empresa?" usando la información del CV. |
Respuesta personalizada que menciona valores corporativos y logros relevantes. |
Consejo: Mantén los prompts por debajo de 1 000 tokens para reducir costos y latencia.
5. Cumplimiento legal (GDPR, TOS)
- Consentimiento explícito – Al crear el perfil, muestra una casilla “Autorizo a HiringNow a enviar mi CV a terceros”. Guarda el timestamp y la versión del TOS.
- Minimización de datos – Sólo almacena nombre, email, CV y logs de envío; elimina cualquier dato de la oferta después de 30 días.
-
Derecho al olvido – Implementa endpoint
DELETE /profile/{id}que borra todos los registros y notifica al usuario. -
Auditoría – Registra cada solicitud de aplicación con
user_id,job_id,timestampyllm_used. Guarda los logs en una tabla encriptada.
6. Monitorización y alertas
| Métrica | Herramienta | Umbral de alerta |
|---|---|---|
| Rate‑limit excedido | Prometheus + Grafana | > 80 % de peticiones con 429 en 5 min |
| Tasa de éxito de aplicación | CloudWatch | < 85 % de envíos sin error en 1 h |
| Cost |
Herramienta mencionada: Groq Cloud
Top comments (0)