Розробка AI-агента на Python для автоматизації пошуку роботи

Це перша частина воркшопу з Костянтином Зівенком, на якому ми разом створимо розумного помічника, що автоматизує рутину з пошуку роботи. Продовження буде 2 липня. Що зробить ваш AI-агент до кінця воркшопу: Проаналізує ваше резюме та побажання щодо майбутньої роботи (зарплата, стек, формат). Збере (спарсить) актуальні вакансії з job-сайтів. Співставить вимоги компаній із вашим досвідом і відфільтрує найкращі варіанти. Запитає деталі: якщо в описі вакансії мало даних для прийняття рішення, агент сам напише листа роботодавцю з уточненнями. Надішле відгук: для ідеальних вакансій сформує та відправить мотиваційний лист разом із вашим CV, а також запропонує зручний час для зідзвону. Попрацює з календарем: отримавши відповідь із пропозицією інтерв'ю, агент звірить її з вашим графіком, підтвердить зустріч або запропонує інший слот, якщо ви зайняті. Головна мета воркшопу: Познайомитися з основами створення AI-агентів на базі генеративних мереж. Технологічний стек та інструменти Працюємо локально, без зайвого ускладнення архітектури, щоб фокусуватися на коді: Мова: Python LLM Core: Моделі сімейства Gemini (через офіційний SDK Gemini) Валідація даних: бібліотека instructor (для отримання структурованих JSON-відповідей від ШІ) Мережа: httpx + допоміжні Python-бібліотеки Середовище: PyCharm / Jupyter Notebook Кому підійде цей воркшоп? Вебінар розрахований на початківців, які хочуть перейти від теорії AI до реальної практики. Мінімальні вимоги до учасників: Знання базового синтаксису Python та поверхневе розуміння ООП. Розуміння, що таке HTTP-запит та формат JSON. Встановлений PyCharm або VSCode. Ментор: Костянтин Зівенко — Lead Software Engineer, 7 років у комерційній розробці. Web, AI, ML, DevOps, бази даних. Сильні сторони: алгоритми й математика, архітектурні рішення, прямий діалог із замовником, організація процесу роботи над проектами груп розробників. 00:00:00 Привітання та анонс теми вебінару 00:01:10 Обмеження вебінару через різний рівень підготовки слухачів 00:03:00 Огляд архітектури майбутнього застосунку (Ports and Adapters / Hexagonal) 00:04:40 Чому у проекті принципово не використовуються LangChain та LangGraph 00:05:50 Демонстрація початкового стану проекту в Jupyter Notebook 00:09:00 Кілька слів про автора та його комерційний досвід 00:11:15 Концепція роботи AI-агента для автоматизації пошуку роботи 00:16:10 Крок 1. Завантаження резюме (PDF) та перетворення його на текст 00:16:50 Важливість санітайзингу (очищення) тексту для економії токенів 00:17:25 Детальний огляд архітектури за методологією C4 (Level 1, Level 2) 00:18:05 Що таке гексагональна архітектура (Ports & Adapters) на практиці 00:18:40 Робота з моделями та універсальний парсер даних 00:19:05 Налаштування лінійки LLM-моделей та побудова ланцюга фолбеків 00:20:43 Демонстрація парсингу резюме та розбиття тексту по полях 00:21:55 Збір та структурування побажань пошукача роботи 00:23:00 Початок роботи з джерелом вакансій (DOU) та створення першого конектора 00:24:40 Проблеми та крихкість класичного парсингу за HTML-селекторами 00:28:05 Парсинг 2.0: Використання LLM для витягування структурованих даних 00:30:15 Поєднання ШІ та класичних алгоритмічних методів фільтрації (стоп-слова) 00:31:40 Алгоритмічна перевірка повноти даних у вакансіях 00:32:45 Процес матчингу та оцінка (скоринг) вакансій за допомогою дорожчих моделей 00:34:00 Робота з квотами безкоштовних тарифів LLM та обробка помилок 00:38:00 Огляд структури збереження стану розмови (State JSON) 00:39:20 Анонс другого дня вебінару: дії агента, робота з поштою та відгуками 00:41:40 Специфіка автоматичного відправлення відгуків на DOU через сесії та CSRF 00:44:55 Зберігання та керування станами асинхронних подій 00:48:40 Що таке RAG (Retrieval-Augmented Generation) та чому він не потрібен у цій задачі 00:51:35 Зв'язок AI-агента з Google Календарем для призначення співбесід 00:54:00 Огляд початкової структури папок проекту (Core, Connectors, Helpers) 00:56:30 Налаштування змінних оточення (.env) та підключення сесій для DOU 00:59:05 Огляд основних бібліотек та залежностей проекту (Pydantic, PDF-reader, Instructor) 01:02:40 Практична реалізація збору тексту з PDF-документів за допомогою Python 01:06:12 Глибокий розбір коду ядра (Core) та побудова моделей Pydantic 01:13:50 Що таке Pydantic-моделі та як працює валідація даних 01:17:35 Створення портів за допомогою протоколів (Typing Protocol) в Python 01:25:55 Підключення бібліотеки Instructor для автоматичного виправлення помилок LLM 01:35:30 Наочне створення нових API-ключів у Google AI Studio та вирішення проблеми з лімітами 01:39:40 Створення адаптера для збору вакансій за допомогою Beautiful Soup 01:43:10 Написання універсальної функції екстракції для будь-яких типів документів 01:52:00 Локальні LLM моделі: вимоги до заліза та доцільність використання 01:54:20 Завершення першої частини, підсумки та організаційні питання