对于应届毕业生来说，求职本身就像一份全职工作：每周浏览数百个招聘信息，反复点击“快速申请”，重复撰写类似的求职信。数月后，求职者往往会申请那些本不愿考虑的职位和行业。为了缓解这一痛点，开发者构建了“职位搜索器”——一款AI驱动的求职助手，能够自动化LinkedIn搜索并智能筛选职位。
该工具的工作流程分为三个步骤：首先，模型读取用户的简历和偏好设置（如职位类型、工作模式、地点等），生成针对LinkedIn的搜索查询并附带推理过程；接着，利用JobSpy工具在LinkedIn上逐一执行这些查询；最后，对于每个返回的职位，模型会基于简历和职位描述，从技能匹配、经验相关性、教育背景、行业领域契合度和资历一致性五个维度进行评分。用户最终获得的不是一份冗长的列表，而是一个经过理性筛选的短名单，并附有详细的评分理由。
在技术实现上，项目采用了教师-学生模型架构。教师模型为DeepSeek V4 Pro，擅长结构化推理且成本较低，用于离线生成标签；学生模型为Qwen3-8B，经过4位量化后可在单个ZeroGPU上运行，负责推理阶段的评分。训练数据来自一个闭环流程：基于2500份简历（来自Kaggle-Resume数据集），教师模型首先生成查询，然后通过JobSpy抓取约10000个职位，最后教师模型对每个（简历，职位）对进行评分。
训练在Modal平台上使用单个A100 GPU进行，采用两个独立的LoRA适配器（秩16，alpha 16），分别针对查询生成和评分任务。调整策略避免了单一适配器导致的格式混淆问题。推理阶段部署在HuggingFace ZeroGPU Space上，采用llama.cpp进行流式输出，每个用户提交只调用一次GPU，显著降低了冷启动开销。
开发者的经验表明，将查询生成和评分拆分为两个适配器优于单一适配器；教师模型的提示设计比学生模型的大小更为关键。整个项目的Claude Code会话记录也已作为代理痕迹数据集公开。读者可以在huggingface.co/spaces/build-small-hackathon/job-search-assistant上上传简历进行试用。