職位搜索器：AI驅動的求職助手
職位搜索器是一款為應屆畢業生設計的AI工具，通過分析簡歷自動生成LinkedIn搜索查詢，並基於技能、經驗、教育、行業和資歷五個維度對職位進行評分。該項目使用DeepSeek V4 Pro作為教師模型生成標籤，Qwen3-8B作為學生模型進行推理，訓練數據包括2500份簡歷和約10000個職位。所有代碼、數據集和模型均已開源。
對於應屆畢業生來説，求職本身就像一份全職工作：每週瀏覽數百個招聘信息，反覆點擊“快速申請”，重複撰寫類似的求職信。數月後，求職者往往會申請那些本不願考慮的職位和行業。為了緩解這一痛點，開發者構建了“職位搜索器”——一款AI驅動的求職助手，能夠自動化LinkedIn搜索並智能篩選職位。
該工具的工作流程分為三個步驟：首先，模型讀取用户的簡歷和偏好設置（如職位類型、工作模式、地點等），生成針對LinkedIn的搜索查詢並附帶推理過程；接着，利用JobSpy工具在LinkedIn上逐一執行這些查詢；最後，對於每個返回的職位，模型會基於簡歷和職位描述，從技能匹配、經驗相關性、教育背景、行業領域契合度和資歷一致性五個維度進行評分。用户最終獲得的不是一份冗長的列表，而是一個經過理性篩選的短名單，並附有詳細的評分理由。
在技術實現上，項目採用了教師-學生模型架構。教師模型為DeepSeek V4 Pro，擅長結構化推理且成本較低，用於離線生成標籤；學生模型為Qwen3-8B，經過4位量化後可在單個ZeroGPU上運行，負責推理階段的評分。訓練數據來自一個閉環流程：基於2500份簡歷（來自Kaggle-Resume數據集），教師模型首先生成查詢，然後通過JobSpy抓取約10000個職位，最後教師模型對每個（簡歷，職位）對進行評分。
訓練在Modal平台上使用單個A100 GPU進行，採用兩個獨立的LoRA適配器（秩16，alpha 16），分別針對查詢生成和評分任務。調整策略避免了單一適配器導致的格式混淆問題。推理階段部署在HuggingFace ZeroGPU Space上，採用llama.cpp進行流式輸出，每個用户提交只調用一次GPU，顯著降低了冷啓動開銷。
開發者的經驗表明，將查詢生成和評分拆分為兩個適配器優於單一適配器；教師模型的提示設計比學生模型的大小更為關鍵。整個項目的Claude Code會話記錄也已作為代理痕跡數據集公開。讀者可以在huggingface.co/spaces/build-small-hackathon/job-search-assistant上上傳簡歷進行試用。