Job HuntJob Hunt : la recherche d'emploi triée et pertinente

Le point de départ de Job Hunt est simple : arrêter de jongler entre dix onglets. Une seule recherche interroge en parallèle plusieurs sources d'emploi et ramène toutes les annonces au même endroit. Aujourd'hui, trois à quatre sources sont réellement branchées : France Travail via son API officielle, Welcome to the Jungle via son API de recherche Algolia, HelloWork par scraping, et Adzuna codé.

Chaque source a sa propre logique, son propre format, ses propres limites. Le travail consiste à normaliser tout cela dans une structure commune, pour qu'une offre venue d'une API officielle et une offre extraite par scraping se traitent exactement de la même manière. Un dédoublonnage multi-niveau garantit ensuite qu'une annonce repostée sur trois sites n'apparaît qu'une seule fois. Concrètement, sur une seule collecte, l'outil a remonté 372 annonces pour seulement 147 réellement nouvelles : tout le reste, déjà vu, est écarté automatiquement.

Au-delà des sources actives, nous avons cartographié plus de quinze plateformes - Google for Jobs, Indeed, LinkedIn et d'autres - comme prochaines étapes possibles. L'architecture est conçue pour accueillir de nouvelles sources sans tout reconstruire : c'est une fondation, pas un assemblage figé.

Agréger les offres ne suffit pas : encore faut-il savoir lesquelles méritent votre attention. C'est le rôle du moteur de scoring IA, qui s'appuie sur OpenAI. Il intervient à deux niveaux. D'abord, il extrait un profil candidat structuré - intitulé de poste, compétences, secteurs, niveau, fourchette de salaire, type de contrat, deal-breakers - à partir d'une offre de référence ou d'un simple texte collé.

Ensuite, il note chaque annonce sur quatre axes, de 0 à 100 : télétravail et localisation, salaire et avantages, correspondance des mots-clés, adéquation au profil. Un score global en découle, accompagné d'une justification, d'un résumé de l'offre, d'un résumé fit profil, d'un résumé de la culture d'entreprise, et de tags qui pointent ce qui correspond et ce qui diverge.

L'IA complète aussi les informations manquantes lorsqu'elles peuvent être déduites - salaire, possibilité de télétravail, compétences attendues. Résultat : au lieu de lire chaque annonce en entier, on parcourt un classement déjà trié, où les offres réellement alignées remontent en haut et les hors-sujet sont signalés.

Le piège de l'agrégation, c'est le volume : ramener des centaines d'offres dont la moitié n'a aucun rapport avec ce que l'on cherche. Job Hunt prend le problème à l'envers. Un filtre de proximité de mots-clés analyse la position des termes recherchés dans chaque annonce et écarte celles où ils n'apparaissent que de manière fortuite. L'effet est mesuré : sur une recherche d'ingénieur pédagogique, on passe de 93 à 14 offres, soit environ 85% de bruit en moins.

En parallèle, nous voulions éviter l'écueil inverse : passer à côté d'offres pertinentes. Plutôt qu'une unique requête combinant tous les mots-clés, Job Hunt lance une requête par mot-clé puis fusionne les résultats. Cette stratégie d'union multiplie par quatorze la couverture par rapport à une requête combinée.

Les deux mécanismes se complètent : on élargit la recherche pour ne rien rater, puis on resserre pour ne garder que le pertinent. Combiné au tri par score IA, le résultat est un flux d'offres à la fois plus large dans sa portée et beaucoup plus propre dans son contenu.

Job Hunt est un MVP interne fonctionnel, utilisé en local. Il repose sur Next.js pour l'interface et la logique applicative, et sur Prisma avec SQLite et Turso pour la persistance des données - une base réelle, alimentée à chaque recherche. La validation des données de bout en bout est assurée par Zod, ce qui garantit que les annonces issues de sources très différentes restent toujours cohérentes.

L'organisation de la recherche s'appuie sur TanStack Table pour la vue tableau et sur dnd-kit pour le Kanban, où chaque offre se déplace dans un pipeline de candidature : nouveau, vu, favori, postulé, entretien. Les filtres restent en place d'une session à l'autre, et un géocodage via les services d'adresse France et Nominatim permet de raisonner en distance réelle plutôt qu'en simple nom de ville.

Le scraping s'appuie sur Puppeteer pour les sources sans API, et OpenAI alimente tout le moteur de scoring. L'ensemble forme un outil interne qui n'a pas vocation à être déployé publiquement en l'état, mais qui prouve concrètement notre maîtrise de l'IA, de la donnée et du scraping appliqués à un vrai problème.