HirePath Jobs - AI Job Analysis Platform

Projektbeschreibung

HirePath Jobs ist eine KI-gestützte Job-Analyseplattform, die Bewerberinnen und Bewerbern hilft, Stellenausschreibungen über oberflächliche Informationen hinaus zu bewerten. Statt vage Jobtexte manuell zu interpretieren, erhalten Nutzer strukturierte Erkenntnisse, Risikoeinschätzungen und eine passende Outreach-Strategie.

Die Anwendung verbindet Web-Scraping, Daten-Normalisierung und eine KI-Pipeline, um unstrukturierte Stellenanzeigen in nutzbare Erkenntnisse zu verwandeln: Wettbewerbsniveau, Risiko von „Ghost Jobs“, faire Gehaltseinschätzung, Red Flags und mehr.

Wenn automatisiertes Scraping blockiert wird (z. B. bei LinkedIn oder Indeed), können Nutzer die Stellenbeschreibung manuell einfügen, damit der Ablauf robust bleibt.

Kernfunktionen

KI-gestützte Job-Analyse

• Wettbewerbsniveau und Begründung
• Erkennung von Ghost Jobs
• Schätzung der Gehaltsfairness
• Red Flags und positive Aspekte
• Abschließendes Urteil „bewerben oder nicht“

Personalisiertes Outreach

• Zugeschnittene Kontaktstrategie
• KI-generierte Outreach-Nachricht auf Basis des Nutzerprofils

Robuste Datenerfassung

• Automatisches Scraping von Stellenanzeigen
• Fallback auf manuelle Eingabe der Stellenbeschreibung
• Polling-basierte asynchrone Pipeline für lang laufende KI-Schritte
• Teilresultate und Fallback-Behandlung

Caching

• Vermeidet redundante KI-Aufrufe
• Bessere Performance und geringere Kosten

Architektur

Full-Stack-Monorepo mit klarer Trennung der Verantwortlichkeiten.

Frontend (Angular)

• Reaktive UI (Signals)
• Fokussierter State und UX für lang laufende Aufgaben

Backend (NestJS)

• Modulare API
• Orchestrierung der KI-Pipeline
• Scraping und Normalisierung
• Robustes Fehlerhandling und Fallbacks

Gemeinsame Typen

• Typsichere Verträge zwischen Frontend und Backend

Tech-Stack

• Frontend: Angular, TypeScript, Angular Signals, Tailwind CSS
• Backend: NestJS, TypeScript, REST-API (OpenAPI / Swagger)
• KI / Daten: Google Gemini, strukturierte JSON-Schema-Validierung, mehrstufige KI-Pipeline
• Tooling: Monorepo, Biome, In-Memory-LRU-Cache, Rate Limiting und API-Schutz

Technische Highlights

• Mehrstufige KI-Pipeline mit Fallbacks und Teilresultaten
• Schema-Validierung für zuverlässige Modellausgaben
• Scraping mit graceful degradation (automatisch → manuell)
• Content-Hashing (SHA-256) für Cache-Keys zur Kostenkontrolle
• Rate Limiting und Fehlerklassifikation für produktionsnahes API-Verhalten
• End-to-End-Typsicherheit über den gesamten Stack

Nutzenversprechen

Zeigt, wie KI in einen echten Workflow eingebettet werden kann: weniger Raten bei Bewerbungen, strukturiertere Entscheidungen und weniger manuelle Routinearbeit. Es betont Full-Stack-Lieferung, KI-Integration, Systemdesign und eine widerstandsfähige Architektur.