阿川私房教材：
學 JavaScript 前端，帶作品集去面試！

63 個專案實戰，寫出作品集，讓面試官眼前一亮！

立即開始免費試讀！

小編精選 - 技術文章翻譯 · 06月08日

🤖 我開發了 side project: 自動找工作的 AI 代理 🤯

在目前的市場中，找到適合自己的工作非常困難！

最近，我正在探索 OpenAI Agents SDK 並建立 MCP 代理程式和代理程式工作流程。

為了運用我的學習成果，我想，為什麼不解決一個真正的、常見的問題呢？

因此我建立了這個多代理求職工作流程來找到適合我的工作！

在本文中，我將向您展示如何建立此代理工作流程！

開始吧！

求職代理的工作原理

在繼續之前，讓我們先了解一下工作流程代理是如何運作的！

首先，用戶提供他們的 LinkedIn 個人資料
第一位代理商使用 BrightData 的 MCP 伺服器分析您的個人資料、經驗、技能和職業道路。
根據分析，它會預測一個符合你的興趣和經驗的領域
然後，它使用 BrightData 的 MCP 伺服器從 Y Combinator 招聘網站上抓取當前空缺職位
最後，它會產生一份詳細的報告，其中包含您的個人資料摘要 + 為您量身定制的最佳工作匹配清單。

我對每項任務都使用了單獨的代理。

是的，我可以把幾個放在一起……但從我的實驗來看，這只會讓藥劑感到困惑並增加幻覺。 🙃

如果您更喜歡影片，您可以觀看這個：👇🏼

https://www.youtube.com/watch?v=zNTWmw72BDs

我使用的工具

以下是我用來建立該專案的主要工具。

我一直在尋找簡單而可靠的選擇，而這些選擇結果證明非常適合這項工作。

1. Nebius AI Studio

我一直在尋找一種經濟實惠的方式，可以在單一工作流程中多次執行 LLM，而不必過度擔心成本或效能。

就在那時我發現了Nebius AI Studio 。

它可以輕鬆執行開源 AI 模型，性能也完全符合我的要求。它速度快、價格實惠，如果你想在不花太多錢的情況下使用強大的模型，它絕對是你的不二之選。

https://studio.nebius.com 嘗試 Nebius

2. BrightData 的 MCP 伺服器

LLM 的一大限制是什麼？他們通常無法即時存取即時資料。

MCP 透過允許 LLM 存取外部工具來解決此問題。

對於這個專案，我使用了Bright Data的 MCP（模型上下文協定）伺服器。

我在尋找讓代理商存取網路的方法時發現了它。有了這個MCP 伺服器，我們的代理可以：

搜尋和瀏覽網站
繞過位置阻止或驗證碼
抓取資料而不被阻止

它非常適合這個專案，我需要來自網路的即時資訊。

https://github.com/brightdata-com/brightdata-mcp 查看 BrightData 的 MCP 伺服器

3.OpenAI Agents SDK

OpenAI代理SDK

由於我已經在探索 OpenAI Agents SDK 並學習如何建立 MCP 代理程式和代理程式工作流程，因此我決定將其用作該專案的基礎。

我發現它非常簡單和靈活，正是我建立多代理設定所需要的，它可以真正解決求職等現實任務。

它是一款輕量級工具，可幫助您輕鬆建立基於代理的應用程式。有了它，我可以：

為我的LLMs提供指導和工具
讓代理互相傳遞工作
在將資料傳送到模型之前新增基本檢查

如果您正在建立多步驟或多代理應用程式，它非常有用。

https://openai.github.io/openai-agents-python/ 查看 OpenAI Agents SDK

4. Streamlit 用於 UI

最後，我需要一種快速而乾淨的方法來建立 UI。

對於 Python 開發人員來說， Streamlit是顯而易見的選擇。

對於 Python 開發人員來說，Streamlit 是為其應用程式建立直覺 UI 的首選。

只需幾行程式碼，我就能擁有一個功能齊全的儀表板，可以在其中輸入 LinkedIn URL 並執行工作流程。

它使整個過程變得非常簡單。

https://streamlit.io/ 看 Streamlit

建構求職代理

說得夠多了，讓我們開始建立代理商吧！ 🔥

先決條件

在執行此專案之前，請確保您已：

Python 3.10 或更高版本
Bright Data帳戶和 API 憑證
Nebius AI Studio帳戶和 API 金鑰

專案結構

為了保持整潔和模組化，我們這樣組織專案：

# Folder Structure 👇🏼

job_finder_agent/
├── app.py              # Streamlit web interface
├── job_agents.py       # AI agent definitions and analysis logic
├── mcp_server.py       # Bright Data MCP server management
├── requirements.txt    # Python dependencies
├── assets/            # Static assets (images, GIFs)
└── .env              # Environment variables (create this)

以下是簡要分析：

app.py應用程式的入口點。這是用戶與該工具互動的地方。
job_agents.py ：包含所有與代理相關的邏輯和工作流程。
mcp_server.py ：初始化 MCP 伺服器。
assets/：保存 UI 中使用的任何視覺效果或媒體。
.env ：儲存 API 金鑰等敏感資料，請確保此文件包含在您的.gitignore中。

有了這種結構，以後除錯、擴展甚至插入新代理都會非常容易。

建立代理🤖

首先，我們將建立專案所需的 Agents。為此，我們進入job_agents.py檔。

在這裡，我們將導入所需的模組：

# job_agents.py 👇🏼

import os
import logging
import asyncio
from agents import (
    Agent,
    OpenAIChatCompletionsModel,
    Runner,
    set_tracing_disabled,
)
from agents.mcp import MCPServer
from openai import AsyncOpenAI

logger = logging.getLogger(__name__)

我們現在將定義一個非同步函數run_analysis來啟動整個代理程式工作流程。

async def run_analysis(mcp_server: MCPServer, linkedin_url: str):

    logger.info(f"Starting analysis for LinkedIn URL: {linkedin_url}")
    api_key = os.environ["NEBIUS_API_KEY"]
    base_url = "https://api.studio.nebius.ai/v1" 
    client = AsyncOpenAI(base_url=base_url, api_key=api_key)
    set_tracing_disabled(disabled=True)

這是我們的第一個也是最關鍵的代理商之一。它分析用戶的 LinkedIn 個人資料，以提取相關的職業見解。

linkedin_agent = Agent(
        name="LinkedIn Profile Analyzer",
        instructions=f"""You are a LinkedIn profile analyzer.
        Analyze profiles for:

        - Professional experience and career progression
        - Education and certifications
        - Core skills and expertise
        - Current role and company
        - Previous roles and achievements
        - Industry reputation (recommendations/endorsements)

        Provide a structured analysis with bullet points and a brief executive summary.
        """,
        mcp_servers=[mcp_server],
        model=OpenAIChatCompletionsModel(
            model="meta-llama/Llama-3.3-70B-Instruct",
            openai_client=client
        )
    )

💡 注意：此代理確實使用 mcp_server，因為它使用 BrightData 的抓取引擎從 LinkedIn 提取資料。

現在我們已經分析了個人資料，我們需要預測用戶最適合哪個領域。

工作建議代理將根據前一個代理的分析，建議用戶的首選領域

job_suggestions_agent = Agent(
        name="Job Suggestions",
        instructions=f"""You are a domain classifier that identifies the primary professional domain from a LinkedIn profile.
        """,
        model=OpenAIChatCompletionsModel(
            model="meta-llama/Llama-3.3-70B-Instruct",
            openai_client=client
        )
    )

💡 注意：這裡我們沒有使用 MCP 工具，因為它沒有執行任何函數呼叫。

然後，我們將建立一個招募平台 URL 產生器。該代理程式會取得域名，並為 Y Combinator 招聘平台建立 URL。

url_generator_agent = Agent(
        name="URL Generator",
        instructions=f"""You are a URL generator that creates Y Combinator job board URLs based on domains.
        """,
        model=OpenAIChatCompletionsModel(
            model="meta-llama/Llama-3.3-70B-Instruct",
            openai_client=client
        )
    )

接下來，我們將建立職位搜尋代理。該代理將存取生成的 URL 並提取真實的職位清單。

Job_search_agent = Agent(
        name="Job Finder",
        instructions=f"""You are a job finder that extracts job listings from Y Combinator's job board.
        """,
        mcp_servers=[mcp_server],
        model=OpenAIChatCompletionsModel(
            model="meta-llama/Llama-3.3-70B-Instruct",
            openai_client=client
        )
    )

💡 注意：此代理程式再次使用 MCP 伺服器，因為它需要向 YC 的工作板進行即時抓取呼叫。

有時 YC 職位連結會經過身份驗證重定向🤷🏻‍♂️。此代理程式會清理並簡化這些 URL。

如果您使用不需要清理的職位公告板，則可以跳過此代理程式。

url_parser_agent = Agent(
        name="URL Parser",
        instructions=f"""You are a URL parser that transforms Y Combinator authentication URLs into direct job URLs.
        """,
        model=OpenAIChatCompletionsModel(
            model="meta-llama/Llama-3.3-70B-Instruct",
            openai_client=client
        )
    )

最後，我們將所有內容整合在一起。該代理會將使用者的個人資料、領域預測和作業結果匯總到一份簡潔的 Markdown 報告中。

summary_agent = Agent(
        name="Summary Agent",
        instructions=f"""You are a summary agent that creates comprehensive career analysis reports.

        Ensure your response is well-formatted markdown that can be directly displayed.""",
        model=OpenAIChatCompletionsModel(
            model="meta-llama/Llama-3.3-70B-Instruct",
            openai_client=client
        )
    )

它建立的報告在 Streamlit 甚至 markdown 渲染器中看起來很乾淨，因此您可以輕鬆地共享它或保存以備後用！ 😉

建立工作流程

現在所有代理程式都已準備就緒，讓我們建立以邏輯順序連接它們的實際流程。

在 Agents SDK 中，要建立工作流程，您必須將前一個代理程式的結果作為輸入傳遞，並指定starting_agent作為處理目前任務的代理程式。

程式碼如下：

# Get LinkedIn profile analysis
        logger.info("Running LinkedIn profile analysis")
        linkedin_result = await Runner.run(starting_agent=linkedin_agent, input=query)
        logger.info("LinkedIn profile analysis completed")

        # Get job suggestions
        logger.info("Getting job suggestions")
        suggestions_result = await Runner.run(starting_agent=job_suggestions_agent, input=linkedin_result.final_output)
        logger.info("Job suggestions completed")

        # Get specific job matches
        logger.info("Getting job link")
        job_link_result = await Runner.run(starting_agent=url_generator_agent, input=suggestions_result.final_output)
        logger.info("Job link generation completed")

        # Get job matches
        logger.info("Getting job matches")
        job_search_result = await Runner.run(starting_agent=Job_search_agent, input=job_link_result.final_output)
        logger.info("Job search completed")

        # Parse URLs to get direct job links
        logger.info("Parsing job URLs")
        parsed_urls_result = await Runner.run(starting_agent=url_parser_agent, input=job_search_result.final_output)
        logger.info("URL parsing completed")

        # Create a single input for the summary agent
        logger.info("Generating final summary")
        summary_input = f"""LinkedIn Profile Analysis:
        {linkedin_result.final_output}

        Job Suggestions:
        {suggestions_result.final_output}

        Job Matches:
        {parsed_urls_result.final_output}

        Please analyze the above information and create a comprehensive career analysis report in markdown format."""

        # Get final summary with a single call
        summary_result = await Runner.run(starting_agent=summary_agent, input=summary_input)
        logger.info("Summary generation completed")
        return summary_result.final_output

初始化 MCP 伺服器

現在，我們將初始化我們的 MCP 伺服器！

我們將首先建立一個mcp_server.py文件，它將處理與設定和存取 MCP 伺服器相關的所有事項。

首先，我們導入必要的模組，包括用於處理非同步邏輯的 asyncio 和來自 Agents SDK 的 MCPServerStdio：

import os
import logging
import asyncio
from agents.mcp import MCPServerStdio

logger = logging.getLogger(__name__)
_mcp_server = None

接下來，我們將建立 Initializemcpserver fn，它將使用憑證初始化 mcp 伺服器

async def initialize_mcp_server():
    """Initialize MCP server."""
    global _mcp_server

    if _mcp_server:
        return _mcp_server

    try:
        server = MCPServerStdio(
            cache_tools_list=False,
            params={
                "command": "npx",
                "args": ["-y", "@brightdata/mcp"],
                "env": {
                    "API_TOKEN": os.environ["BRIGHT_DATA_API_KEY"],
                    "WEB_UNLOCKER_ZONE": "mcp_unlocker",
                    "BROWSER_AUTH": os.environ["BROWSER_AUTH"],
                }
            }
        )

        await asyncio.wait_for(server.__aenter__(), timeout=10)
        _mcp_server = server
        return server

    except Exception as e:
        logger.error(f"Error initializing MCP server: {e}")
        return None

💡 注意：請確保您已在 .env 中正確設定環境變數（BRIGHT_DATA_API_KEY、BROWSER_AUTH），否則伺服器將無法啟動。

此函數做了幾件重要的事情：

如果伺服器已經啟動，則防止重新初始化。
啟動一個新的 MCP 伺服器實例。
處理超時並正常記錄任何故障。

為了保持整潔，我們加入了兩個實用函數：

等待伺服器準備就緒（wait_for_initialization）
另一個用於檢索伺服器實例（get_mcp_server）

它們在這裡：

async def wait_for_initialization():
    """Wait for MCP initialization to complete."""
    return await initialize_mcp_server() is not None

def get_mcp_server():
    """Get the current MCP server instance."""
    return _mcp_server

建立 Streamlit UI

最後，我們將組裝所有內容並使用 Streamlit 為該代理程式建立 UI。

首先，我們導入所有必要的模組並設定 Streamlit 應用程式配置

import streamlit as st
import asyncio
import os
import logging
import nest_asyncio
import base64
from dotenv import load_dotenv
from job_agents import run_analysis
from mcp_server import wait_for_initialization, get_mcp_server

nest_asyncio.apply()
load_dotenv()

logger = logging.getLogger(__name__)

# Set page config
st.set_page_config(
    page_title="LinkedIn Profile Analyzer",
    page_icon="🔍",
    layout="wide"
)

接下來，一旦 MCP 伺服器初始化完成，我們將使用 asyncio 非同步呼叫 run_analysis() 函數。

當使用者點擊「分析設定檔」按鈕時，將觸發此功能。


# Initialize session state
if 'analysis_result' not in st.session_state:
    st.session_state.analysis_result = ""
if 'is_analyzing' not in st.session_state:
    st.session_state.is_analyzing = False

async def analyze_profile(linkedin_url: str):
    try:
        if not await wait_for_initialization():
            st.error("Failed to initialize MCP server")
            return

        result = await run_analysis(get_mcp_server(), linkedin_url)
        st.session_state.analysis_result = result
    except Exception as e:
        logger.error(f"Error analyzing LinkedIn profile: {str(e)}")
        st.error(f"Error analyzing LinkedIn profile: {str(e)}")
    finally:
        st.session_state.is_analyzing = False

我們也初始化了一些會話狀態變數來管理互動之間的應用程式狀態。

現在到了最有趣的部分，也就是主 UI 🤩！我們將建立一個簡單的 UI 來與我們的 Agent 互動。


def main():
    # Load and encode images
    with open("./assets/bright-data-logo.png", "rb") as bright_data_file:
        bright_data_base64 = base64.b64encode(bright_data_file.read()).decode()       

    # Create title with embedded images
    title_html = f"""
    <div style="display: flex; align-items: center; gap: 0px; margin: 0; padding: 0;">
        <h1 style="margin: 0; padding: 0;">
        Job Searcher Agent with 
        <img src="data:image/png;base64,{bright_data_base64}" style="height: 110px; margin: 0; padding: 0;"/>
        </h1>
    </div>
    """
    st.markdown(title_html, unsafe_allow_html=True)
    st.markdown("---")

    # Sidebar
    with st.sidebar:
        st.image("./assets/Nebius.png", width=150)
        api_key = st.text_input("Enter your API key", type="password")
        st.divider()

        st.subheader("Enter LinkedIn Profile URL")
        linkedin_url = st.text_input("LinkedIn URL", placeholder="https://www.linkedin.com/in/username/")

        if st.button("Analyze Profile", type="primary", disabled=st.session_state.is_analyzing):
            if not linkedin_url:
                st.error("Please enter a LinkedIn profile URL")
                return
            if not api_key:
                st.error("Please enter your API key")
                return

            st.session_state.is_analyzing = True
            st.session_state.analysis_result = ""

            loop = asyncio.new_event_loop()
            asyncio.set_event_loop(loop)
            try:
                loop.run_until_complete(analyze_profile(linkedin_url))
            finally:
                loop.close()

    # Results section
    if st.session_state.analysis_result:
        st.subheader("Analysis Results")
        st.markdown(st.session_state.analysis_result)

    # Loading state
    if st.session_state.is_analyzing:
        st.markdown("---")
        with st.spinner("Analyzing profile... This may take a few minutes."):
            st.empty()

if __name__ == "__main__":
    main()

就是這樣！現在，我們擁有一個功能齊全的 Streamlit UI，它連接到一個多智能體 AI 系統，具有瀏覽器自動化功能，並透過 MCP 進行抓取。

本地執行：

現在一切都已設定完畢，讓我們在本地執行這個應用程式！

首先，我們將建立一個虛擬環境：

python -m venv venv
source venv/bin/activate  # On Windows, use: venv\Scripts\activate

接下來，安裝requirements.txt中列出的所有必需軟體包：

pip install -r requirements.txt

最後，執行應用程式：

streamlit run app.py

現在前往http://localhost:8501 ：

我們的代理商已準備好分析 LinkedIn 個人資料並像魔術一樣找到匹配的工作。 🪄

就這樣！ 🎉

我們已經成功地建立了一個多代理工作流程，可以使用 MCP 伺服器為我們尋找工作。

您可以在這裡找到完整的程式碼： Github Repo

如果您覺得這篇文章有用，請與您的同儕分享

另外，請關注我以獲取更多類似內容：

{% 嵌入https://dev.to/arindam_1729

對於付費合作，請發送電子郵件至： [email protected] 。

感謝您的閱讀！

原文出處：https://dev.to/arindam_1729/i-built-an-ai-agent-that-finds-jobs-for-me-5427

1個讚 0留言 12瀏覽

按讚的人：

共有 0 則留言

登入之後發表留言

文字內容提供幾種功能：
1) --- 會變成分隔線（上一行必須是空白）
2) # 會變成一級標題
3) ## 會變成二級標題
4) ### 會變成三級標題
5) **粗體文字**會顯示粗體文字
6) ```當第一行與最後一行會顯示程式碼
7) 請搜尋 Markdown 語法，了解各種格式

小編精選 - 技術文章翻譯

精選技術文章翻譯，幫助開發者持續吸收新知。

阿川私房教材：
學 JavaScript 前端，帶作品集去面試！

63 個專案實戰，寫出作品集，讓面試官眼前一亮！

立即開始免費試讀！

阿川私房教材：學 JavaScript 前端，帶作品集去面試！

🤖 我開發了 side project: 自動找工作的 AI 代理 🤯

🤖 我開發了 side project: 自動找工作的 AI 代理 🤯

求職代理的工作原理

我使用的工具

1. Nebius AI Studio

2. BrightData 的 MCP 伺服器

3.OpenAI Agents SDK

4. Streamlit 用於 UI

建構求職代理

先決條件

專案結構

建立代理🤖

建立工作流程

初始化 MCP 伺服器

建立 Streamlit UI

本地執行：

阿川私房教材：學 JavaScript 前端，帶作品集去面試！

阿川私房教材：
學 JavaScript 前端，帶作品集去面試！

阿川私房教材：
學 JavaScript 前端，帶作品集去面試！