تصور کنید به جای گشتن میان ده‌ها تب باز در مرورگر، یک سامانه هوشمند تمام فرصت‌های شغلی دنیا را برای شما فیلتر کند و فقط گزینه‌هایی را نشان دهد که با حقوق و مهارت‌های شما هم‌خوانی دارد. این دقیقاً همان کاری است که ابزار جدید JobRadar انجام می‌دهد.
طبق گزارشی که در ۲۷ ژوئیه ۲۰۲۶ در وب‌سایت dev.to منتشر شد، توسعه‌دهنده‌ای ابزاری تحت عنوان JobRadar را معرفی کرده است که می‌تواند صدها آگهی شغلی را بدون ارسال حتی یک بایت داده به فضای ابری، تحلیل و رتبه‌بندی کند. این ابزار با تجمیع جریان‌های داده (feeds) و رتبه‌بندی آن‌ها بر اساس پروفایل شخصی کاربر، وضعیت «جهنم تب‌ها» در جست‌وجوی دستی شغل را به کلی تغییر می‌دهد.
بسیاری از ابزارهای مدرنِ مبتنی بر AI برای تحلیل رزومه به APIهای ابری شرکت‌هایی مثل OpenAI یا Anthropic متکی هستند؛ این یعنی داده‌های حساس شغلی شما از سیستم خارج می‌شود و هزینه‌های اشتراک ماهانه به جیب شما می‌رود. JobRadar این چرخه را می‌شکند. این ابزار از مدل qwen3-1.7b استفاده می‌کند — یک مدل زبانی کوچک (SLM) که شبیه به یک دستیار متخصص است که فقط برای کارهای خاص آموزش دیده و فضای کمی اشغال می‌کند — و آن را از طریق Ollama مستقیماً روی CPU کاربر اجرا می‌کند. به همین دلیل رزومه، توقعات حقوقی و ترجیحات شغلی شما هرگز سخت‌افزار محلی را ترک نمی‌کند.
این رویکرد، تکامل‌یافته‌ی ایده‌هایی است که پیش‌تر در مورد ساخت غربال رزومه‌ی شخصی با پایتون و مدل‌های معنایی بحث کردیم، اما با تمرکز بر استقرار کاملاً محلی و اتوماسیون گسترده‌تر.
همان‌طور که در تحلیل قبلی ما درباره‌ی رایانش لبه اشاره کردیم، انتقال مدل به دستگاه کاربر، امنیت داده‌ها را به سطح حداکثری می‌برد. این ابزار برای افزایش پوشش، هم‌زمان هشت منبع مختلف را جست‌وجو می‌کند. این منابع شامل تخته‌های دورکاری مانند Remotive، RemoteOK، Jobicy و Himalayas و همچنین لیست‌های بین‌المللی Arbeitnow است. نکته کلیدی این است که JobRadar به‌جای استفاده از روش‌های شکنندهٔ استخراج وب (Web Scraping)، مستقیماً از APIهای صفحات شغلی شرکت‌ها از طریق سامانه‌های Greenhouse و Ashby داده می‌گیرد که بیش از ۳۰ شرکت بزرگ از جمله OpenAI و Stripe را پوشش می‌دهد.
کاربران معیارهای خود را در یک پروفایل YAML شامل مهارت‌ها، سال‌های تجربه و حداقل حقوق تعریف می‌کنند. بر اساس مستندات dev.to، این مدل در دستگاهی با ۱۵ گیگابایت رم و بدون داشتن GPU، هر موقعیت شغلی را در حدود ۹ ثانیه پردازش می‌کند. استنتاج (Inference) — همان لحظه‌ای که مدل واقعاً جواب تولید می‌کند و شبیه به خودِ آشپزی است، نه دوره‌ی آموزش آشپز — در چهار محور اصلی انجام می‌شود:
- تطابق مهارت‌ها
- تناسب تجربه
- هم‌راستایی با حقوق
- ترجیح دورکاری
هر آگهی یک امتیاز از ۰ تا ۱۰۰، یک رتبه‌بندی (از عالی تا ضعیف) و یک پاراگراف استدلالی دریافت می‌کند که دلیل تناسب یا عدم تناسب شغل را توضیح می‌دهد. برای کسانی که رابط کاربری گرافیکی را به خط فرمان (CLI) ترجیح می‌دهند، JobRadar یک داشبورد FastAPI با نمای کانبان (Kanban) فراهم کرده است که روی پورت ۳۰۰۰ به‌صورت محلی اجرا می‌شود.
این چرخش به سمت ابزارهای عامل‌محور محلی نشان می‌دهد که مدل‌های ۱ میلیارد پارامتری اکنون برای استخراج داده‌های ساختاریافته و امتیازدهی کافی هستند. با دور زدن اقتصاد توکنیِ ارائه‌دهندگان ابری، توسعه‌دهندگان می‌توانند ابزارهای اتوماسیون حجیم بسازند که هزینه بهره‌برداری آن‌ها کاملاً رایگان است.
گام بعدی شما
- مخزن GitHub پروژه را بررسی کرده و با اسکریپت bash محیط را آماده کنید.
- یک پروفایل YAML دقیق از مهارت‌های خود بسازید تا دقت امتیازدهی مدل بالا برود.
- داشبورد FastAPI را برای مدیریت بصری فرصت‌های یافت شده فعال کنید.
اما تأثیر این مدل‌های کوچک بر حریم خصوصی در ابزارهای سازمانی حتی عمیق‌تر است — به تحلیل ما درباره‌ی استقرار مدل‌های محلی در سازمان‌ها مراجعه کنید.
گفتگو