Application Agent

Публичный код агента для сопровождения карьерного workflow.

Что уже есть

файловый JsonMemoryStore для трёх слоёв памяти и журнала запусков;
registry workflow;
CLI setup-команда bootstrap для private workspace;
workflow ingest-vacancy, который создаёт каркас вакансии и обновляет runtime-память;
стартовый workflow analyze-vacancy, который выбирает ролевое резюме и собирает первый fit-анализ;
workflow intake-adoptions, который переносит vacancy-local adoptions.md в root review layer (adoptions/inbox/ + adoptions/questions/open.md);
workflow prepare-screening, который по готовой вакансии собирает vacancy-local screening.md для первичного интервью;
workflow rebuild-master, который синхронизирует managed approved-signals section в resumes/MASTER.md из adoptions/accepted/MASTER.md и пишет runtime report в agent_memory/runtime/rebuild-master/latest.md.
workflow rebuild-role-resume, который синхронизирует managed canonical block в выбранном resumes/<role>.md из уже согласованного resumes/MASTER.md и optional knowledge/roles/<role>.md.
workflow build-linkedin, который собирает per-role LinkedIn draft pack в profile/linkedin/<target_role>.md из canonical MASTER, выбранного role resume и optional profile metadata, а runtime report пишет в agent_memory/runtime/build-linkedin/<target_role>.md.
workflow export-resume-pdf, который рендерит проверяемый PDF-артефакт из resumes/MASTER.md или выбранного resumes/<role>.md, пишет итоговый файл в profile/pdf/<target_resume>/<language>-<region>.pdf и сохраняет verification trail в agent_memory/runtime/export-resume-pdf/<target_resume>/<language>-<region>/.
workflow check-response-monitoring, который проверяет активные строки response-monitoring.xlsx, обновляет Активна и Обновлена, выводит журнал проверки в консоль и сохраняет его в agent_memory/runtime/check-response-monitoring/.

Структура private workspace

Агент ожидает, что private repo содержит каталоги:

vacancies/
adoptions/
knowledge/
profile/
agent_memory/
- agent_memory/config/ — локальные runtime-настройки CLI, например defaults для LLM.

Быстрый старт

python job-application-agent.py --root ../.. bootstrap
python job-application-agent.py --root ../.. list-workflows
python job-application-agent.py --root ../.. ingest-vacancy --company "Example" --position "Engineering Manager" --source-channel "Manual" --source-text "Short vacancy text"
python job-application-agent.py --root ../.. analyze-vacancy --vacancy-id 20260420-example-engineering-manager
python job-application-agent.py --root ../.. intake-adoptions --vacancy-id 20260420-example-engineering-manager
python job-application-agent.py --root ../.. prepare-screening --vacancy-id 20260420-example-engineering-manager
python job-application-agent.py --root ../.. rebuild-master
python job-application-agent.py --root ../.. rebuild-role-resume --target-role CTO
python job-application-agent.py --root ../.. build-linkedin --target-role CTO
python job-application-agent.py --root ../.. export-resume-pdf --target-resume CTO --contact-region EU
python job-application-agent.py --root ../.. check-response-monitoring --dry-run
python job-application-agent.py --root ../.. show-memory

После установки пакета в editable-режиме можно запускать без python ...py:

python -m pip install -e .
job-application-agent --root ../.. list-workflows

На Windows pip может поставить job-application-agent.exe в user Scripts directory, который не добавлен в PATH. В этом случае PowerShell покажет warning вида:

The scripts ... are installed in 'C:\Users\<user>\AppData\Roaming\Python\Python314\Scripts' which is not on PATH.

Проверить команду сразу можно по полному пути:

& "$env:APPDATA\Python\Python314\Scripts\job-application-agent.exe" --root ../.. list-workflows

Чтобы команда работала в новых терминалах без полного пути, добавь Scripts directory в пользовательский PATH:

$scripts = "$env:APPDATA\Python\Python314\Scripts"
[Environment]::SetEnvironmentVariable("Path", [Environment]::GetEnvironmentVariable("Path", "User") + ";$scripts", "User")

После этого открой новый PowerShell и проверь:

job-application-agent --root ../.. list-workflows

Настройка LLM для `analyze-vacancy`

analyze-vacancy по умолчанию использует llm_provider=openai и OpenAI Responses API. Для реального запуска обязательны:

OPENAI_API_KEY в окружении или в agent_memory/config/secrets.json;
модель через --llm-model, APPLICATION_AGENT_LLM_MODEL или config-файл.

Несекретные defaults можно держать в workspace-файле agent_memory/config/application-agent.json:

{
  "analyze-vacancy": {
    "llm_provider": "openai",
    "llm_model": "gpt-5.4",
    "llm_reasoning_effort": "high",
    "llm_reasoning_summary": "auto",
    "llm_text_verbosity": "medium",
    "target_mode": "balanced",
    "include_employer_channels": false
  }
}

Текущая версия application-agent поддерживает в application-agent.json только секцию analyze-vacancy.

Ключ	Тип	Значение по умолчанию	Описание
`llm_provider`	string	`openai`	LLM-provider для анализа. Поддерживаются `openai` и `fake`; `fake` нужен для локального smoke-теста без сетевого вызова.
`llm_model`	string	`""`	Модель для реального LLM-запуска. Для `llm_provider=openai` обязательна: через config, `--llm-model` или `APPLICATION_AGENT_LLM_MODEL`.
`llm_temperature`	number/null	`null`	Опциональная температура. Для GPT-5.4 mini по умолчанию не задаётся; основной контроль качества идёт через reasoning settings.
`llm_reasoning_effort`	string	`""`	Усилие reasoning для Responses API: обычно `low`, `medium` или `high`. Для текущего агента рекомендуется `medium`.
`llm_reasoning_summary`	string	`""`	Настройка summary reasoning, если модель и аккаунт её поддерживают. Для отладки удобно `auto`.
`llm_text_verbosity`	string	`""`	Verbosity текстового ответа Responses API. Для этого workflow рекомендуется `medium`: достаточно подробно, но без лишней воды.
`target_mode`	string	`""`	Режим позиционирования: `conservative`, `balanced`, `aggressive`. Если не задан, workflow берёт значение из `meta.yml` или использует `balanced` при ingest.
`selected_resume`	string	`""`	Ручной override выбора резюме. Обычно лучше не задавать глобально, чтобы workflow сам выбирал роль под вакансию.
`russian_text_skill_path`	string	`""`	Путь к обязательному skill `humanize-russian-business-text` для русскоязычной генерации. Если не задан, используются `APPLICATION_AGENT_RUSSIAN_TEXT_SKILL_PATH`, `~/.agents/skills/...`, затем `~/.codex/skills/...`.
`include_employer_channels`	boolean	`false`	Включает employer-facing каналы в анализ там, где workflow это учитывает. Для обычного анализа вакансии рекомендуется `false`.

Рекомендованный текущий набор llm_*:

{
  "llm_provider": "openai",
  "llm_model": "gpt-5.4",
  "llm_reasoning_effort": "high",
  "llm_reasoning_summary": "auto",
  "llm_text_verbosity": "medium",
  "russian_text_skill_path": "C:\\Users\\avramko\\.agents\\skills\\humanize-russian-business-text\\SKILL.md"
}

Почему так:

analyze-vacancy строит evidence pack, выбирает ролевое резюме, проверяет требования и просит модель вернуть строгий JSON. Responses API с structured output лучше соответствует этому контракту, чем legacy Chat Completions.
gpt-5.4-mini выбран как стартовый баланс качества, стоимости и скорости для регулярного анализа вакансий.
llm_reasoning_effort=medium даёт модели достаточно reasoning для сопоставления требований и фактов, но не делает каждый запуск максимально дорогим.
llm_text_verbosity=medium подходит для analysis.md и adoptions.md: результат должен быть содержательным, но не расползаться.
Для русского результата analyze-vacancy обязательно загружает skill humanize-russian-business-text и передаёт его текст модели. Без доступного skill workflow должен завершиться ошибкой.

Для финальных запусков сопроводительного письма нужно использовать gpt-5.4 или более сильную модель с llm_reasoning_effort=high и llm_text_verbosity=medium. Режим gpt-5.4-mini с medium reasoning допустим для smoke-проверок и черновиков, но не является рекомендуемым финальным режимом для писем под конкретную вакансию.

Для русскоязычного результата analyze-vacancy выполняет отдельный humanizer-pass для cover_letter_standard и cover_letter_short. Этот проход является обязательным quality gate для OpenAI provider и не должен добавлять новые факты; итоговая подпись добавляется кодом из profile/contact-regions.yml.

Prompt-тексты analyze-vacancy лежат вне Python-кода. Приоритет:

agent_memory/prompts/analyze-vacancy/system.ru.md
agent_memory/prompts/analyze-vacancy/task.ru.md
agent_memory/prompts/analyze-vacancy/cover-letter-contract.ru.md

Если root-файла нет, используется packaged default из src/application_agent/data/prompts/analyze-vacancy/.

Секреты в application-agent.json не записываются. Для локального API key используется agent_memory/config/secrets.json, который должен быть в .gitignore:

{
  "OPENAI_API_KEY": "sk-...",
  "OPENAI_BASE_URL": "https://api.openai.com/v1"
}

Окружение имеет приоритет над secrets.json, поэтому временно переопределить ключ можно так:

$env:OPENAI_API_KEY = "sk-..."
python job-application-agent.py --root ../.. analyze-vacancy --vacancy-id 20260420-example-engineering-manager

Приоритет настроек: явные CLI-аргументы выше config-файла, config-файл выше встроенных defaults. Альтернативный путь к config можно передать глобальным параметром до имени команды:

python job-application-agent.py --root ../.. --config ..\..\agent_memory\config\application-agent.json analyze-vacancy --vacancy-id 20260420-example-engineering-manager

Для smoke-запуска без сетевого LLM можно использовать fake provider:

python job-application-agent.py --root ../.. analyze-vacancy --vacancy-id 20260420-example-engineering-manager --llm-provider fake --llm-model test

Тесты

python -m pytest tests

Что делает каждая команда:

python job-application-agent.py --root ../.. bootstrap Проверяет и создаёт базовую структуру рабочего каталога агента в указанном root. Это setup-команда, а не runtime workflow.
python job-application-agent.py --root ../.. list-workflows Показывает доступные runtime workflow, которые можно запускать через CLI. Setup-команда bootstrap в этот список не входит.
python job-application-agent.py --root ../.. ingest-vacancy --company "Example" --position "Engineering Manager" --source-channel "Manual" --source-text "Short vacancy text" Создаёт карточку вакансии, заполняет meta.yml, source.md, analysis.md, adoptions.md, добавляет строку в response-monitoring.xlsx и обновляет runtime memory. Перед запуском в root workspace должен существовать валидный response-monitoring.xlsx; без него ingest-vacancy завершится ошибкой и не создаст vacancy scaffold. Публикация в git не выполняется автоматически: commit/push остаются отдельным ручным шагом по tooling/git-workflow.md.
python job-application-agent.py --root ../.. analyze-vacancy --vacancy-id 20260420-example-engineering-manager Выполняет стартовый анализ уже созданной вакансии: подбирает ролевое резюме и формирует начальный fit-анализ. Для реального LLM-запуска нужны OPENAI_API_KEY и модель. Ключ можно положить в agent_memory/config/secrets.json, а модель — передать через --llm-model, APPLICATION_AGENT_LLM_MODEL или agent_memory/config/application-agent.json.
python job-application-agent.py --root ../.. intake-adoptions --vacancy-id 20260420-example-engineering-manager Нормализует vacancy-local adoptions.md в root review layer: рендерит adoptions/inbox/<vacancy_id>.md и синхронизирует initial unresolved items в adoptions/questions/open.md. Это deterministic intake stage, а не review/acceptance session: сама review-сессия остаётся agent-guided и опирается на helper APIs и runbook agent_memory/workflows/adoptions-review.md.
python job-application-agent.py --root ../.. prepare-screening --vacancy-id 20260420-example-engineering-manager По уже ingest/analyze-подготовленной вакансии создаёт vacancies/<vacancy_id>/screening.md, обновляет meta.yml до статуса screening_prepared и пишет runtime memory без Excel или git side effects. Обязательные входы: существующий vacancy_id, уже собранные meta.yml, source.md, analysis.md; опционально можно передать --selected-resume, --output-language и --preparation-depth.
python job-application-agent.py --root ../.. rebuild-master Читает current-state approved signals из adoptions/accepted/MASTER.md, детерминированно синхронизирует managed block в resumes/MASTER.md и обновляет runtime report agent_memory/runtime/rebuild-master/latest.md. Workflow не переписывает narrative sections целиком: baseline-версия управляет только секцией Approved Permanent Signals, чтобы downstream rebuild-role-resume и build-linkedin читали уже согласованный MASTER.
python job-application-agent.py --root ../.. rebuild-role-resume --target-role CTO Читает managed approved-signals section из resumes/MASTER.md, optional shaping bullets из knowledge/roles/CTO.md и детерминированно синхронизирует managed block в resumes/CTO.md. Baseline-версия не делает full rewrite всего role resume: она обновляет только parseable managed block и пишет per-role runtime report в agent_memory/runtime/rebuild-role-resume/CTO.md.
python job-application-agent.py --root ../.. build-linkedin --target-role CTO Читает canonical resumes/MASTER.md, выбранное resumes/CTO.md и optional profile/contact-regions.yml, затем детерминированно собирает bilingual draft pack в profile/linkedin/CTO.md. Артефакт содержит executive summary, RU и EN ready-to-paste blocks, filling guide и GAP list; private contacts не попадают автоматически в public-ready copy, а runtime report пишется в agent_memory/runtime/build-linkedin/CTO.md.
python job-application-agent.py --root ../.. export-resume-pdf --target-resume CTO --contact-region EU Читает resumes/MASTER.md или выбранное resumes/<role>.md, применяет public contact overlay из profile/contact-regions.yml только к верхнему contact/location surface и рендерит PDF в profile/pdf/CTO/ru-EU.pdf. --target-resume обязателен; --output-language в baseline поддерживает только ru, --contact-region принимает RU, KZ, EU и по умолчанию берётся из profile/contact-regions.yml (иначе EU), --template-id сейчас поддерживает только default. Успешный run обязан сохранить report.md и preview PNG pages в agent_memory/runtime/export-resume-pdf/CTO/ru-EU/; если отсутствует pdftoppm из Poppler, workflow завершается явной ошибкой вместо partial success.
python job-application-agent.py --root ../.. check-response-monitoring --dry-run Проверяет строки response-monitoring.xlsx, где Активна = Да, сверяет доступность и дату страницы вакансии, выводит журнал в консоль и сохраняет его в agent_memory/runtime/check-response-monitoring/. Без --dry-run команда пакетно обновляет D=Активна и E=Обновлена; --log-file задаёт явный путь к файлу журнала.
python job-application-agent.py --root ../.. show-memory Показывает текущее содержимое файловой памяти агента: задачи, артефакты и журнал запусков workflow, а также reconciliation-сводку по отсутствующим vacancy artifacts.

analyze-vacancy также умеет стартовать без готового vacancy_id, если передать --company, --position и текст вакансии.

Текущий sequencing для adoptions workflow family:

analyze-vacancy создаёт vacancy-local draft vacancies/<id>/adoptions.md.
intake-adoptions переносит draft в root review stores adoptions/inbox/ и adoptions/questions/open.md.
Agent-guided review stage читает context через helper APIs из application_agent.adoptions_review и применяет approved updates в adoptions/accepted/MASTER.md.
Только после этого downstream workflow rebuild-master должен обновлять resumes/MASTER.md.
Только после синхронизации MASTER workflow rebuild-role-resume должен обновлять конкретное resumes/<role>.md из canonical resume и optional knowledge/roles/<role>.md, а не из raw vacancy corpus или adoptions/accepted/ напрямую.
Только после этого downstream workflow build-linkedin должен читать обновлённый canonical resume family и собирать profile/linkedin/<target_role>.md.
Только после этого downstream workflow export-resume-pdf должен читать уже стабилизированные resume/profile derivatives и собирать durable PDF artifact в profile/pdf/<target_resume>/ вместе с verification trail в agent_memory/runtime/export-resume-pdf/<target_resume>/.

Подробный пошаговый сценарий первого рабочего прогона в private workspace лежит в tooling/run-ingest-analyze.md.

Архитектура ingest-vacancy

После рефакторинга ingest-vacancy разделён на несколько слоёв с разной ответственностью:

src/application_agent/workflows/ingest_vacancy.py orchestration-слой workflow: принимает request, запускает enrichment, пишет артефакты вакансии, обновляет runtime memory и инициирует запись в Excel.
src/application_agent/workflows/vacancy_sources.py source/provider-слой: загрузка страницы, парсинг HH и generic career sites, normalisation извлечённых данных, fallback на Playwright для JS-heavy страниц.
src/application_agent/workflows/vacancy_rendering.py rendering-слой: генерация meta.yml, source.md, analysis.md, adoptions.md.
src/application_agent/integrations/response_monitoring.py доменная интеграция с response-monitoring.xlsx: проверка mandatory workbook prerequisite, добавление строки ingest и возврат excel_row.
src/application_agent/integrations/playwright_renderer.py isolated browser fallback для сайтов, где обычный HTML-fetch не даёт полного содержимого вакансии.
src/application_agent/normalization/ data-driven нормализация справочников и соответствий: страны, source channels, generic page rules.
src/application_agent/utils/placeholders.py единая placeholder-policy для значений вроде нет данных и Не указано.

Ключевые принципы текущей архитектуры:

workflow должен оперировать доменными сущностями, а не знать детали XLSX, HTML parser internals или справочников;
справочные данные и соответствия выносятся в data-файлы и отдельные normalisation-модули;
rendering, parsing и integration logic не должны смешиваться в одном файле;
browser automation через Playwright включается только как fallback, а не как основной путь ingest.

Следующие шаги

более точный fit scoring;
постоянная память по подтверждённым сигналам;
orchestration для следующих workflow;
дополнительная стабилизация generic-page extraction и критериев включения Playwright fallback.

Если агент запускается не из submodule, а из корня private repo, можно передать --root ..

Name		Name	Last commit message	Last commit date
Latest commit History 87 Commits
plans		plans
src/application_agent		src/application_agent
tests		tests
.gitattributes		.gitattributes
.gitignore		.gitignore
AGENTS.md		AGENTS.md
PLANS.md		PLANS.md
README.md		README.md
job-application-agent.py		job-application-agent.py
pyproject.toml		pyproject.toml

Provide feedback

Saved searches

Use saved searches to filter your results more quickly

Repository files navigation

Application Agent

Что уже есть

Структура private workspace

Быстрый старт

Настройка LLM для `analyze-vacancy`

Тесты

Архитектура ingest-vacancy

Следующие шаги

About

Uh oh!

Releases

Packages

Uh oh!

Contributors

Uh oh!

Languages

Folders and files

Latest commit

History

Repository files navigation

Application Agent

Что уже есть

Структура private workspace

Быстрый старт

Настройка LLM для analyze-vacancy

Тесты

Архитектура ingest-vacancy

Следующие шаги

About

Resources

Uh oh!

Stars

Watchers

Forks

Releases

Packages 0

Uh oh!

Contributors

Uh oh!

Languages

Настройка LLM для `analyze-vacancy`

Packages