Разработчик протестировал использование автономного ИИ-агента для поиска работы, автоматизировав процесс отклика на вакансии. Эксперимент показал, что агент способен эффективно фильтровать предложения и адаптировать сопроводительные письма, однако требует существенных затрат на API и постоянного контроля качества. Итоговая стоимость использования LLM составила заметную долю бюджета, сопоставимую с эффективностью ручного поиска.
В ходе эксперимента агент был настроен на мониторинг профильных площадок, анализ требований вакансий и автоматическую отправку персонализированных заявок. Основная сложность заключалась в настройке промптов для поддержания высокого уровня релевантности ответов, чтобы избежать попадания в спам-фильтры рекрутеров. Автор отмечает, что автоматизация позволила кратно увеличить количество отправленных резюме, но конверсия в интервью осталась зависимой от качества исходного профиля кандидата.
Материал детально разбирает экономическую составляющую процесса, включая расходы на инференс моделей и использование инструментов оркестрации. Кейс демонстрирует, что для задач с высокой ценой ошибки, таких как поиск работы, полностью автономные агенты пока требуют «человека в контуре» для финальной верификации данных и корректировки стратегии взаимодействия с работодателями.
Ключевые факты
- Общая стоимость использования API для работы агента составила около $150 за период активного поиска.
- Агент обрабатывал более 50 вакансий в день, значительно превышая возможности ручного отклика.
- Основная часть расходов пришлась на использование моделей GPT-4o для анализа сложных описаний вакансий и генерации кастомных писем.
- Конверсия в приглашения на интервью при использовании агента оказалась сопоставима с качественным ручным поиском, но с экономией времени в 10-15 часов еженедельно.