Imported from havartdamien-del/job_organizer (AGENTS.md). Install upstream with npx skills add havartdamien-del/job_organizer. Copyright stays with the author.

Job Organizer Agent

📋 Description du projet

Job Organizer est une application web conçue pour :

• Récupérer les offres d'emploi depuis internet via scraping
• Organiser et cataloguer les offres trouvées
• Analyser la pertinence de chaque offre
• Utiliser l'IA pour extraire et valoriser les compétences clés

Architecture générale

• Backend : Django + MySQL (dans Docker)
• Frontend : HTML/Templates Django
• IA : Ollama (modèles LLM pour analyse)
• Déploiement : Docker Compose

🎯 Plan d'implémentation - 5 étapes

Étape 1️⃣ : Modèle de Base de Données

Objectif : Créer la structure de base pour stocker les offres d'emploi

Ce qui sera fait :

• Modèle JobOffer Django avec les champs essentiels :
  • Informations principales : titre, entreprise, description
  • Détails : localisation, type de contrat, salaire
  • Source : URL, source de scraping, ID externe
  • Suivi : statut, score de pertinence, notes
  • Relations : compétences requises (ManyToMany avec Skill)
• Créer la migration Django correspondante
• Configuration de l'admin Django pour gérer les offres

Fichiers à modifier/créer :

• django/src/job_organizer/models.py — Ajouter modèle JobOffer
• django/src/job_organizer/admin.py — Enregistrer le modèle dans l'admin
• django/src/job_organizer/migrations/000X_*.py — Migration auto-générée

Étape 2️⃣ : Guide de Scraping

Objectif : Mettre en place la structure et la documentation pour le scraping

Ce qui sera fait :

• Créer un module scrapers/ avec structure de base
• Implémenter un scraper générique (interface/classe abstraite)
• Créer des scrapers spécifiques pour sources principales (ou modèles)
• Documentation sur comment ajouter de nouvelles sources
• Commande Django pour tester et lancer le scraping
• Système de logging et gestion des erreurs

Fichiers à créer/modifier :

• django/src/job_organizer/scrapers/__init__.py
• django/src/job_organizer/scrapers/base.py — Classe abstraite
• django/src/job_organizer/scrapers/indeed.py — Exemple scraper
• django/src/job_organizer/management/commands/scrape_jobs.py — Commande Django
• SCRAPING_GUIDE.md — Documentation pour ajouter sources

Étape 3️⃣ : Interface d'Affichage

Objectif : Créer une interface pour visualiser et explorer les offres

Ce qui sera fait :

• API REST endpoints (GET/POST) pour les offres d'emploi
• Templates HTML pour afficher :
  • Liste des offres avec filtres (statut, source, entreprise, etc.)
  • Détail d'une offre avec compétences requises
  • Tableau de bord avec statistiques (nombre offres, sources, etc.)
• Système de pagination et recherche
• Mise en style responsive (CSS)

Fichiers à créer/modifier :

• django/src/job_organizer/views.py — Vues API et web
• django/src/job_organizer/serializers.py — Sérialisation JSON (DRF)
• django/src/job_organizer/urls.py — Routing
• django/src/job_organizer/templates/job_organizer/ — Templates HTML
• django/src/home/templates/home/index.html — Dashboard principal

Étape 4️⃣ : Système d'Analyse de Pertinence

Objectif : Évaluer automatiquement la pertinence de chaque offre

Ce qui sera fait :

• Service d'analyse basé sur critères :
  • Correspondance avec skills de l'utilisateur
  • Localisation acceptée
  • Niveau de salaire
  • Type de contrat préféré
• Utiliser Ollama pour analyse plus sophistiquée si nécessaire
• Scoring de 0-100 et notes explicatives
• Commande Django pour analyser les offres existantes
• API pour mettre à jour le score d'une offre

Fichiers à créer/modifier :

• django/src/job_organizer/analyzers/__init__.py
• django/src/job_organizer/analyzers/relevance.py — Logique d'analyse
• django/src/job_organizer/management/commands/analyze_offers.py — Commande
• Ajouter champ relevance_score et relevance_notes au modèle (déjà prévu)

Étape 5️⃣ : Système IA pour Compétences

Objectif : Extraire et valoriser les compétences clés avec IA

Ce qui sera fait :

• Service d'analyse avec Ollama pour :
  • Extraire les compétences mentionnées dans l'offre
  • Identifier les compétences clés à mettre en avant
  • Générer un résumé des compétences requises
  • Comparer avec les skills de l'utilisateur
• Créer une relation JobOfferSkillAnalysis pour stocker les résultats
• API endpoint pour analyser une offre spécifique
• Templates pour afficher l'analyse IA

Fichiers à créer/modifier :

• django/src/job_organizer/ai_services/__init__.py
• django/src/job_organizer/ai_services/ollama_analyzer.py — Intégration Ollama
• django/src/job_organizer/models.py — Ajouter JobOfferSkillAnalysis model
• django/src/job_organizer/management/commands/ai_analyze_offers.py

🛠️ Commandes utiles

# Lancer le projet
cd docker
docker compose up -d

# Créer migrations
docker compose exec django python manage.py makemigrations
docker compose exec django python manage.py migrate

# Accès à l'admin Django
# http://localhost:8001/admin

# Lancer le scraping
docker compose exec django python manage.py scrape_jobs

# Analyser les offres
docker compose exec django python manage.py analyze_offers

📊 Structure de la base de données

Skill (déjà existant)
  ├── id
  ├── name
  ├── level
  └── ...

JobOffer (à créer)
  ├── id
  ├── title
  ├── company_name
  ├── description
  ├── location
  ├── contract_type
  ├── salary_min / salary_max
  ├── url (unique)
  ├── source
  ├── status (new, viewed, relevant, applied, rejected)
  ├── relevance_score (0-100)
  ├── published_at
  ├── created_at / updated_at
  └── required_skills (M2M → Skill)

JobOfferSkillAnalysis (étape 5)
  ├── job_offer (FK)
  ├── skill (FK)
  ├── importance_level
  └── analysis_notes

✅ Validation à chaque étape

1. Étape 1 : Admin Django fonctionne, créer une offre test manuellement
2. Étape 2 : Commande scraping fonctionne, au moins une offre récupérée
3. Étape 3 : Interface affiche les offres, filtres fonctionnent
4. Étape 4 : Score de pertinence calculé et affiché
5. Étape 5 : IA génère analyse des compétences

🚀 Notes importantes

• Docker Compose utilise le fichier docker/docker-compose.yml
• Django est en django/src/ avec app job_organizer existante
• MySQL est déjà configurée pour persister les données
• Ollama est déjà disponible dans la stack Docker
• Démarrer par l'étape 1 avant de passer à l'étape 2