Jobsearch MCP

求职mcp

  

一个自托管的MCP服务器，将LibreChat代理变成一个完整的求职助手——从跨多个板搜索，到构建和存储简历档案，再到根据列表评分，再到通过管道跟踪申请。使用FastMCP构建，用于多用户LibreChat部署。

搜索 跨Adzuna、Removative、WeWork Remotely、Jobice、USAJobs等。 丰富 通过多层提取管道列出完整的职位描述。 个人资料 你的简历一次，每个评分和定制工具都会自动使用它。 得分 符合结构化的克劳德动力分解，包括ATS分析。 匹配 在语义上与你的个人资料相匹配。 轨道 Postgres中每个用户的完整管道。 手表 在后台查看新的比赛，并收到电子邮件提醒。

大多数求职MCP工具只做一件事——抓取列表或生成求职信。这个连接了整个工作流，因此代理可以端到端地驱动它。

你需要的

jobsearchmcp是模块化的——从基础开始，根据需要添加服务。

开始的最低要求： Adzuna API密钥和 docker compose up。这为您提供了跨6个来源的求职、完整的应用程序跟踪和通过原始HTTP回退提取JD。其他一切都是添加剂。需要未配置服务的工具会返回一条明确的错误消息，解释要设置什么。

______________________________________________________________________

运作原理

flowchart TD
    subgraph profile["① Profile Setup (one-time)"]
        BP["build_profile\nparse resume text via Claude"] --> SP["save_profile\nstore structured profile"]
    end

    subgraph search["② Search & Discover"]
        SJ["search_jobs\nAdzuna · RSS · USAJobs · more"] --> CA["check_active"]
        CA --> GJD["get_job_detail\nFirecrawl → Crawl4AI → rawFetch"]
        GJD --> SI["salary_insights"]
    end

    subgraph index["③ Index & Match"]
        GJD --> IJ["index_job\nOllama bge-m3 → Qdrant"]
        IJ --> MJ["match_jobs\nsemantic search"]
    end

    subgraph score["④ Score & Tailor"]
        GJD --> SF["score_fit\nClaude · ATS score · apply/maybe/skip"]
        MJ --> SF
        SF --> CLB["cover_letter_brief"]
        SF --> TR["tailor_resume\nJD-tailored profile draft"]
    end

    subgraph track["⑤ Track"]
        SF --> MA["mark_applied"]
        MA --> AN["add_note"]
        AN --> US["update_status\napplied → interviewing → offered"]
        US --> GMJ["get_my_jobs"]
    end

    SP -. "auto-used by score_fit,\ncover_letter_brief, tailor_resume" .-> score

你不必使用每一步——代理可以在不接触跟踪器的情况下进行搜索和评分，也可以单独使用跟踪器在其他地方找到工作。

______________________________________________________________________

建筑

graph TB
    subgraph clients["Clients"]
        LC["LibreChat Agent"]
        EMAIL["User Email"]
    end

    subgraph stack["Docker Stack · jobsearch-net"]
        MCP["jobsearch-mcp\n:8383 streamable-http"]
        JW["job-watcher\nbackground poller"]
        PG[("Postgres 16\ntracking · profiles · notes")]
        QD[("Qdrant\nvector index")]
        VK[("Valkey\nenrichment cache")]
    end

    subgraph external["External Services"]
        OLLAMA["Ollama\nbge-m3 embeddings"]
        CLAUDE["Claude API\nHaiku"]
        ENRICH["Firecrawl · Crawl4AI"]
        SOURCES["Job Sources\nAdzuna · RSS · USAJobs · …"]
        SMTP["SMTP Relay"]
    end

    LC -->|"streamable-http"| MCP
    MCP --> PG & QD & VK
    MCP --> OLLAMA & CLAUDE & ENRICH & SOURCES
    JW --> PG & VK & SOURCES
    JW --> SMTP --> EMAIL

______________________________________________________________________

工具

简历简介

构建并存储您的个人资料一次-- score_fit, cover_letter_brief，以及 tailor_resume 当没有明确传递简历时，所有人都会自动使用它。

搜索与发现

矢量搜索与匹配

体能评分和应用准备

应用程序跟踪

______________________________________________________________________

工作观察者

这 job-watcher 容器独立于MCP服务器运行。在可配置的时间间隔内（默认值：每4小时一次），它轮询Adzuna、Remative、WeWorkRemotely和USAJobs，将结果与每个用户的存储配置文件进行匹配(target_roles 和 skills 字段）并发送列出新匹配项的SMTP电子邮件。

重复数据删除是通过Valkey处理的——每个用户只会收到他们以前从未见过的列表的提醒。电子邮件会发送到用户个人资料中存储的地址。无需代理交互；它完全在后台运行。

通过配置 job-watcher.env （参见 job-watcher.env.example).要禁用它而不将其从堆栈中删除，请设置 JOB_WATCH_INTERVAL_SECONDS 值非常大。

______________________________________________________________________

先决条件

基本使用所需：

特定功能所需：

可选：

Postgres、Qdrant和Valkey都包含在Docker堆栈中，不需要外部设置。

______________________________________________________________________

堆栈

______________________________________________________________________

部署

Docker堆栈

五个集装箱，全部放在一个单独的集装箱上 jobsearch-net 网桥网络：

设置

1. 克隆仓库：

   git clone https://github.com/TadMSTR/jobsearch-mcp.git
   cd jobsearch-mcp

1. 创建您的 .env 文件 从模板中：

   cp .env.example .env

填写API密钥。看 .env.example 了解每个变量的详细信息。

1. 如果使用工作观察者，也创建其env文件：

   cp job-watcher.env.example job-watcher.env

1. 启动堆栈：

   docker compose up -d

1. 验证它是否正在运行：

   docker logs jobsearch-mcp --tail 20

您应该看到FastMCP服务器在端口8383上启动。

代码更改后的重建

docker compose build jobsearch-mcp
docker compose up -d jobsearch-mcp

从v1升级

嵌入模型从Voyage AI更改为Ollama bge-m3。Qdrant jobs 升级前必须删除集合——向量维度不兼容：

docker exec jobsearch-qdrant curl -X DELETE http://localhost:6333/collections/jobs

集合将在下一次自动重新创建 index_job 电话。

______________________________________________________________________

连接到LibreChat

将以下内容添加到您的 librechat.yaml 在...之下 mcpServers:

mcpServers:
  jobsearch:
    type: streamable-http
    url: http://host.docker.internal:8383/mcp
    headers:
      X-User-ID: "{{LIBRECHAT_USER_ID}}"
      X-User-Email: "{{LIBRECHAT_USER_EMAIL}}"
      X-User-Username: "{{LIBRECHAT_USER_USERNAME}}"

服务器使用 X-User-ID 对每个LibreChat用户的所有状态进行分区——每个用户都有自己的管道、个人资料、笔记和查看/应用历史记录。

如果LibreChat在Docker中运行，你需要 host.docker.internal 以访问主机上的MCP服务器。确保您的LibreChat撰写文件包括：

extra_hosts:
  - "host.docker.internal:host-gateway"

在任何操作后重新启动LibreChat librechat.yaml 更改：

docker compose restart librechat

______________________________________________________________________

项目结构

jobsearch-mcp/
├── Dockerfile
├── docker-compose.yml
├── .env.example
├── job-watcher.env.example
├── .gitignore
├── requirements.txt
├── requirements-dev.txt
├── pytest.ini
├── LICENSE
├── src/
│   ├── server.py          # Thin FastMCP registry — registers tool modules
│   ├── db.py              # Postgres schema, pipeline tracking, profiles (asyncpg)
│   ├── enricher.py        # Multi-tier JD fetcher (Firecrawl → Crawl4AI → rawFetch) + Valkey cache
│   ├── vector.py          # Qdrant + Ollama bge-m3 embedding and search
│   ├── scorer.py          # Claude-powered fit scoring, profile parsing, resume tailoring
│   ├── job_watcher.py     # Background poller — email alerts for new matches
│   ├── tools/
│   │   ├── jobs.py        # Search, discovery, enrichment tools
│   │   ├── profile.py     # Resume profile tools
│   │   ├── scoring.py     # Fit scoring and cover letter tools
│   │   └── tracking.py    # Application pipeline tools
│   └── sources/
│       ├── adzuna.py      # Adzuna API
│       ├── rss.py         # Remotive, WeWorkRemotely, Jobicy (RSS)
│       ├── usajobs.py     # USAJobs API
│       ├── findwork.py    # Findwork API (optional)
│       ├── themuse.py     # The Muse API (optional)
│       └── jobspy.py      # Indeed, Glassdoor, ZipRecruiter (python-jobspy, opt-in)
└── tests/
    ├── conftest.py
    ├── test_db.py
    ├── test_enricher.py
    ├── test_scorer.py
    └── test_sources.py

______________________________________________________________________

备注

• 多层富集。 get_job_detail 任何在内部获取JD的工具都会首先尝试Firecrawl，如果Firecrawle失败或不可用，则会回退到Crawl4AI，然后回退到原始HTTP获取。结果缓存在Valkey中——对同一URL的重复调用是即时的。
• 事实上，Glassdoor，ZipRecruiter 是通过pythonjobspy可选的基于抓取的源代码。默认情况下不存在 search_jobs call--将它们显式添加到 sources.这些网站积极打击掠夺者；服务器使用全局速率限制器（一次一个jobspy调用，最小间隔12秒）和每个站点的指数回退（60秒）→ 15min).
• 美国职位 包含在默认源列表中。API键可以提高速率限制，但不是必需的。
• score_fit 截断内容。 JD的上限为6000个字符，简历在传递给Claude之前为3000个字符。适用于大多数列表；非常冗长的JD会失去尾巴。
• check_active 回报 active=None 当页面加载但未找到明确的状态信号时，视为可能处于活动状态。
• Postgres架构 启动时自动迁移(ALTER TABLE ... ADD COLUMN IF NOT EXISTS).无需手动迁移。
• 必须拉动bge-m3 最初 index_job 呼叫： ollama pull bge-m3.
• Qdrant收集 (jobs)首次使用时自动创建。
• 多用户 --所有状态都被划分为 X-User-ID同一实例上的多个LibreChat用户只能看到自己的数据。

______________________________________________________________________

安全

URL验证

所有职位列表URL都经过 _validate_url 在富集之前。只接受HTTPS URL——HTTP被阻止以防止明文凭据暴露。私有/内部IP范围（RFC 1918、环回、链路本地、IPv6 ULA）被阻止以防止SSRF。

容器硬化

Docker堆栈中的所有容器都运行：

• user: 1000:1000 --无根进程
• cap_drop: ALL --没有Linux功能
• no-new-privileges: true --防止特权升级
• 孤立的 jobsearch-net 网桥网络——数据库和缓存端口不向主机公开

凭证处理

API密钥(ANTHROPIC_API_KEY, ADZUNA_APP_KEY, USAJOBS_API_KEY等等）从环境变量读取并且仅在对其各自服务的出站请求中使用。服务器不存储或记录凭据。

简历和个人资料数据存储在Postgres中，并通过Ollama在本地嵌入——它们不会发送到任何云嵌入服务。

依赖性审计

CI运行 pip-audit 每一次推。依赖关系被固定 requirements.txt 用于可重复构建。

______________________________________________________________________

许可证

麻省理工学院