JobEasy

概要

JobEasy は、ジュニアエンジニアの就職活動を1つのアプリにまとめます。Wantedly、CareerForum、japan-dev から毎朝ジュニア向けの求人をスクレイピングし、その求人に応募する価値があるかを判定します。ブラウザを離れずに履歴書を調整でき、応募ごとにタスクリストと面接コーチも使えます。

このアプリを作って新しく学んだこと：

• Devise によるセッションベースの認証と、Pundit による認可
• JSON API とプレーンな HTML を対象にした、バックグラウンドジョブでの定期スクレイピング
• JWT 認証とコールバックを使った、サードパーティ API（OnlyOffice テキストエディタ）の連携
• RubyLLM 経由での OpenAI 連携と、レスポンスの JSONB 保存（RubyLLM Schema）

対象ユーザー

日本で就職活動をしているジュニアエンジニアです。1社目や2社目のエンジニア職に応募する人が多く、複数の求人サイトを同時に使っている人を想定しています。

課題

「LinkedIn でジュニア求人が見つからない」 多くのジュニアエンジニアは LinkedIn を求人サイトとして使っていますが、LinkedIn は最も競争が激しいサイトです。競争の少ない小さな求人サイトはたくさんありますが、毎日すべてをチェックし続けるのは現実的ではありません。

「自分は条件を満たしていないから、応募しない」 「経験2年以上」と書かれた時点で応募をあきらめるジュニアは多いです。実際には十分にチャンスがある場合でも、応募する価値があるかを簡単に判断する方法がありません。

「就活で使うツールが多すぎる」 就活の作業が、5〜10個の求人サイトのログイン、管理用のスプレッドシート、求人ごとに履歴書を直すための Microsoft Word、別タブで開く Claude や ChatGPT（面接対策用）に分散しています。

「応募や面接のあと、何をすればいいかわからない」 応募や面接を記録したあとは、次の行動がはっきりしません。フォローアップのリマインドもなく、面接で何を聞かれるかを整理する方法もありません。

機能

求人の一括集約

複数のサイト（Wantedly、CareerForum、japan-dev）の求人をスクレイピングし、1つのフィードにまとめます。毎日10個以上の求人サイトを手動でチェックする必要はありません。

AIによる「応募する価値があるか」の判定

各求人をあなたの履歴書と照らし合わせ、構造化された形で率直にフィット感を判定します。「経験2年以上」と書かれていても、応募できる範囲かを確認する前にあきらめる必要はありません。

オールインワンのワークフロー

ブラウザ内の履歴書エディタで、アプリを離れたり Word を開いたりせずに、求人ごとに CV を調整できます。応募状況も別のスプレッドシートではなく、アプリ内で管理できます。

面接コーチとタスクリスト

応募ごとにチャット形式のコーチと ToDo リストがあり、次に何をすべきか、何をフォローアップすべきかで迷いません。

データベース設計

ポイント：

• Users と JobOpenings は、中間テーブル job_applications で関連付けています。User は複数の job_applications を持ち、job_applications を通じて複数の job_openings を持ちます。
• Resumes と job_applications は 1:N の関係なので、resumes テーブルに外部キーを持たせています。User は job_applications を通じて複数の resumes を持ち、各 Resume は1つの job_application に属します。

技術的な課題

OnlyOffice API 連携

アプリにテキストエディタを組み込むために、いろいろな選択肢を試しました。最終的に OnlyOffice を選んだ理由は次の3つです。

1. UI が見やすい
2. 同時保存ができる
3. CV のインデント、太字などのスタイルを保持できる

全体の流れ：

1. 履歴書をアップロード
   • ユーザーが .docx をアップロードすると、POST /resumes が呼ばれます。
   • ファイルは、Resume インスタンスに Active Storage（Cloudinary）ファイルとして保存されます。
   • extract_content が文書をテキストに変換し、Resume の content として保存します。
   • このインスタンス用に、ランダムなコールバックトークンを作成します。
   • 完了後、ユーザーは履歴書の編集ページ（GET /resumes/:id/edit）にリダイレクトされます。
2. Rails が署名付きのエディタ設定を作成
   • ResumesController#edit が OnlyOffice エディタ用の設定ハッシュを作り、JWT で署名します。
   • 設定は編集ページに埋め込まれ、ブラウザが DocsAPI.DocEditor に渡し、OnlyOffice サーバーに送られます。
   • JWT の構成：
     • Header： HS256 アルゴリズム
     • Payload： ドキュメント URL（Cloudinary URL）、ドキュメントキー、ファイルタイプ、コールバック URL、ユーザーのハッシュ
     • Signature： Header と Payload を ONLYOFFICE_JWT_SECRET で HS256 署名したもの

   ドキュメント：Config、Document、Editor

3. ブラウザがエディタを表示
   • ビューが OnlyOffice サーバーから api.js をスクリプトとして読み込みます。
4. OnlyOffice がファイルを取得
   • OnlyOffice サーバーが、共有シークレットで設定の JWT を検証します。
   • Cloudinary URL から .docx をダウンロードします。
   • ファイルを変換し、document.key をキーにキャッシュします。このキーは保存のたびに変わります。
5. ユーザーが編集
   • エディタを閉じると保存が始まります。OnlyOffice が編集内容から完成した .docx を作り、status: 2 と完成ファイルへのリンクを付けて、コールバック URL にリクエストを送ります。
6. バックグラウンドジョブが新しいバージョンを保存
   • ResumeSaveJob が完成した .docx をダウンロードし、Cloudinary 上の古いファイルを新しいファイルに置き換えます。
   • Resume の updated_at を更新します。これで document.key が変わるため、次回のエディタセッションでは新しいファイルが読み込まれます。

求人スクレイパー

3つのバックグラウンドジョブを、rake タスクから起動します。このタスクを Heroku Scheduler で、毎日日本時間の朝9時に実行しています。

全体の流れ：

1. Heroku Scheduler が rails jobs:scrape を実行します。

2. ScrapeJapandevJob
   • Japan Dev の Meilisearch API にリクエストを送り、junior と new_grad のシニオリティで絞り込みます。
   • 各求人について、その会社の求人を API から取得し、詳細な職務内容と会社情報を得ます。
   • HTML の職務内容を Nokogiri でプレーンテキストに変換します。
   • リクエスト間に0.3秒の sleep を入れます。
   • 結果を会社と求人のハッシュの配列に保存し、それをもとに Company と JobOpening のレコードを作成します。
3. ScrapeCFNJob
   • 会社一覧 API の1〜12ページを、「IT」を含むカテゴリーで絞り込んで取得します。
   • 各求人について、求人 API から職務内容と給与を取得します。正規表現で「円」で終わる金額を抽出します。
   • 結果を会社と求人のハッシュの配列に保存し、それをもとに Company と JobOpening のレコードを作成します。
4. ScrapeWantedlyJob
   • 「Ruby」「Tokyo」「未経験」で検索した結果の1〜5ページを取得します。
   • CSS セレクターで HTML から求人情報を抽出します。
   • 各求人ページを開き、職務内容、会社情報、給与を取得します。
   • 結果を会社と求人のハッシュの配列に保存し、それをもとに Company と JobOpening のレコードを作成します。

CV 提案のための RubyLLM スキーマ

履歴書の編集ページで「Ask JobEasy for suggestions」をクリックすると、Rails が履歴書のテキストと求人の職務内容を、RubyLLM 経由で OpenAI に送ります。構造化された回答を得るために、レスポンスを JSONB として保存しています。この過程で RubyLLM のスキーマ（AiResponseSchema）の使い方を学びました。

1. 履歴書のテキストを取得
   • アップロードの流れと同じで、ドキュメントは Resume に Active Storage（Cloudinary）ファイルとして保存されています。extract_content がテキストに変換し、content として保存します。
2. ユーザーが提案をリクエスト
   • ボタンが POST /resumes/:id/recommendations を送ります。
3. レスポンスの形を定義
   • ai_response JSONB の形を、事前に定義します。

   class AiResponseSchema < RubyLLM::Schema
     string :order_advice,      description: "..."   # プロジェクト/経験をどこに置くか
     string :summary_advice,    description: "..."   # 冒頭のサマリーの書き方
     array  :additional_advice, of: :string, description: "..."  # 追加のアドバイス（最大5件）
   end
   

4. LLM を呼び出す
   • ResumesController の recommendations アクションが LLM を呼びます。

   chat = RubyLLM.chat.with_schema(AiResponseSchema)
   response = chat.ask("You are a professional tech recruiter ... #{@resume.content} ... #{job_opening.title} ... #{job_opening.content} ...")
   

5. 構造化された結果を読み取って保存

6. 提案を表示
   • アドバイスは1件ずつカードとして表示されます。「×」をクリックすると DELETE /resumes/:id/advices/:advice_id が送られ、そのアドバイスの id が ai_response["dismissed"] に追加されます。

完成したアプリ

アプリは jobeasy.space で試せます。