Career RAG
Creador · Backend
Vaig convertir el meu historial professional dispers en una memòria privada que qualsevol assistent d'IA pot consultar i actualitzar per MCP.
Stack
MCP, Supabase, pgvector, PostgreSQL, OAuth 2.1, RAG
Enllaços
Resum
Els CV i els perfils de LinkedIn perden detall. L’experiència multidisciplinària (backend, arquitectura, lideratge, mentoria) no encaixa bé en un títol de feina, i cada cop que escrivia un CV, una carta de presentació o preparava una entrevista havia de reconstruir aquest context de memòria.
Career RAG és un servidor MCP remot que desa la meva experiència com a empreses, rols, projectes, evidències concretes i skills. Claude, ChatGPT, Codex o qualsevol altre client MCP hi pot cercar, afegir-hi informació i contrastar-hi una oferta de feina, amb respostes basades en el que realment vaig fer.
Un backend determinista, a propòsit
El LLM del client és qui pensa: entén el que dic en qualsevol idioma, ho estructura i escriu una capa en anglès per a la cerca. El servidor mai genera text. Valida, desa, indexa i recupera, de manera que no es pot inventar experiència.
Cada registre té dues capes: camps en anglès optimitzats per a la cerca semàntica i la meva redacció original, tal qual. Les inferències es desen com a inferides, amb una explicació, i mai passen a ser fets sense avisar.
La meva contribució
- Vaig dissenyar el model de dades, amb projectes i evidències com a unitat de recuperació en lloc dels títols de feina.
- Vaig construir la cerca híbrida en SQL: cerca semàntica amb pgvector, full-text de Postgres i coincidència exacta de skills, combinades amb Reciprocal Rank Fusion.
- Vaig implementar un flux d’ingesta esborrany → confirmació, perquè cada canvi es revisi abans de desar-se i en conservi la procedència.
- El vaig publicar com a servidor MCP remot a Supabase Edge Functions, protegit amb OAuth 2.1 i row-level security.
- Vaig afegir un matching heurístic de requisits d’ofertes que indica cobertura i mancances juntament amb les evidències que ho avalen.
Què demostra
Aquest projecte mostra com abordo els sistemes d’IA: posar el LLM on aporta valor, mantenir el backend determinista i auditable, i dissenyar la recuperació al voltant de les preguntes que la gent fa de debò. És RAG, modelatge de dades i autenticació aplicats a un problema que tenia jo mateix.
Stack
- Supabase: Postgres, pgvector, full-text search, Edge Functions i Auth (OAuth 2.1 + DCR)
- Embeddings integrats
gte-small, sense API d’IA externes - Model Context Protocol (Streamable HTTP)