Akash Dubey

Akash Dubey

I've been working in software for over 10 years 😉

Modo: scan — Portal Scanner (Descubrimiento de Ofertas)

Modo: scan — Portal Scanner (Descubrimiento de Ofertas)

Escanea portales de empleo configurados, filtra por relevancia de título, y añade nuevas ofertas al pipeline para evaluación posterior.

Ejecución recomendada

Ejecutar como subagente para no consumir contexto del main:

Agent(
    subagent_type="general-purpose",
    prompt="[contenido de este archivo + datos específicos]",
    run_in_background=True
)

Configuración

Leer portals.yml que contiene:

  • search_queries: Lista de queries WebSearch con site: filters por portal (descubrimiento amplio)
  • tracked_companies: Empresas específicas con careers_url para navegación directa
  • title_filter: Keywords positive/negative/seniority_boost para filtrado de títulos

Estrategia de descubrimiento (3 niveles)

Nivel 1 — Playwright directo (PRINCIPAL)

Para cada empresa en tracked_companies: Navegar a su careers_url con Playwright (browser_navigate + browser_snapshot), leer TODOS los job listings visibles, y extraer título + URL de cada uno. Este es el método más fiable porque:

  • Ve la página en tiempo real (no resultados cacheados de Google)
  • Funciona con SPAs (Ashby, Lever, Workday)
  • Detecta ofertas nuevas al instante
  • No depende de la indexación de Google

Cada empresa DEBE tener careers_url en portals.yml. Si no la tiene, buscarla una vez, guardarla, y usar en futuros scans.

Nivel 2 — Greenhouse API (COMPLEMENTARIO)

Para empresas con Greenhouse, la API JSON (boards-api.greenhouse.io/v1/boards/{slug}/jobs) devuelve datos estructurados limpios. Usar como complemento rápido de Nivel 1 — es más rápido que Playwright pero solo funciona con Greenhouse.

Nivel 3 — WebSearch queries (DESCUBRIMIENTO AMPLIO)

Los search_queries con site: filters cubren portales de forma transversal (todos los Ashby, todos los Greenhouse, etc.). Útil para descubrir empresas NUEVAS que aún no están en tracked_companies, pero los resultados pueden estar desfasados.

Prioridad de ejecución:

  1. Nivel 1: Playwright → todas las tracked_companies con careers_url
  2. Nivel 2: API → todas las tracked_companies con api:
  3. Nivel 3: WebSearch → todos los search_queries con enabled: true

Los niveles son aditivos — se ejecutan todos, los resultados se mezclan y deduplicar.

Workflow

  1. Leer configuración: portals.yml
  2. Leer historial: data/scan-history.tsv → URLs ya vistas

  3. Leer dedup sources: data/applications.md + data/pipeline.md

  4. Nivel 1 — Playwright scan (paralelo en batches de 3-5): Para cada empresa en tracked_companies con enabled: true y careers_url definida: a. browser_navigate a la careers_url b. browser_snapshot para leer todos los job listings c. Si la página tiene filtros/departamentos, navegar las secciones relevantes d. Para cada job listing extraer: {title, url, company} e. Si la página pagina resultados, navegar páginas adicionales f. Acumular en lista de candidatos g. Si careers_url falla (404, redirect), intentar scan_query como fallback y anotar para actualizar la URL

  5. Nivel 2 — Greenhouse APIs (paralelo): Para cada empresa en tracked_companies con api: definida y enabled: true: a. WebFetch de la URL de API → JSON con lista de jobs b. Para cada job extraer: {title, url, company} c. Acumular en lista de candidatos (dedup con Nivel 1)

  6. Nivel 3 — WebSearch queries (paralelo si posible): Para cada query en search_queries con enabled: true: a. Ejecutar WebSearch con el query definido b. De cada resultado extraer: {title, url, company}
    • title: del título del resultado (antes del “ @ “ o “”)
    • url: URL del resultado
    • company: después del “ @ “ en el título, o extraer del dominio/path c. Acumular en lista de candidatos (dedup con Nivel 1+2)
  7. Filtrar por título usando title_filter de portals.yml:
    • Al menos 1 keyword de positive debe aparecer en el título (case-insensitive)
    • 0 keywords de negative deben aparecer
    • seniority_boost keywords dan prioridad pero no son obligatorios
  8. Deduplicar contra 3 fuentes:
    • scan-history.tsv → URL exacta ya vista
    • applications.md → empresa + rol normalizado ya evaluado
    • pipeline.md → URL exacta ya en pendientes o procesadas

  9. Para cada oferta nueva que pase filtros: a. Añadir a pipeline.md sección “Pendientes”: - [ ] {url} | {company} | {title} b. Registrar en scan-history.tsv: {url}\t{date}\t{query_name}\t{title}\t{company}\tadded

  10. Ofertas filtradas por título: registrar en scan-history.tsv con status skipped_title
  11. Ofertas duplicadas: registrar con status skipped_dup

Extracción de título y empresa de WebSearch results

Los resultados de WebSearch vienen en formato: "Job Title @ Company" o "Job Title | Company" o "Job Title — Company".

Patrones de extracción por portal:

  • Ashby: "Senior AI PM (Remote) @ EverAI" → title: Senior AI PM, company: EverAI
  • Greenhouse: "AI Engineer at Anthropic" → title: AI Engineer, company: Anthropic
  • Lever: "Product Manager - AI @ Temporal" → title: Product Manager - AI, company: Temporal

Regex genérico: (.+?)(?:\s*[@|—–-]\s*|\s+at\s+)(.+?)$

URLs privadas

Si se encuentra una URL no accesible públicamente:

  1. Guardar el JD en jds/{company}-{role-slug}.md
  2. Añadir a pipeline.md como: - [ ] local:jds/{company}-{role-slug}.md | {company} | {title}

Scan History

data/scan-history.tsv trackea TODAS las URLs vistas:

url	first_seen	portal	title	company	status
https://...	2026-02-10	Ashby — AI PM	PM AI	Acme	added
https://...	2026-02-10	Greenhouse — SA	Junior Dev	BigCo	skipped_title
https://...	2026-02-10	Ashby — AI PM	SA AI	OldCo	skipped_dup

Resumen de salida

Portal Scan — {YYYY-MM-DD}
━━━━━━━━━━━━━━━━━━━━━━━━━━
Queries ejecutados: N
Ofertas encontradas: N total
Filtradas por título: N relevantes
Duplicadas: N (ya evaluadas o en pipeline)
Nuevas añadidas a pipeline.md: N

  + {company} | {title} | {query_name}
  ...

→ Ejecuta /career-ops pipeline para evaluar las nuevas ofertas.

Gestión de careers_url

Cada empresa en tracked_companies debe tener careers_url — la URL directa a su página de ofertas. Esto evita buscarlo cada vez.

Patrones conocidos por plataforma:

  • Ashby: https://jobs.ashbyhq.com/{slug}
  • Greenhouse: https://job-boards.greenhouse.io/{slug} o https://job-boards.eu.greenhouse.io/{slug}
  • Lever: https://jobs.lever.co/{slug}
  • Custom: La URL propia de la empresa (ej: https://openai.com/careers)

Si careers_url no existe para una empresa:

  1. Intentar el patrón de su plataforma conocida
  2. Si falla, hacer un WebSearch rápido: "{company}" careers jobs
  3. Navegar con Playwright para confirmar que funciona
  4. Guardar la URL encontrada en portals.yml para futuros scans

Si careers_url devuelve 404 o redirect:

  1. Anotar en el resumen de salida
  2. Intentar scan_query como fallback
  3. Marcar para actualización manual

Mantenimiento del portals.yml

  • SIEMPRE guardar careers_url cuando se añade una empresa nueva
  • Añadir nuevos queries según se descubran portales o roles interesantes
  • Desactivar queries con enabled: false si generan demasiado ruido
  • Ajustar keywords de filtrado según evolucionen los roles target
  • Añadir empresas a tracked_companies cuando interese seguirlas de cerca
  • Verificar careers_url periódicamente — las empresas cambian de plataforma ATS