Cómo evalúa Sweepy tu currículum y cuáles son sus limitaciones

El porcentaje que aparece en cada ficha mide una sola cosa: la cantidad de vocabulario que comparten tu currículum y la oferta de empleo. Sweepy cuenta los términos comunes y nunca los interpreta. Este diseño hace que el análisis sea sencillo, rápido y repetible. Además, establece un límite máximo.

Cómo calcula Sweepy el porcentaje

Sweepy lee tu currículum una vez. A continuación, compara ese texto con todas las ofertas de empleo que ha validado.

La partitura combina dos medidas superpuestas:

• Coincidencia de requisitos (60 %): qué parte del texto de la oferta de empleo ya figura en tu currículum.
• Solapamiento de palabras clave (40 %): qué porcentaje del vocabulario de tu currículum se repite en la oferta de empleo.

La coincidencia de requisitos representa el 60 % de la combinación, ya que la publicación define qué se entiende por «coincidencia».

En el marco de la superposición de requisitos, la publicación establece una ponderación para cada término:

• Los términos obligatorios tienen el doble de peso que los términos sin etiquetar.
• Los términos preferidos cuentan la mitad.
• Los términos sin etiquetar utilizan el peso base.

Sweepy combina ambas medidas en un único valor. A continuación, lo multiplica por el valor establecido en keywords_weight y limita el resultado a 100. El asistente introduce 1,5, y el mosaico Configuración de Sweep lo modifica. Un perfil que omite la clave obtiene una puntuación de 1,0.

• Aumenta el valor de keywords_weight para premiar la coincidencia.
• Redúcelo hacia 1,0 cuando tus puntuaciones se concentren cerca de la parte superior.

nota

Tu lista resume.must_have_skills se añade primero al conjunto de palabras clave, en el nivel más alto. Esos términos se tienen en cuenta en cada oferta de empleo que evalúas, y la puntuación se basa únicamente en la coincidencia de palabras clave cuando una oferta no contiene términos legibles.

Cada ficha también incluye los términos que corresponden a cada número. Sweepy muestra hasta seis términos coincidentes y hasta tres términos que faltan por cada trabajo.

Etiquetas para tarjetas

Cada tarjeta muestra la puntuación junto a una etiqueta. La etiqueta indica quién ha obtenido esa puntuación.

• SOBREPUESTO DE PALABRAS CLAVE indica el recuento propio de Sweepy a partir de un barrido estándar. El valor combina el solapamiento de requisitos y el solapamiento de palabras clave, y esta etiqueta aparece en todas las fichas que genera un barrido simple.
• MATCH indica una ficha en la que un modelo ha leído la publicación a través de un cliente MCP y ha establecido su propio porcentaje.

Una carta «MATCH» refleja el criterio. Una carta «KEYWORD OVERLAP» refleja las palabras comunes. Ambas ordenan tu lista, pero solo la primera puede valorar el significado.

A qué hay que prestar atención

La puntuación determinista antepone la rapidez a la comprensión de las jugadas. Las decisiones discrecionales no se tienen en cuenta.

• Parafraseo. Una publicación puede incluir «guías para desarrolladores», mientras que un currículum incluye «documentación de la API». Las coincidencias palabra por palabra dan un resultado de cero.
• Antigüedad y alcance. Los criterios «dirigido» y «apoyado» se evalúan de la misma manera. Los años de experiencia, el tamaño del equipo y la responsabilidad sobre el presupuesto nunca influyen en la puntuación.
• Transferencia entre ámbitos. Las habilidades de otro ámbito solo se tienen en cuenta cuando en tu currículum se mencione la coincidencia. «planificación de clases» no coincide con ninguna oferta de empleo hasta que en tu currículum también figure «diseño instruccional».
• Orientación profesional y resultados. Una fila con un 30 % puede indicar una mejor compatibilidad que una con un 60 %, aunque esta última tenga más vocabulario en común. La puntuación no tiene en cuenta tus objetivos.

Considera el porcentaje como un orden de lectura. Te indica qué publicaciones merecen tu atención.

Sin modelo frente a con modelo

	Sin LLM	Con LLM a través de MCP
¿Qué funciona?	solo run_sweep	run_sweep → get_jobs → submit_judgments → render_report
Número de coincidencia	Solapamiento de vocabulario	Veredicto del modelo, o el valor de solapamiento cuando el modelo no aprueba ninguno
Etiqueta de la tarjeta	NN % DE SOLAPAMIENTO DE PALABRAS CLAVE	NN% COINCIDENCIA
Resumen, requisitos, alineación	Extraído del texto de la publicación	Escrito por la modelo
Remuneración y prestaciones	La remuneración se indica primero en los campos estructurados del tablón y, a continuación, en el texto de la oferta. Las tarifas por hora y mensuales conservan su unidad. Las prestaciones siempre aparecen como «No reveladas».	El modelo escribe ambas líneas del texto de la publicación
Coste	Gratuito, sin conexión, repetible	Requiere un cliente MCP y tokens de modelo
Lo mejor es	Clasificar cientos de publicaciones a la vez	Leer en profundidad entre 10 y 20 anuncios preseleccionados

Cada modo cubre lo que al otro se le escapa. La búsqueda analiza una amplia selección de ofertas de empleo. El modelo revisa tu lista de favoritos tal y como lo haría una persona.

Cómo reducir la diferencia

Ve siguiendo esta lista. Cada paso reduce la distancia entre los dos modos.

1. Declara los sinónimos de tu campo. Añade equivalencias a resume.synonyms, como docs-as-code y documentation as code. Este paso es el que más contribuye a aumentar la puntuación de las coincidencias reales.
2. Selecciona must_have_skills. Estos términos se incorporan al conjunto de palabras clave en el nivel más alto, por lo que influyen en cada publicación que evalúes.
3. División de los currículums por destino. Asigna a cada entrada de resume.tracks[] su propia path. A continuación, Sweepy evalúa un puesto en función del currículum redactado para esa familia de puestos.
4. Ajusta keywords_weight. El mosaico Configuración de barrido aplica una nueva ponderación a todas las tarjetas en el siguiente barrido.
5. Lee las listas de coincidencias de cada ficha. missing_skills muestra los términos que hay que añadir. La lista de términos coincidentes indica con qué debes empezar la carta de presentación.
6. Conecta un cliente MCP y ejecuta el flujo híbrido. Pide al modelo que lea tus primeras cartas y establece match_pct mediante submit_judgments. Esas cartas se volverán a mostrar como NN% MATCH. Consulta la integración con MCP.
7. Evalúa una muestra manualmente. Califica tú mismo entre 20 y 30 anuncios como «sólidos», «parciales» o «débiles». Compara tu clasificación con la de Sweepy. Cuando ambas clasificaciones discrepen en los mismos tipos de puestos, añade los conceptos que falten a resume.synonyms o must_have_skills.

consejo

Ejecuta ambos modos. Deja que run_sweep clasifique el conjunto completo y, a continuación, envía los 10 primeros a tu cliente MCP para obtener una segunda opinión. Así conservas el barrido amplio y obtienes la ronda de evaluación. Solo la lista reducida consume tokens del modelo.