Comment Sweepy note votre CV et ses limites

Le pourcentage sur chaque fiche mesure une seule chose : la part de vocabulaire partagée entre votre CV et l’offre. Sweepy compte les termes communs et ne les interprète jamais. Ce choix garde un balayage gratuit, rapide et reproductible. Il fixe aussi un plafond.

Comment Sweepy construit le pourcentage

Sweepy lit votre CV une seule fois. Il compare ensuite ce texte à chaque offre validée.

Le score combine deux mesures de chevauchement :

• Chevauchement des exigences (60 pour cent) : la part de la formulation de l’offre que votre CV montre déjà.
• Chevauchement de mots-clés (40 pour cent) : la part du vocabulaire de votre CV que l’offre répète.

Le chevauchement des exigences compte pour 60 pour cent du mélange, car l’offre définit le sens de la correspondance.

Dans le chevauchement des exigences, l’offre fixe un poids pour chaque terme :

• Les termes requis pèsent deux fois plus que les termes non étiquetés.
• Les termes préférés pèsent moitié moins.
• Les termes non étiquetés utilisent le poids de base.

Sweepy combine les deux mesures en une seule valeur. Il multiplie ensuite par votre paramètre keywords_weight et plafonne le résultat à 100. L’assistant écrit 1.5, et la tuile Sweep Settings le modifie. Un profil qui omet la clé obtient 1.0.

• Augmentez keywords_weight pour récompenser le chevauchement.
• Abaissez-le vers 1.0 quand vos scores s’agglutinent près du maximum.

Remarque

Votre liste resume.must_have_skills entre dans le pool de mots-clés en premier, au niveau le plus élevé. Ces termes pèsent sur chaque offre notée, et le score se rabat sur le seul chevauchement de mots-clés quand une offre ne fournit pas de termes lisibles.

Chaque fiche liste aussi les termes derrière le nombre. Sweepy affiche jusqu’à six termes correspondants et jusqu’à trois termes manquants par poste.

Étiquettes des fiches

Chaque fiche affiche le score avec une étiquette. L’étiquette indique qui a produit le nombre.

• KEYWORD OVERLAP marque le comptage de Sweepy lors d’un balayage standard. La valeur combine le chevauchement des exigences et le chevauchement de mots-clés, et cette étiquette apparaît sur chaque fiche produite par un balayage simple.
• MATCH marque une fiche où un modèle a lu l’offre via un client MCP et fixé son propre pourcentage.

Une fiche MATCH reflète une évaluation. Une fiche KEYWORD OVERLAP reflète des mots partagés. Les deux ordonnent votre liste, mais seule la première peut peser le sens.

Points à surveiller

La notation déterministe échange la compréhension contre la vitesse. Les jugements restent hors du comptage.

• La paraphrase. Une offre peut écrire guides for developers alors qu’un CV écrit API documentation. La correspondance mot à mot note cette paire à zéro.
• Le niveau et le périmètre. Led et supported s’extraient de la même façon. Les années d’expérience, la taille de l’équipe et la responsabilité budgétaire n’entrent jamais dans le score.
• Le transfert entre domaines. Les compétences d’un autre domaine comptent seulement quand votre CV nomme le recoupement. lesson planning ne correspond à aucune offre tant que votre CV ne dit pas aussi instructional design.
• La trajectoire et les résultats. Une ligne à 30 % peut décrire une meilleure adéquation qu’une ligne à 60 % avec plus de vocabulaire partagé. Le score ne voit pas vos objectifs.

Traitez le pourcentage comme un ordre de lecture. Il indique quelles offres méritent votre temps.

Sans modèle et avec un modèle

	Sans LLM	Avec un LLM via MCP
Ce qui s’exécute	run_sweep seul	run_sweep → get_jobs → submit_judgments → render_report
Nombre de compatibilité	Chevauchement de vocabulaire	Évaluation du modèle, ou la valeur de chevauchement quand le modèle n’en fournit aucune
Étiquette de la fiche	NN% KEYWORD OVERLAP	NN% MATCH
Résumé, exigences, alignement	Extrait du texte de l’offre	Rédigé par le modèle
Rémunération et avantages	Rémunération issue des champs structurés du site, puis du texte de l’offre. Les taux horaires et mensuels gardent leur unité. Avantages toujours Not disclosed	Le modèle rédige les deux lignes depuis le texte de l’offre
Coût	Gratuit, hors ligne, reproductible	Exige un client MCP et des jetons de modèle
Le plus efficace pour	Classer des centaines d’offres d’un coup	Lire en profondeur 10 à 20 offres présélectionnées

Chaque mode couvre un terrain que l’autre manque. Le balayage classe un grand pool d’offres. Le modèle lit votre présélection comme le ferait une personne.

Comment réduire l’écart

Parcourez cette liste dans l’ordre. Chaque étape rapproche les deux modes.

1. Déclarez les synonymes de votre domaine. Ajoutez les équivalences dans resume.synonyms, comme docs-as-code et documentation as code. Cette étape relève le score des vraies correspondances plus que toute autre.
2. Affinez must_have_skills. Ces termes entrent dans le pool de mots-clés au niveau le plus élevé, donc ils pèsent sur chaque offre notée.
3. Séparez les CV par cible. Donnez à chaque entrée resume.tracks[] son propre path. Sweepy note alors un poste par rapport au CV écrit pour cette famille de postes.
4. Réglez keywords_weight. La tuile Sweep Settings applique un nouveau poids à chaque fiche au balayage suivant.
5. Lisez les listes de correspondances de chaque fiche. missing_skills montre les termes à ajouter. La liste des termes correspondants montre ce qu’il faut mettre en avant dans une lettre de motivation.
6. Connectez un client MCP et lancez le flux hybride. Demandez au modèle de lire vos meilleures fiches et de fixer match_pct via submit_judgments. Ces fiches se réaffichent en NN% MATCH. Voir Intégration MCP.
7. Évaluez un échantillon à la main. Notez vous-même 20 à 30 offres comme fortes, partielles ou faibles. Comparez votre ordre à celui de Sweepy. Là où les deux divergent sur les mêmes types de postes, ajoutez les concepts manquants dans resume.synonyms ou must_have_skills.

astuce

Lancez les deux modes. Laissez run_sweep classer le pool complet, puis envoyez les 10 meilleures à votre client MCP pour un second avis. Vous gardez le balayage large et gagnez la passe d’évaluation. Seule la présélection consomme des jetons de modèle.