Sweepy आपके रिज़्यूमे को कैसे स्कोर करता है और उसकी सीमाएँ

हर कार्ड का प्रतिशत एक चीज़ मापता है: आपके रिज़्यूमे और पोस्टिंग में कितनी शब्दावली साझा है। Sweepy साझा शब्द गिनता है और उनकी व्याख्या कभी नहीं करता। यह डिज़ाइन स्वीप को मुफ़्त, तेज़ और दोहराने योग्य रखता है। यह एक सीमा भी तय करता है।

Sweepy प्रतिशत कैसे बनाता है

Sweepy आपका रिज़्यूमे एक बार पढ़ता है। फिर वह उस टेक्स्ट की तुलना हर सत्यापित पोस्टिंग से करता है।

स्कोर दो मेल मापदंडों को मिलाता है:

• आवश्यकता का मेल (60 प्रतिशत): पोस्टिंग की अपनी कितनी शब्दावली आपके रिज़्यूमे में पहले से दिखती है।
• कीवर्ड का मेल (40 प्रतिशत): पोस्टिंग आपके रिज़्यूमे की कितनी शब्दावली दोहराती है।

आवश्यकता का मेल मिश्रण का 60 प्रतिशत है, क्योंकि मिलान का अर्थ पोस्टिंग तय करती है।

आवश्यकता के मेल के अंदर पोस्टिंग हर शब्द का भार तय करती है:

• अनिवार्य शब्दों का भार बिना लेबल वाले शब्दों से दोगुना है।
• पसंदीदा शब्दों का भार आधा है।
• बिना लेबल वाले शब्द आधार भार लेते हैं।

Sweepy दोनों मापदंडों को एक मान में जोड़ता है। फिर वह इसे आपकी keywords_weight सेटिंग से गुणा करता है और नतीजे को 100 पर सीमित करता है। विज़ार्ड 1.5 लिखता है, और Sweep Settings टाइल उसे बदलती है। जो प्रोफ़ाइल यह कुंजी नहीं देती, वह 1.0 पर स्कोर करती है।

• मेल को अधिक भार देने के लिए keywords_weight बढ़ाएँ।
• जब आपके स्कोर शीर्ष के पास ढेर हो जाएँ, तो इसे 1.0 की ओर घटाएँ।

नोट

आपकी resume.must_have_skills सूची सबसे पहले, सबसे ऊँचे स्तर पर कीवर्ड पूल में जाती है। वे शब्द आपके हर स्कोर किए पोस्टिंग में भार डालते हैं, और जब किसी पोस्टिंग से पढ़ने योग्य शब्द न निकलें, तो स्कोर केवल कीवर्ड मेल पर टिक जाता है।

हर कार्ड उन शब्दों को भी सूचीबद्ध करता है जो नंबर के पीछे हैं। Sweepy प्रति नौकरी अधिकतम छह मिलते शब्द और अधिकतम तीन छूटे शब्द दिखाता है।

कार्ड लेबल

हर कार्ड स्कोर के साथ एक लेबल छापता है। लेबल बताता है कि नंबर किसने निकाला।

• KEYWORD OVERLAP सामान्य स्वीप से Sweepy की अपनी गिनती दर्शाता है। यह मान आवश्यकता के मेल और कीवर्ड के मेल को मिलाता है, और यह लेबल सादे स्वीप के हर कार्ड पर आता है।
• MATCH उस कार्ड को दर्शाता है जहाँ मॉडल ने MCP क्लाइंट से पोस्टिंग पढ़ी और अपना प्रतिशत तय किया।

MATCH कार्ड मूल्यांकन दर्शाता है। KEYWORD OVERLAP कार्ड साझा शब्द दर्शाता है। दोनों आपकी सूची क्रमबद्ध करते हैं, लेकिन अर्थ केवल पहला तौल सकता है।

किन बातों का ध्यान रखें

नियतात्मक स्कोरिंग गति के बदले समझ छोड़ देती है। मूल्यांकन के फ़ैसले गिनती से बाहर रहते हैं।

• पर्यायवाची रूप। पोस्टिंग में guides for developers हो सकता है जबकि रिज़्यूमे में API documentation। शब्द-दर-शब्द मिलान उस जोड़ी को शून्य पर स्कोर करता है।
• वरिष्ठता और दायरा। Led और supported एक ही तरह निकलते हैं। अनुभव के वर्ष, टीम का आकार और बजट की ज़िम्मेदारी स्कोर तक कभी नहीं पहुँचते।
• क्षेत्रों के बीच स्थानांतरण। दूसरे क्षेत्र के कौशल तभी गिने जाते हैं जब आपका रिज़्यूमे उस मेल को नाम दे। lesson planning किसी पोस्टिंग से तब तक मेल नहीं खाता जब तक आपका रिज़्यूमे instructional design भी न कहे।
• करियर की दिशा और नतीजे। 30% वाली पंक्ति 60% वाली पंक्ति से बेहतर फ़िट बता सकती है, भले उसमें ज़्यादा साझा शब्दावली हो। स्कोर आपके लक्ष्य नहीं देख सकता।

प्रतिशत को पठन क्रम मानें। यह बताता है कि कौन सी पोस्टिंग आपके समय के योग्य हैं।

बिना मॉडल और मॉडल के साथ

	बिना LLM	MCP पर LLM के साथ
क्या चलता है	run_sweep अकेला	run_sweep → get_jobs → submit_judgments → render_report
मिलान नंबर	शब्दावली का मेल	मॉडल का मूल्यांकन, या मेल मान जब मॉडल कोई न दे
कार्ड लेबल	NN% KEYWORD OVERLAP	NN% MATCH
सारांश, आवश्यकताएँ, alignment	पोस्टिंग टेक्स्ट से निकाले गए	मॉडल द्वारा लिखे गए
वेतन और लाभ	वेतन संरचित बोर्ड फ़ील्ड से, फिर पोस्टिंग टेक्स्ट से। प्रति घंटा और मासिक दरें अपनी इकाई रखती हैं। लाभ हमेशा Not disclosed	मॉडल पोस्टिंग टेक्स्ट से दोनों पंक्तियाँ लिखता है
लागत	मुफ़्त, ऑफ़लाइन, दोहराने योग्य	MCP क्लाइंट और मॉडल टोकन चाहिए
किसमें बेहतर	एक साथ सैकड़ों पोस्टिंग रैंक करने में	10 से 20 चुनी हुई पोस्टिंग गहराई से पढ़ने में

हर तरीका वह ज़मीन कवर करता है जो दूसरा छोड़ देता है। स्वीप पोस्टिंग के बड़े पूल को रैंक करता है। मॉडल आपकी चुनी सूची को वैसे पढ़ता है जैसे कोई व्यक्ति पढ़ता।

अंतर कैसे घटाएँ

इस सूची को क्रम से अपनाएँ। हर कदम दोनों तरीकों के बीच की दूरी घटाता है।

1. अपने क्षेत्र के पर्यायवाची घोषित करें। resume.synonyms में समानताएँ जोड़ें, जैसे docs-as-code और documentation as code। यह कदम असली मिलानों का स्कोर बाकी सबसे ज़्यादा बढ़ाता है।
2. must_have_skills चुनकर रखें। ये शब्द सबसे ऊँचे स्तर पर कीवर्ड पूल में जाते हैं, इसलिए वे आपके हर स्कोर किए पोस्टिंग में भार डालते हैं।
3. लक्ष्य के अनुसार रिज़्यूमे बाँटें। हर resume.tracks[] प्रविष्टि को अपना path दें। फिर Sweepy भूमिका को उसी भूमिका परिवार के लिए लिखे रिज़्यूमे के सामने स्कोर करता है।
4. keywords_weight समायोजित करें। Sweep Settings टाइल अगले स्वीप में हर कार्ड पर नया भार लागू करती है।
5. हर कार्ड की मिलान सूचियाँ पढ़ें। missing_skills जोड़ने वाले शब्द दिखाता है। मिलते शब्दों की सूची बताती है कि कवर लेटर में क्या पहले रखें।
6. MCP क्लाइंट जोड़ें और हाइब्रिड फ़्लो चलाएँ। मॉडल से कहें कि आपके शीर्ष कार्ड पढ़े और submit_judgments के ज़रिए match_pct तय करे। वे कार्ड NN% MATCH के रूप में फिर से बनते हैं। देखें MCP इंटीग्रेशन।
7. एक नमूना हाथ से आँकें। 20 से 30 पोस्टिंग को खुद मज़बूत, आंशिक या कमज़ोर के रूप में स्कोर करें। अपने क्रम की तुलना Sweepy से करें। जहाँ एक जैसी भूमिकाओं पर दोनों का मत न मिले, वहाँ छूटी अवधारणाएँ resume.synonyms या must_have_skills में जोड़ें।

सुझाव

दोनों तरीके चलाएँ। run_sweep को पूरा पूल रैंक करने दें, फिर दूसरी राय के लिए शीर्ष 10 अपने MCP क्लाइंट से भेजें। आपको व्यापक स्वीप भी मिलता है और मूल्यांकन का दौर भी। केवल चुनी सूची ही मॉडल टोकन खर्च करती है।