Sweepy が履歴書を採点する仕組みと限界
各カードの割合は 1 つのことだけを測ります。履歴書と求人がどれだけ語彙を共有しているかです。Sweepy は共有する用語を数えるだけで、意味を解釈しません。この設計により、スイープは無料で高速に、同じ結果を再現できます。同時に上限も決まります。
Sweepy が割合を組み立てる仕組み
Sweepy は履歴書を 1 回読み取ります。その後、検証済みのすべての求人とそのテキストを比較します。
スコアは 2 つの一致指標を合成します。
- 要件の一致（60 パーセント）: 求人側の表現のうち、あなたの履歴書にすでに現れている割合です。
- キーワードの重複（40 パーセント）: あなたの履歴書の語彙のうち、求人が繰り返している割合です。
一致の意味を決めるのは求人側であるため、要件の一致が合成の 60 パーセントを占めます。
要件の一致の中では、求人が用語ごとに重みを決めます。
- 必須の用語は表示のない用語の 2 倍の重みです。
- 歓迎の用語は半分の重みです。
- 表示のない用語は基本の重みを使います。
Sweepy は両方の指標を 1 つの値に合成します。その後、keywords_weight の設定を掛け、結果を 100 で上限を取ります。ウィザードは 1.5 を書き込み、Sweep Settings タイルで変更できます。このキーを省略したプロファイルは 1.0 で採点されます。
- 重複を評価するには
keywords_weightを上げます。 - スコアが上位に集まる場合は
1.0に近づけます。
resume.must_have_skills のリストは、最も強い段階としてキーワードのプールに最初に入ります。これらの用語は採点するすべての求人に重みとして効き、求人から読み取れる用語が得られない場合はキーワードの重複だけでスコアを出します。
各カードには、数値の根拠となる用語も並びます。Sweepy は求人ごとに一致した用語を最大 6 件、不足している用語を最大 3 件表示します。
カードの表示
すべてのカードはスコアとラベルを表示します。ラベルは、その数値を誰が作ったかを示します。
KEYWORD OVERLAPは、標準のスイープで Sweepy 自身が数えたことを示します。値は要件の一致とキーワードの重複を合成したもので、通常のスイープが作るすべてのカードにこのラベルが付きます。MATCHは、モデルが MCP クライアント経由で求人を読み、独自の割合を設定したカードを示します。
MATCH のカードは判定を反映します。KEYWORD OVERLAP のカードは共有する単語を反映します。どちらもリストを並べますが、意味を重んじられるのは前者だけです。
注意すべき点
決定的な採点は、理解と引き換えに速度を得ます。判断を要する要素は数に入りません。
- 言い換え。 求人に
guides for developersとあり、履歴書にAPI documentationとある場合、語句そのものの照合ではこの組み合わせは 0 点になります。 - 年次と職務範囲。
Ledとsupportedは同じように抽出されます。経験年数、チームの規模、予算の責任範囲はスコアに入りません。 - 分野間の転用。 別分野のスキルは、履歴書が重なりを明記したときにだけ数えられます。
lesson planningは、履歴書にinstructional designと書くまでどの求人にも一致しません。 - キャリアの方向性と成果。 30% の行が、共有語彙の多い 60% の行より適した求人を表すことがあります。スコアはあなたの目標を見ません。
割合は読む順序として扱ってください。どの求人に時間をかけるべきかを示します。
モデルなしの場合とモデルありの場合
| LLM なし | MCP 経由の LLM あり | |
|---|---|---|
| 実行するもの | run_sweep のみ | run_sweep → get_jobs → submit_judgments → render_report |
| マッチの数値 | 語彙の重複 | モデルの判定、モデルが値を渡さない場合は重複の値 |
| カードのラベル | NN% KEYWORD OVERLAP | NN% MATCH |
| 要約、要件、整合性 | 求人本文から抽出 | モデルが作成 |
| 給与と福利厚生 | 給与は構造化されたサイトの項目から、次に求人本文から取得します。時給と月給は単位を保ちます。福利厚生は常に Not disclosed | モデルが求人本文から両方の行を書きます |
| コスト | 無料、オフライン、再現可能 | MCP クライアントとモデルのトークンが必要 |
| 得意なこと | 何百もの求人を一度に順位付けする | 絞り込んだ 10 件から 20 件の求人を深く読む |
それぞれの方式は、もう一方が苦手な領域を補います。スイープは大きな求人の集まりを順位付けします。モデルは人のように候補リストを読みます。
差を縮める方法
このリストを上から順に進めてください。各手順が 2 つの方式の隔たりを狭めます。
- 自分の分野の類義語を宣言します。
resume.synonymsにdocs-as-codeとdocumentation as codeのような同等の組を追加します。この手順は、実際に合う求人のスコアを他のどれよりも大きく上げます。 must_have_skillsを整えます。 これらの用語は最も強い段階でキーワードのプールに入るため、採点するすべての求人に重みとして効きます。- 目標ごとに履歴書を分けます。
resume.tracks[]の各項目に独自のpathを設定します。Sweepy はその職種群向けに書いた履歴書で求人を採点します。 keywords_weightを調整します。 Sweep Settings タイルは、次のスイープですべてのカードに新しい重みを適用します。- 各カードの一致リストを読みます。
missing_skillsは追加すべき用語を示します。一致した用語のリストは、カバーレターで先に出す内容を示します。 - MCP クライアントを接続し、ハイブリッドの流れを実行します。 モデルに上位のカードを読ませ、
submit_judgmentsでmatch_pctを設定させます。そのカードはNN% MATCHとして再表示されます。MCP 連携を参照してください。 - サンプルを手作業で評価します。 20 件から 30 件の求人を、強い、一部一致、弱いの 3 段階で自分で採点します。自分の順序と Sweepy の順序を比べます。同じ種類の求人で両者が食い違う場合は、足りない概念を
resume.synonymsかmust_have_skillsに追加します。
両方の方式を実行します。run_sweep にプール全体を順位付けさせ、上位 10 件を MCP クライアントに送って第二の意見を得ます。広いスイープを保ちながら、判定の工程も得られます。モデルのトークンを消費するのは候補リストだけです。