Loading...
Community presentation
🤖 Analyse Complète — AI Job Agent (MAHMOUD) 🎯 C'est quoi ce projet ? C'est une application web intelligente de recherche d'emploi automatisée, construite en Python (Flask). El…
Create your own version
Use this visual direction as inspiration for a new Presenton deck.
Use this designCreator prompt
🤖 Analyse Complète — AI Job Agent (MAHMOUD) 🎯 C'est quoi ce projet ? C'est une application web intelligente de recherche d'emploi automatisée, construite en Python (Flask). Elle collecte des offres d'emploi réelles depuis Internet, les filtre, et décide lesquelles correspondent à ton profil. Aucune offre n'est inventée — tout vient de sources réelles. 🏗️ Architecture Globale (les 3 images expliquées) Image 1 — Skill 2 : Job Discovery Agent C'est le moteur de collecte : Il va chercher automatiquement sur LinkedIn, Indeed, Job boards, APIs publiques Il ramène des "offres brutes" (non filtrées) Image 2 — Skill 3 : Matching Agent C'est le moteur de décision : Il compare ton CV + compétences + expérience + localisation + salaire avec chaque offre Il calcule un Score de match Si le score est faible → Ignorer ; si bon match → garder Image 3 — Interface Web (127.0.0.1:8000) C'est le workflow visuel que tu vois dans le navigateur. Il montre : 162 offres collectées en mémoire 112 résultats après décision 5 étapes : Profil → Critères → Collecte → Décision → Résultats 📁 Structure des Fichiers (le ZIP) MAHMOUD/ ├── app.py ← 🧠 Cerveau principal (API Flask) ├── requirements.txt ← Flask + requests (2 dépendances seulement) ├── .env.example ← Configuration (clé secrète, Ollama optionnel) ├── data/ │ └── store.json ← 💾 Base de données locale (profil, offres, résultats) ├── services/ │ ├── job_sources.py ← 🌐 Collecte des offres (6 sources) │ ├── decision.py ← ⚖️ Algorithme de matching │ └── llm.py ← 🤖 IA optionnelle (Ollama) ├── templates/index.html ← 🖥️ Interface utilisateur └── static/ ├── app.js ← Interactions JavaScript └── style.css ← Design de l'interface 🔄 Comment ça fonctionne étape par étape Étape 1 — Tu remplis ton profil Tu entres : tes compétences, expériences, préférences salariales, localisation. → Sauvegardé dans data/store.json Étape 2 — Tu définis tes critères de recherche Pays, ville, mots-clés, type (stage/emploi), durée min/max. Étape 3 — Skill 1 : Collecte (job_sources.py) L'app interroge 6 sources gratuites : Source Type Arbeitnow API JSON Remotive API JSON (remote) Jobicy API JSON (remote) Remote OK API JSON Himalayas API paginée We Work Remotely Flux RSS Elle normalise tout (même format), déduplique, filtre par pays/ville/mots-clés. Étape 4 — Skill 2 : Décision (decision.py) Pour chaque offre, l'algorithme calcule un score sur 100 : Score Final = 70% × Score critères obligatoires + 30% × Score compétences/préférences Décision = "BON" si score ≥ 60 ET critères obligatoires ≥ 70% = "MAUVAIS" sinon Les critères vérifiés : Type d'offre, Domaine, Pays, Ville, Compétences, Durée. Étape 5 — Résultats exportables Les résultats sont triés par score et exportables en CSV avec : décision, score, titre, entreprise, lien direct. 🤖 L'IA optionnelle (llm.py) Par défaut désactivée. Si tu actives USE_OLLAMA=true dans .env, l'app utilise un modèle LLM local (ex: qwen2.5) pour faire une analyse sémantique plus profonde de chaque offre. C'est un bonus, pas une nécessité. 🚀 Comment lancer le projet cmd # Windows py -m pip install -r requirements.txt py app.py # Puis ouvre : http://127.0.0.1:8000 ✅ En résumé Aspect Détail Langage Python (Flask) Interface Web (navigateur) Sources 6 APIs/RSS publiques et gratuites Matching Algorithme déterministe (règles + score) IA Optionnelle (Ollama local) Anti-hallucination 100% — aucune offre inventée Export CSV téléchargeable C'est un projet bien structuré, fonctionnel et intelligent qui automatise entièrement la veille d'offres d'emploi adaptées à ton profil. Tu veux que j'explique une partie en détail ou que j'améliore quelque chose ? LIT TOUS Maintenant j'ai tout lu intégralement — chaque ligne de chaque fichier. Voici l'analyse complète et profonde : 📖 ANALYSE TOTALE DU PROJET — AI JOB AGENT 🗂️ 1. FICHIERS LUS (100%) Fichier Taille Rôle app.py 4 328 o Serveur Flask + toutes les routes API services/job_sources.py 8 199 o Collecte des offres (6 sources) services/decision.py 3 201 o Algorithme de matching services/llm.py 966 o IA locale optionnelle templates/index.html 10 858 o Interface web complète static/app.js 7 995 o Logique JavaScript (frontend) static/style.css 6 641 o Design de l'interface data/store.json 1,2 MB Base de données réelle (162 jobs, 112 résultats) README.md README Instructions de lancement .env.example Config Variables d'environnement 🧠 2. APP.PY — Le cerveau Flask C'est le serveur central. Il expose ces routes API : Route Méthode Ce qu'elle fait GET / — Affiche l'interface HTML GET /api/state — Retourne tout le store.json POST /api/profile JSON Sauvegarde ton profil candidat POST /api/criteria JSON Sauvegarde tes critères de recherche POST /api/skill1/run — Lance la collecte des offres POST /api/skill2/run — Lance le matching/décision GET /api/jobs — Retourne les offres collectées GET /api/results — Retourne les résultats analysés GET /api/export.csv — Télécharge les résultats en CSV POST /api/reset — Réinitialise tout La base de données est simplement un fichier data/store.json — pas de MySQL, pas de PostgreSQL. Simple et efficace. 🌐 3. JOB_SOURCES.PY — La collecte (730 offres brutes) Il interroge 6 sources gratuites en parallèle : Source Offres récupérées Type Arbeitnow 325 API JSON (arbeitnow.com) We Work Remotely 89 Flux RSS XML Himalayas 100 (5 pages × 20) API paginée avec curseur Remote OK 99 API JSON publique Jobicy 100 API JSON Remotive 17 API JSON TOTAL 730 offres brutes — Ensuite le code normalise tout (même format), filtre par pays/ville/mots-clés, puis déduplique (par titre + entreprise + lieu + URL). Résultat : 730 → 162 offres valides. ⚖️ 4. DECISION.PY — L'algorithme de matching Pour chaque offre, il vérifie des critères obligatoires et des préférences : Score Final = 70% × Score critères durs + 30% × Score compétences Décision "BON" si Score ≥ 60% ET critères durs ≥ 70% Décision "MAUVAIS" sinon Ce qui est vérifié : ✅ Type d'offre (stage / emploi / alternance...) ✅ Domaine (IA, automatisation...) ✅ Pays (France, Tunisie...) ✅ Ville si précisée ✅ Compétences (Python, YOLO, PLC...) ✅ Durée (min/max en mois) Résultat réel dans ton store.json : 112 offres analysées → 12 BON / 100 MAUVAIS Score moyen : 44.8/100 Score max : 91/100 🤖 5. LLM.PY — L'IA optionnelle (Ollama) Désactivée par défaut (USE_OLLAMA=false). Si tu l'actives, il envoie un prompt JSON à un modèle local (ex: qwen2.5:7b) qui retourne une analyse sémantique enrichie avec : semantic_match (0-100) matched / missing explanation en texte Complètement optionnel — l'app fonctionne parfaitement sans. 🖥️ 6. INDEX.HTML — L'interface (5 écrans) L'interface est divisée en 5 sections : Workflow — Vue visuelle de l'architecture en temps réel Profil candidat — Formulaire complet (nom, skills, expériences, diplômes, langues...) Critères de recherche — Pays, ville, type, durée, salaire, mots-clés... Skill 1 — Collecte — Lance la collecte + affiche journal + tableau des offres Skill 2 — Décision — Lance le matching + affiche résultats + export CSV ⚡ 7. APP.JS — La logique frontend Le JavaScript gère : La navigation entre les 5 écrans Les appels API fetch vers Flask L'affichage dynamique des offres et résultats Le rendu des cartes résultats (score, BON/MAUVAIS, chips vert/rouge) L'export CSV en un clic La restauration d'état au rechargement (relit le store.json) La fonction esc() pour sécuriser l'affichage HTML (protection XSS) 🎨 8. STYLE.CSS — Le design Interface professionnelle avec : Sidebar sombre ( #101828) + contenu clair Palette : bleu ( #2563eb), vert ( #16a34a), rouge ( #dc2626) Cartes résultats : badge vert "BON" / rouge "MAUVAIS" Responsive : s'adapte aux écrans < 900px Workflow board : nodes avec bordures colorées (orange = en cours, vert = terminé) 📊 9. STORE.JSON — Tes données réelles Voici ce qui est actuellement sauvegardé dans ton projet : Profil : partiellement rempli — niveau "3ème année cycle ingénieur, génie électrique", les autres champs vides. Critères : Pays = France, type = stage, company = startup. Pas de mots-clés ni compétences précisés → c'est pourquoi 100 offres sont "MAUVAIS" (aucune compétence ne booste le score de préférence, il reste à 70% par défaut). TOP 5 offres détectées comme BON : Score Poste Entreprise Ville 91% AI Growth & Strategic Partnership Manager PALO IT Paris 91% Partner Marketing Specialist Pennylane SAS France (remote) 91% Ingénieur CVC & PB Deerns Groep Paris 91% Post-Doctorant IA (CDD 13 mois) IMT Mines-Télécom Alès 91% Maître de conférences Cybersécurité IMT Mines-Télécom Rennes 🔴 Ce qui manque / peut être amélioré Ton profil est vide (pas de nom, pas de compétences, pas de skills) → ajoute Python, MATLAB, PLC, OpenCV pour que le score de préférence monte vraiment Pas de mots-clés définis → sans ça, l'algorithme ne peut pas faire de matching compétences 12 BON sur 112 c'est normal vu que les critères sont minimalistes (juste pays + type stage) L'app ne cherche pas sur LinkedIn/Indeed (payants) — seulement sur les 6 sources gratuites Pas de notifications ou d'envoi d'email automatique ✅ RÉSUMÉ EN 1 PHRASE C'est un agent de veille emploi automatisé, 100% Python/Flask, qui collecte 730 offres réelles depuis 6 sources gratuites, les filtre, les score et les classe selon ton profil — sans aucune hallucination IA, avec une interface web propre et un export CSV. Follow Design: {"palette":["Void Obsidian #030712 — deep background","Neon Cyan #06B6D4 — agentic discovery engine and active telemetry","Radiant Violet #8B5CF6 — algorithmic scoring weights and decision logic","Success Mint #22C55E — verified matches and export actions","Muted Mist #94A3B8 — secondary body text and metadata"],"fonts":{"Sora":"https://fonts.googleapis.com/css2?family=Sora:wght@100..800&display=swap","Outfit":"https://fonts.googleapis.com/css2?family=Outfit:wght@100..900&display=swap","Fira Code":"https://fonts.googleapis.com/css2?family=Fira+Code:wght@300..700&display=swap"},"type":"Sora bold for futuristic product headings and section crowns; Outfit for approachable, modern narrative copy; Fira Code for formula weights, API endpoints, and configuration parameters.","layout":"Dynamic multi-tier card grid anchored by visual agent pipeline ribbons, full-width metric score counters, and floating decision matrices.","framework_treatment":"Translucent dark-surface cards with subtle cyan-to-violet border gradients, circular match score progress rings, glowing process nodes, and prominent CSV export action cards.","feels_like":"A Silicon Valley AI agent demo day presentation with polished SaaS product metrics"}
Presentation overview
This community presentation was shared by mahmoud zaouchi as a complete 8-slide example. 🤖 Analyse Complète — AI Job Agent (MAHMOUD) 🎯 C'est quoi ce projet ? C'est une application web intelligente de recherche d'emploi automatisée, construite en Python (Flask). El… The preview lets you review the full sequence in order, rather than judging the design from a single cover image.
Use it as a reference for planning your own deck: notice how the amount of information changes from slide to slide, where visual emphasis appears, and how repeated design choices help the presentation feel connected. Community examples are inspiration, not locked templates, so you can keep the ideas that fit your audience and replace anything that does not.
Learn from the example
Look at the job each slide performs. Identify where the deck introduces its subject, develops the main points, adds evidence or examples, and moves toward a conclusion.
Notice which element attracts attention first and how headings, supporting text, images, and data are separated. Strong hierarchy makes the intended reading order obvious.
Compare spacing, typography, color, and repeated components across the slides. Consistent rules help varied content feel like one presentation instead of unrelated screens.
Make it your own
Begin with your audience and the decision, lesson, or action the presentation should support. Replace the topic, examples, evidence, and visuals with material you can verify, then edit every slide for one clear takeaway. You can borrow the visual direction without copying the creator's wording or message. Presenton will use this community deck as a design reference while you develop content for your own purpose.
