Hinweis: Recruiter Watch ist ein Portfolio-Projekt, kein Kundenauftrag. Ziel war es, ein KI-Feature zu bauen, das über einen generischen Chatbot-Wrapper hinausgeht — mit einem klar abgegrenzten, praktischen Anwendungsfall.
Die Herausforderung
Viele "KI-Produkte" sind letztlich ein Chat-Fenster vor einem Sprachmodell. Die eigentliche Schwierigkeit liegt woanders: einem Sprachmodell eine verlässlich strukturierte Ausgabe zu entlocken, die sich direkt in einer Benutzeroberfläche darstellen lässt — nicht als Fließtext, sondern als ATS-Score, konkrete Keyword-Lücken und Formulierungsvorschläge.
Der technische Ansatz
Strukturierte Prompts statt freier Konversation. Der Lebenslauf wird zusammen mit einer präzisen Aufgabenbeschreibung an die Claude API geschickt, mit einem klar definierten erwarteten Ausgabeformat. Das reduziert die Varianz der Antworten erheblich im Vergleich zu offenen Chat-Interaktionen.
FastAPI als Backend-Schicht. Die Kommunikation mit der Claude API läuft über ein Python-Backend, nicht direkt aus dem Frontend — das hält den API-Schlüssel serverseitig und erlaubt zusätzliche Validierung und Fehlerbehandlung, bevor eine Antwort den Nutzer erreicht.
Klar abgegrenzter Funktionsumfang. Statt eines allgemeinen "Karriere-Assistenten" liefert das Tool genau drei Dinge: einen ATS-Score, konkrete fehlende Keywords im Vergleich zur Stellenausschreibung, und Formulierungsvorschläge. Diese Eingrenzung macht die Ausgabe vorhersagbarer und den Nutzen sofort erkennbar.
Was das Projekt zeigt
Dass der Wert eines KI-Features nicht aus dem Sprachmodell selbst kommt, sondern aus der Eingrenzung des Problems und der Struktur, die man um das Modell herum baut — Prompt-Design, Backend-Validierung und ein UI, das die Ausgabe sinnvoll darstellt.
Technischer Stack
Next.js, FastAPI, Claude API, TypeScript.
Möchtest du ein KI-Feature in dein Produkt integrieren? Lass uns sprechen.