How Senior Engineers Actually Build with AI in 2026 | Build a Full Stack Job Applications Platform

I cannot fulfill this request.

🚀 Новая эра разработки: Системный подход и умные агенты в 2026 году 0:00

В 2026 году ландшафт веб-разработки претерпел фундаментальные изменения . Искусственный интеллект с каждым месяцем пишет код всё лучше, сокращая разрыв между джуниорами и сеньорами . Однако простое делегирование задач нейросетям без четких правил быстро приводит к получению однотипного, хаотичного и сложного в поддержке кода . По мнению основателя JavaScript Mastery, ведущего Адриана Хаджа (Adrian Hajdin), ключевое различие между инженерами будущего заключается не в том, используют ли они ИИ, а в том, есть ли у них надежная система управления проектом .

Системный подход к AI-разработке 0:27

Многие разработчики совершают одну и ту же ошибку: они открывают редактор кода, описывают задачу в свободной форме и затем просто реагируют на то, что выдает модель . Такой подход работает для простых демонстрационных приложений, но быстро упирается в технологический тупик на этапе масштабирования . Проблема заключается в том, что искусственный интеллект не помнит архитектурных решений, принятых несколько дней назад, и начинает генерировать код на основе догадок . Спустя несколько недель база данных и проект в целом наполняются противоречиями .

Решение, которое предлагает Адриан Хадж (Adrian Hajdin), состоит из двух компонентов: контекста и специализированных навыков . Контекст дает агенту полное представление о системе, в которой он работает. Для проекта Job Pilot перед началом написания первой строчки кода создаются девять файлов контекста, описывающих архитектуру, стандарты кода и структуру проекта (подробная работа с контекстными файлами и настройка окружения в VS Code будут рассмотрены далее в главе 2). Такой системный подход позволяет одному разработчику за несколько дней в одиночку собрать полноценную платформу поиска работы Job Pilot , на создание которой у команды программистов ушел бы минимум месяц .

Пять навыков агента: архитектура и контроль 1:45

Для предотвращения деградации кода и потери фокуса ИИ-агентом Адриан Хадж (Adrian Hajdin) разработал пять открытых навыков (agent skills), которые можно интегрировать в любой рабочий процесс . Эти навыки решают основные проблемы взаимодействия с ИИ: дрейф контекста, несогласованность интерфейса и потерю памяти сессии .

Интеграция навыков в проект строится вокруг следующих команд:

Architect — запускается перед созданием любой сложной функции . Навык анализирует контекст, задает уточняющие вопросы и формирует четкий план реализации до того, как агент начнет писать код .
Remember — используется в конце рабочей сессии . Сжимает информацию о принятых решениях и установленных паттернах в специальный файл памяти, чтобы следующая сессия не начиналась с нуля .
Review — активируется после завершения работы над фичей . Проверяет код на соответствие архитектурным границам и выявляет проблемы по уровню критичности, не внося автоисправлений без ведома разработчика .
Recover — помогает справиться со "спиралью сбоев", когда ИИ начинает совершать хаотичные ошибки . Навык диагностирует причину сбоя и предлагает точный план исправления .
Imprint — контролирует консистентность пользовательского интерфейса . Фиксирует новые компоненты в реестре UI и находит любые расхождения в стилях и отступах .

Разработчики могут установить эти навыки одной командой через специальный CLI-установщик npx skills add и использовать их на любом проекте . Для более глубокого понимания методологии Адриан Хадж (Adrian Hajdin) также предлагает записаться в лист ожидания своего авторского курса Agentic Dev .

Стек технологий для Job Pilot 2:14

Чтобы продемонстрировать систему в действии, авторы собирают полнофункциональный сервис Job Pilot . Для реализации проекта выбран современный и производительный технологический стек:

Next.js — выступает в качестве надежной основы для фронтенд-части и серверного рендеринга . В процессе инициализации проекта через CLI используются стандартные настройки с TypeScript и Tailwind CSS .
InsForge — используется для бэкенда, предоставляя авторизацию, базу данных и хранилище файлов (архитектуру и подключение InsForge мы разберем в главах 2 и 3). Важным преимуществом является интеграция через MCP-сервер, позволяющая ИИ напрямую читать актуальную схему базы данных .
Browserbase и Stagehand — инструменты для автоматизации работы браузера . Browserbase запускает управляемый браузер в облаке для защиты от блокировок , а библиотека Stagehand позволяет ИИ взаимодействовать со страницами и извлекать данные с помощью промптов на естественном языке .
GPT-4o — отвечает за интеллектуальную обработку запросов и принятие решений агентом .
PostHog — интегрируется для продуктовой аналитики, записи сессий пользователей и управления фич-флагами (внедрение аналитики и MCP для базы данных детально описываются в главе 4).

Этот стек позволяет создать гибкое агентное приложение, способное автономно исследовать компании и адаптировать резюме под вакансии .

🧱 Архитектурные правила, настройка агентов и первый запуск 25:00

Контекстные файлы: избавление от галлюцинаций и контроль скоупа 25:13

Создание масштабных проектов с помощью искусственного интеллекта без предварительной подготовки неизбежно ведет к накоплению ошибок и галлюцинациям модели . Адриан Хадж (Adrian Hajdin) сравнивает хаотичный промптинг с разработкой сайта без ТЗ . Чтобы агент не додумывал требования за программиста, проект снабжается девятью файлами контекста . Первым идет project overview, в котором зафиксировано описание Job Pilot как ИИ-ассистента для поиска работы , определен пользовательский путь и жестко разграничено то, что входит и не входит в рамки проекта для избежания разрастания функционала .

Остальные файлы структурируют разработку следующим образом:

architecture.mmd фиксирует структуру папок, схемы БД и строгие правила: например, запрет на размещение логики UI в API-роутах или вызов агентов из серверных экшенов .
build plan разбивает весь проект на 5 фаз и 25 конкретных фич .
code standards задает правила именования и конвенции Next.js .
library docs.md контролирует использование сторонних библиотек .
UI tokens содержит переменные цветов, отступов и шрифтов из Figma .
UI rules.mmd описывает поведение компонентов как полноценная дизайн-система .
UI registry предотвращает дублирование кода компонентов .
progress tracker позволяет ИИ-агенту возобновлять работу в новых сессиях без лишних объяснений .

Все файлы связывает agents.md — инструкция, определяющая строгий порядок чтения контекста . Адриан Хадж подчеркивает, что затраты на токены при чтении этих файлов значительно ниже, чем расходы на бесконечные исправления неверно сгенерированного кода .

Интеграция агентов в VS Code и управление окружением 37:36

Для эффективного взаимодействия с ИИ-агентами разработчики используют встроенные чат-интерфейсы в VS Code, которые вызываются комбинацией клавиш Cmd + Shift + P . На рынке представлено множество решений, включая Claude Code, Copilot и Codex . Выбор инструмента остается на усмотрение разработчика , однако в данном практическом руководстве Адриан Хадж делает выбор в пользу расширения Codex . Этот инструмент является экономически выгодным благодаря гибким тарифным планам .

Чтобы агент владел самой актуальной информацией о технологиях (например, о Tailwind CSS v4, выпущенном недавно), используется утилита context 7 (ctx7) . В терминале запускается поиск и установка необходимых навыков с помощью команды npx ctx7 . Это позволяет загрузить в память агента лучшие практики по верстке . Запуск каждой новой фичи Адриан Хадж рекомендует начинать в изолированной сессии, предварительно скомандовав агенту прочитать файл agents.md и подтвердить готовность следовать инструкциям .

InsForge и агентно-ориентированный бэкенд через MCP 30:45

Вместо ручного написания интеграционных API и долгой настройки бэкенда, проект использует платформу Ins (InsForge) . Доступ ИИ-агента к базам данных, авторизации и хранилищу организуется через Model Context Protocol (MCP) .

В файле library docs.md для агента прописывается инструкция: перед работой с любой внешней библиотекой проверять наличие настроенного MCP-сервера . В случае с InsForge агент получает прямой декларативный доступ к бэкенд-операциям . Это исключает необходимость вручную прописывать CRUD-запросы и API-эндпоинты , позволяя агенту самостоятельно управлять схемой и данными на основе MCP-контекста . Вся логика взаимодействия с базой данных выносится на уровень MCP-серверов, что делает бэкенд полностью адаптивным для ИИ-разработки .

Практическая реализация: Tailwind v4 и генерация главной страницы 39:48

Первым практическим шагом становится настройка глобальных стилей globals.css . Разработчик просит Codex прочесть UI tokens.md и применить установленный навык Tailwind CSS v4 . Примерно за 3 минуты агент проверяет документацию Next.js, форматирует CSS-переменные в соответствии с дизайн-системой и переключает шрифты на Inter . Проверка работоспособности стилей в реальном времени подтверждает, что примитивные цвета применились корректно .

Затем начинается сборка главной страницы (Phase 1, Feature 01) . Агенту отправляется лаконичный промпт с указанием использовать изображение landing-page.png из папки дизайнов в качестве визуального ориентира . Благодаря готовым контекстным файлам, промпт не содержит описания стека или структуры папок . Codex самостоятельно декомпозирует задачу , создает адаптивные компоненты (Navbar, Hero, Features, Footer) , проводит линтинг и запускает тестовую сборку через npm run build . Столкнувшись с ошибкой загрузки Google Fonts в песочнице, агент автоматически запрашивает сетевой доступ и успешно компилирует проект . В завершение сессии Codex обновляет progress tracker и заносит новые стили в UI registry .

🔐 Бесшовная авторизация: интеграция OAuth через Ins и отладка в Next.js 16 56:43

Подготовка окружения и подключение MCP-сервера Ins 56:43

После завершения работы над визуальной частью главной страницы Адриан Хадж (Adrian Hajdin) переходит к следующему критически важному этапу — реализации системы аутентификации пользователей . Вся бэкенд-инфраструктура приложения, включая OAuth, строится на платформе Ins . Вместо стандартного ручного написания SQL-запросов или попыток связать разрозненные API, разработчики используют специальный MCP-сервер (Model Context Protocol) . Это позволяет ИИ-агенту подключаться напрямую к бэкенду, считывать «живые» схемы таблиц и автоматически конфигурировать авторизацию, опираясь на актуальные контекстные данные проекта .

Перед тем как приступить к интеграции, Адриан восстанавливает контекст предыдущей сессии с помощью команды remember restore . Он подчеркивает важный нюанс: перед запуском автоматической настройки бэкенда необходимо вручную скопировать содержимое файла agents.md в безопасное место . Это связано с тем, что скрипты инициализации InsForge могут перезаписать кастомные правила и инструкции для ИИ-агентов .

После создания резервной копии разработчик запускает установку MCP-сервера в Codex-чате, используя для этой задачи продвинутую рассуждающую модель (reasoning model GPT-5.5) [59:34 - 59:48]. Когда соединение с бэкендом подтверждается успешным вызовом команды fetch docs , Адриан объединяет новые системные инструкции Ins с сохраненными ранее правилами проекта в обновленном agents.md . Теперь проект готов к полноценной реализации OAuth .

Интеграция OAuth: Next.js 16 и замена Middleware на Proxy 1:01:24

Процесс создания авторизации начинается с того, что ИИ-агент считывает текущее состояние сборки из прогресс-трекера и сопоставляет его с планом разработки . Получив через MCP-сервер свежую документацию по Auth-модулю Ins , агент запускает специализированный навык architect для построения архитектурного плана изменений . Здесь проявляется ключевое преимущество работы с актуальным ИИ-контекстом: агент замечает, что в используемой версии Next.js 16 традиционный механизм авторизационного middleware был заменен на проксирование (proxy) на уровне конфигурации . Если бы генерация кода опиралась на устаревшие обучающие данные из интернета, агент неизбежно создал бы старый middleware-файл и сломал маршрутизацию приложения .

Процесс полной генерации фичи на модели со средним уровнем рассуждения занимает около 8 минут . За это время агент разворачивает полноценный функционал:

Настройку провайдеров авторизации Google и GitHub через Ins .
Серверные маршруты для обмена OAuth-токенов (callback) .
Логику обновления сессий (refresh) и безопасного выхода из системы .
Механизм защиты маршрутов Next.js 16 на базе прокси в корне проекта .
Дизайн и верстку страницы входа .

Поскольку ИИ-агенту не доверяется управление конфиденциальными переменными окружения, Адриан Хадж вручную создает файл .env.local в корне приложения . Он копирует из панели управления InsForge URL-адрес проекта и публичный анониный ключ , прописывая их в переменные NEXT_PUBLIC_INS_URL и NEXT_PUBLIC_INS_ANON_KEY .

Отладка авторизации: применение навыка recover и верификация сессии 1:05:57

При первом запуске приложения и попытке войти через аккаунт Google система выдает ошибку инициализации метода авторизации . В этот момент Адриан Хадж демонстрирует работу встроенного навыка отладки recover . Вместо того чтобы вручную перебирать логи и конфигурационные файлы, разработчик отправляет в чат к агенту текст ошибки с лаконичным комментарием о сбое в работе авторизации . Задача навыка recover — провести глубокую диагностику, выявить корневую причину бага и точечно устранить её, избегая хаотичных правок .

Агент мгновенно находит проблему: в переменной окружения NEXT_PUBLIC_INS_URL вместо реального URL-адреса бэкенда был ошибочно указан API-ключ . Эта ошибка, допущенная разработчиком при ручном копировании, успешно исправляется , и после обновления конфигурации процесс авторизации проходит без сбоев, перенаправляя пользователя в его личный профиль .

Чтобы убедиться в качестве сгенерированного кода, запускается процедура review . Менее чем за минуту агент выявляет два несоответствия внутренним стандартам разработки: отсутствие обязательных блоков try-catch в новых обработчиках маршрутов для логирования ошибок и использование обычных тегов ссылок Link для вызова API-методов, что в продакшене может приводить к нежелательному префетчингу . Агент автоматически переписывает проблемные участки кода и вносит изменения в реестр UI .

В завершение Адриан запускает навык imprint для сохранения визуального шаблона новой карточки авторизации в глобальном UI-реестре проекта [1:09:17 - 1:09:30] и фиксирует успешное выполнение задачи в памяти агента через команду remember . После успешной реализации авторизации Адриан Хадж переходит к интеграции продуктовой аналитики через PostHog , детали настройки которой будут рассмотрены далее.

📊 Интеграция аналитики PostHog и проектирование базы данных через MCP 1:15:25

Настройка продуктовой аналитики с PostHog 1:15:25

Для эффективного отслеживания действий пользователей и оптимизации функций Адриан Хадж (Adrian Hajdin) начинает интеграцию платформы продуктового анализа PostHog . На этапе первоначальной настройки и авторизации через GitHub мастер установки может потребовать ручной конфигурации . В этом случае разработчику достаточно перенести параметры окружения в локальный файл .env.local проекта Next.js, перезапустить приложение, перезайти в систему и протестировать переходы по страницам .

В конфигурации PostHog Адриан Хадж рекомендует активировать три ключевые опции:

Автоматический захват фронтенд-взаимодействий (auto-capturing) для регистрации кликов и отправки форм . Если раньше интерпретация этих сырых данных вызывала сложности, то современные AI-инструменты легко находят в них закономерности .
Тепловые карты (heatmaps) для визуального анализа перемещения курсора, кликов и глубины прокрутки страниц .
Метрики Web Vitals для непрерывного мониторинга производительности интерфейса .

Дополнительно в проекте включается запись сессий (session replays) . Видеозапись экрана помогает разработчикам и продуктологам детально изучить поведение пользователя в интерфейсе: где он останавливается, на какие элементы обращает внимание и в какие моменты испытывает трудности .

На этапе выбора тарифного плана Адриан Хадж останавливается на бесплатном лимите , который предоставляет до 1 миллиона событий, 5 000 записей сессий и 1 миллион тестов с использованием флагов фич (feature flags) ежемесячно. Сразу после этого в панели PostHog (вкладка Activity) отражаются первые зафиксированные действия . В дальнейшем собранные данные будут обрабатываться встроенным AI-помощником PostHog AI для выявления паттернов использования . По завершении интеграции сессия сохраняется с помощью агентного навыка remember .

Проектирование архитектуры базы данных через MCP 1:18:35

База данных — фундамент любого приложения, и ошибки на этапе проектирования ее схемы неизбежно приводят к багам на уровне продакшена . Для проектирования структуры Адриан Хадж задействует архитектурный навык (architect skill) . Чтобы продемонстрировать независимость этого подхода от конкретной AI-среды, он переключается на инструмент Cloud Code (используя модель Claude Sonnet в режиме высокой интенсивности вычислений) . Сначала разработчик восстанавливает контекст предыдущей сессии через терминал с помощью команды remember restore , после чего запускает планирование схемы .

В течение 30 секунд агент предлагает детальный план проектирования базы данных . Важным шагом становится согласование политик безопасности на уровне строк (Row-Level Security, или RLS) в СУБД PostgreSQL . Архитектура строится так, чтобы правила RLS автоматически фильтровали каждый запрос по идентификатору пользователя (user_id), полностью исключая возможность чтения или перезаписи чужих данных даже при попытке отправить прямой API-запрос в обход интерфейса .

Схема разворачивается непосредственно в базе данных PostgreSQL на платформе InsForge . Установка связи с базой происходит через протокол MCP (Model Context Protocol) и Ins CLI . Агенту не требуется вручную прописывать строки подключения или создавать традиционные файлы миграций — инфраструктура полностью управляется кодом ИИ .

В результате миграции в базе данных создаются четыре ключевые таблицы:

agent_logs: подробный журнал шагов агента (логирование успехов, предупреждений и ошибок) .
agent_runs: история поисковых сессий в LinkedIn (какие вакансии искались, сколько найдено, время запуска и завершения) .
jobs: база найденных и импортированных вакансий с оценками соответствия кандидату и сгенерированными сопроводительными письмами .
profiles: хранилище карьерных данных пользователя, включая навыки, опыт и ссылки на резюме .

Безопасность данных и верификация схемы на практике 1:24:32

Помимо таблиц, для хранения файлов резюме создается приватный бакет (storage bucket) . Убедившись, что все четыре таблицы и хранилище успешно созданы и отображаются в панели InsForge, Адриан Хадж фиксирует текущее состояние в памяти агента . На этом этапе первая фаза разработки (включающая создание бэкенда, 20 RLS-политик, двух триггеров и бакета данных) завершается на 100% . Готовый код отправляется в новый репозиторий GitHub под названием Job Pilot , а для порядка в профиле репозиторию присваиваются темы, например agentic-workflows .

Чтобы проверить работоспособность базы данных и RLS-политик, команда переходит ко второй фазе проекта — логике сохранения профиля . Ранее в разговоре они касались структуры UI-компонентов этой страницы, теперь же предстоит связать форму с базой. Адриан Хадж переводит ИИ в режим планирования (plan mode) и использует навык architect для создания серверных экшенов Next.js . Агент пишет логику сохранения профиля и загрузки PDF-резюме в облачное хранилище InsForge .

В процессе тестирования формы на локальном сервере (localhost:3000) обнаруживается проблема: после заполнения полей и успешного сохранения при обновлении страницы данные пропадают .

Для исправления бага Адриан Хадж активирует навык review . ИИ проводит аудит кода и указывает на несоответствия в работе серверных экшенов и клиентских компонентов . В процессе анализа возникает спорный момент: агент считает ошибкой отсутствие классического файла middleware.ts, однако Адриан указывает ему на актуальную документацию Next.js, где этот файл заменен механизмом proxy.ts . Приняв эту поправку, ИИ исправляет логику обновления строк в базе и бэкфилл недостающих данных профиля . После повторного тестирования данные начинают корректно сохраняться и отображаться даже после перезагрузки страницы, а шкала заполнения профиля доходит до 100% .

👤 Профиль пользователя и интеллектуальное извлечение данных через GPT-4o 1:40:26

Интеграция PDF-резюме и устранение архитектурных ошибок хранилища 1:40:26

В процессе разработки личного кабинета Адриан Хадж (Adrian Hajdin) начинает с устранения багов в интерфейсе отслеживания прогресса . В частности, когда шкала заполнения профиля достигала 100%, плашка с предупреждением о необходимости завершить заполнение продолжала отображаться . Для исправления этого бага разработчик делает скриншот проблемной области и отправляет его ИИ-агенту, который мгновенно корректирует логику рендеринга баннера .

После отладки прогресс-бара команда переходит к тестированию загрузки резюме . Пользователь может перетащить файл PDF напрямую в форму благодаря реализованному механизму drag-and-drop . Однако при первой попытке просмотреть только что загруженный файл система выдает ошибку доступа .

Анализ проблемы показывает архитектурную ошибку: для получения ссылки на файл использовался метод getPublicUrl на приватном бакете хранилища . Согласно изначальному системному плану, бакет для резюме проектировался исключительно с аутентифицированным доступом .

Для исправления этой проблемы агент выполняет следующие шаги:

Заменяет прямой вызов публичного URL на серверный обработчик маршрута (server route handler) для скачивания .
Обеспечивает безопасную передачу файла через авторизованную сессию .
Сохраняет обновленный путь к файлу в базе данных .

Адриан Хадж подчеркивает преимущество используемого бэкенд-инструментария: вся работа с хранилищем, базой данных и политиками безопасности (RLS) была автоматизирована ИИ-агентом без ручного конфигурирования через веб-панели . Ранее разработчики детально касались архитектуры и преимуществ используемой бэкенд-платформы InsForge во второй главе .

Автоматическое заполнение профиля: интеграция GPT-4o и парсинг PDF 1:43:31

Заполнение десятков полей профиля вручную снижает конверсию пользователей . Для решения этой проблемы команда интегрирует интеллектуальный парсер резюме, который с помощью GPT-4o считывает данные из PDF-документа и автоматически заполняет имя, контакты, навыки, опыт работы и образование .

Для реализации этой функциональности требуется внешнее API . Адриан Хадж авторизуется на платформе OpenAI, создает ключ с именем job-pilot и копирует его в буфер обмена . Полученный токен сохраняется в локальном конфигурационном файле .env.local под переменной OPENAI_API_KEY . Разработчик отмечает, что в зависимости от предпочтений можно использовать модели от Anthropic, Gemini или других провайдеров, так как общая схема интеграции остается неизменной .

После добавления ключа Адриан запускает ИИ-агента Claude Code для проектирования и интеграции седьмой фичи проекта — процесса извлечения данных . Агент формирует следующий план реализации:

Скачивание PDF-файла из приватного хранилища .
Парсинг текстового содержимого с помощью библиотеки PDF-parse .
Отправка извлеченного текста в GPT-4o для генерации структурированного JSON-объекта с полями профиля .
Автоматическое заполнение формы в интерфейсе для последующей модерации пользователем .

Вся реализация фичи занимает у агента около двух минут . В проект добавляется клиентская обертка profile-page-client для связывания секции резюме с формой профиля , а также серверный экшен extractProfile в файле profileactions , который управляет взаимодействием с GPT-4o .

Борьба с багами сборщика: отладка PDF-JS Web Workers в Next.js 1:47:58

При первом тестировании функционала на реальном резюме разработчик сталкивается с критической ошибкой: Setting up fake worker failed . ИИ-агент приступает к диагностике кода через команду review .

Выясняется, что библиотека pdf-parse-v2 базируется на pdfjs-dist и инициализирует веб-воркер . Когда серверный экшен выполняется внутри бандла Next.js, сборщик Webpack не может разрешить путь к файлу воркера, так как он существует только как относительный URL для браузера, но отсутствует в серверных чанках сборки (server chunks) .

Для решения этой проблемы агент вносит следующие изменения в конфигурацию проекта:

Удаляет прямую зависимость pdf-parse из серверных экшенов и переводит логику на использование нативных инструментов .
Устанавливает глобальный воркер и настраивает внешние серверные пакеты в конфигурации Next.js .
Обеспечивает корректное разрешение абсолютных путей на сервере .

После внесения изменений Адриан останавливает локальный сервер разработки и перезапускает его через команду npm run dev . При повторной попытке система выдает ошибку invalid URL . Разработчик передает баг-трейс агенту, который в течение 30 секунд корректирует роутинг и повторно запрашивает перезапуск локального сервера для применения обновленных путей компилятора .

Финализация UI профиля: успешный импорт данных и чистка интерфейса 1:51:19

После перезапуска сервера функция автоматического извлечения начинает работать без ошибок . На экране появляется индикатор процесса извлечения Extracting... , и через несколько секунд все поля формы заполняются структурированными данными тестового кандидата Джона Доу .

Система безошибочно импортирует номер телефона, локацию (Купертино, Калифорния), ссылку на LinkedIn, персональный сайт и определяет, что перед ней профиль разработчика среднего уровня с детальным описанием 19-летнего опыта работы . GPT-4o также распределяет технологический стек по категориям навыков и парсит историю работы в Microsoft, включая даты начала и окончания контрактов . Адриан Хадж сохраняет заполненный профиль в базе данных и фиксирует состояние проекта в памяти ИИ-агента командой remember save .

После успешной настройки профиля Адриан Хадж переходит к созданию функционала генерации резюме на основе профиля, детально описанному в главе 6 .

В завершение работы над профилем разработчик решает убрать блок подключенных аккаунтов (Connected Accounts) . Первоначальная идея парсить вакансии напрямую из LinkedIn через личные профили пользователей была отклонена, так как это нарушает правила пользования платформой и может привести к блокировке аккаунтов . С помощью Claude Code Адриан удаляет этот блок интерфейса, сохранив при этом стандартное поле для ввода ссылки на профиль LinkedIn в блоке личной информации . Процесс удаления UI-компонента и обновление страницы занимают всего несколько секунд, завершая вторую фазу разработки платформы Job Pilot .

Далее команда приступает к созданию интерфейса для поиска вакансий и интеграции внешних API, что будет подробно описано в главе 7 .

📄 Генерация резюме на основе профиля пользователя 2:06:32

Ранее в ходе проектирования Job Pilot детально обсуждались авторизация пользователей, сбор аналитики с помощью PostHog, а также проектирование базы данных. В то же время процессы поиска вакансий через внешние API и автоматизированного исследования компаний с помощью облачных браузеров будут подробно описаны далее. В этой главе мы сфокусируемся на ключевом элементе подготовки кандидата — динамической генерации резюме на основе профиля пользователя.

Архитектура генерации PDF-резюме на основе данных профиля 2:06:32

В основе функционала создания резюме лежит интеграция данных профиля пользователя с современными инструментами веб-рендеринга. Адриан Хадж указывает, что перед непосредственным написанием кода любой логически сложной фичи критически важно провести тщательное планирование архитектуры. Процесс генерации PDF-документа начинается с извлечения структурированных данных из профиля соискателя . Вместо использования тяжелых серверных библиотек или устаревших конвертеров HTML в PDF, разработчики задействуют специализированный декларативный React-рендерер . Это позволяет описывать структуру будущего резюме с помощью привычных компонентов React, обеспечивая гибкую верстку и адаптивный дизайн .

Вся личная информация, включая опыт работы, навыки и образование, автоматически мапится на соответствующие поля документа . Для создания аккуратной сетки документа применяются стили, напоминающие React Native, что исключает расхождение элементов при печати . Автоматическая раскладка блоков позволяет избежать типичных проблем верстки, когда важная информация не помещается на одном листе . Использование TypeScript-типизации гарантирует, что на этапе сборки все поля профиля будут переданы корректно . Благодаря использованию современных СУБД и политик безопасности RLS (Row-Level Security), каждый пользователь имеет доступ только к собственному профилю и сгенерированным на его основе документам . В итоге процесс компиляции данных происходит мгновенно, минимизируя вероятность сбоев при сборке файла .

Интеграция GPT-4o для оптимизации и адаптации контента 2:16:08

Для того чтобы резюме приносило максимальный отклик, сухих фактов из профиля недостаточно — их необходимо адаптировать под требования рынка. В Job Pilot эта задача решается за счет интеграции большой языковой модели GPT-4o, которая анализирует имеющиеся данные о навыках кандидата . Например, если соискатель указывает опыт работы с Java и SQL, модель подсвечивает эти сильные стороны, делая акцент на релевантном бэкграунде . В то же время ИИ помогает выявить потенциальные пробелы, такие как отсутствие упоминаний облачных технологий или микросервисов, если они требуются в вакансии .

Процесс генерации контента включает в себя автоматическое исправление стилистических ошибок и форматирование списков достижений . Встроенный системный промпт ориентирует GPT-4o действовать как опытный карьерный стратег . ИИ сопоставляет резюме с базой данных требований и предлагает точечные формулировки, которые с наибольшей вероятностью пройдут через автоматизированные системы фильтрации (ATS) . Адриан Хадж отмечает, что качественная адаптация контента напрямую влияет на конкурентоспособность кандидата на рынке труда с высокими заработными платами . Именно интеграция интеллектуального анализа позволяет превратить стандартный профиль в мощный инструмент , помогающий соискателю выделиться среди других претендентов . Модель GPT-4o генерирует профессиональные описания должностных обязанностей, сохраняя строгий деловой тон .

Клиентский рендеринг и экспорт PDF без серверной нагрузки 2:21:12

Архитектурное решение перенести рендеринг PDF-документов на сторону клиента позволяет существенно снизить нагрузку на серверную часть приложения. Процесс генерации запускается непосредственно в браузере пользователя, используя данные, синхронизированные с базой данных InsForge . Текстовые блоки, предварительно оптимизированные и дополненные ИИ-ассистентом, объединяются в единую структуру на клиенте . Использование клиентских библиотек позволяет динамически обновлять превью документа прямо на экране компьютера без необходимости повторной отправки запросов на сервер .

Пока бэкенд-система может быть занята выполнением других ресурсоемких задач, таких как веб-скрейпинг страниц компаний через Browserbase или запуск сценариев Stagehand , генератор резюме работает полностью автономно. Это обеспечивает мгновенный экспорт готового PDF-файла одним кликом мыши . Внедрение такого подхода гарантирует высокую скорость работы интерфейса даже на мобильных устройствах . Вся сгенерированная информация сохраняется в локальном кэше приложения , что позволяет пользователю вносить точечные правки в резюме без необходимости повторного обращения к LLM-модели . Это не только улучшает отзывчивость интерфейса, но и сокращает затраты на API-токены .

🕵️‍♂️ Автоматизация поиска вакансий и глубокого исследования компаний 2:31:05

Интеграция поиска вакансий: отбор и фильтрация в реальном времени 2:44:48

Процесс поиска работы в Job Pilot начинается с агрегации предложений, соответствующих критериям пользователя. В рамках демонстрации Адриан Хадж (Adrian Hajdin) показывает, как система взаимодействует с базой данных вакансий. Пользователь может гибко настраивать поисковые запросы, например, инициировать поиск фронтенд-разработчика в Нью-Йорке . В ответ система возвращает список из 10 наиболее подходящих позиций .

Особое внимание уделяется расчету соответствия кандидата требованиям вакансии (match score). Поскольку профиль текущего пользователя настроен под бэкенд-разработчика, система автоматически присваивает найденным фронтенд-вакансиям низкий балл соответствия . Адриан Хадж пытается отфильтровать вакансии по высокому уровню соответствия , однако из-за несовпадения стека система корректно указывает на пробелы в квалификации.

Все результаты поиска мгновенно сохраняются в базе данных (ранее в разговоре Адриан касался настройки бэкенда на InsForge, который теперь обеспечивает хранение этих данных ). После выполнения нового поискового запроса общее число найденных вакансий в системе увеличивается с 20 до 30 . В дальнейшем эти данные используются для визуализации распределения баллов соответствия , помогая соискателю сфокусироваться только на тех позициях, где его шансы на наем максимальны .

Глубокое исследование компаний с помощью Browserbase 2:31:05

Одной из ключевых проблем традиционного парсинга веб-страниц является обход защитных механизмов сайтов работодателей. Для решения этой задачи в Job Pilot интегрирован сервис Browserbase. Как объясняет Адриан Хадж, этот инструмент запускает полноценный управляемый браузер в облаке , который заходит на реальные веб-страницы, имитируя поведение человека, и собирает достоверную информацию о компании .

Весь цикл исследования занимает около 20 секунд . Чтобы сделать этот процесс прозрачным для пользователя, Адриан рекомендует внедрить пошаговый индикатор загрузки (multi-step loading modal) . Это предотвращает ситуацию, когда пользователь вынужден смотреть на пустой экран и гадать, не зависло ли приложение .

Результаты работы Browserbase отображаются в виде структурированного отчета. Агент собирает данные о технологическом стеке компании, ее внутренней культуре и юридических особенностях — например, о наличии сертификата женского бизнес-предприятия (women's business enterprise) . Каждое такое исследование фиксируется в базе данных, увеличивая счетчик исследованных компаний на панели управления .

Анализ соответствия кандидата и подготовка к собеседованию 2:31:30

После того как Browserbase собирает сырые данные, AI-агент Job Pilot сопоставляет их с резюме пользователя и формирует индивидуальные рекомендации для подготовки к интервью. С одной стороны, система выделяет сильные стороны кандидата — например, указывает на обширный опыт работы с JavaScript и оптимизацию алгоритмов в Apple .

С другой стороны, агент выявляет критические пробелы в знаниях (gaps). Так, если у соискателя нет опыта работы с Cloudflare или современными фронтенд-фреймворками и технологиями ИИ , система открыто предупредит об этом. Вместо простой констатации факта агент дает практические советы: подчеркнуть общую обучаемость , подготовить примеры работы с похожими технологиями из прошлого опыта или потренироваться в написании кода на современных фреймворках .

Важной частью отчета является генерация умных вопросов (smart questions), которые кандидат может задать интервьюеру . Агент предлагает предметные темы для обсуждения — например, как именно компания интегрирует возможности пограничных вычислений Cloudflare . Это позволяет соискателю выглядеть более подготовленным и профессиональным в глазах потенциального работодателя .

📊 Визуализация данных и продуктовая аналитика с PostHog AI 2:33:00

Использование PostHog AI для принятия продуктовых решений 2:33:00

Современный цикл разработки программного обеспечения требует от команды не только написания кода, но и быстрого реагирования на поведение пользователей. Адриан Хадж (Adrian Hajdin) подробно останавливается на том, как интегрировать PostHog AI для глубокого анализа продуктовых метрик . Вместо ручного написания сложных аналитических отчетов разработчики могут использовать встроенные инструменты искусственного интеллекта для автоматического исследования данных . Система позволяет отправлять текстовые запросы на естественном языке, которые PostHog AI мгновенно транслирует в оптимизированные SQL-запросы к базе данных событий . Это исключает необходимость вручную разбираться в схемах таблиц и ускоряет получение продуктовых инсайтов в разы .

Разработчик может спросить систему: «Какое количество пользователей отсеивается на этапе загрузки PDF-резюме?», и ИИ моментально построит воронку конверсии . Особое внимание уделяется интеграции аналитической платформы с корпоративными мессенджерами. Адриан демонстрирует настройку Slack-бота от PostHog, который позволяет команде получать регулярные сводки активности прямо в рабочий канал . Бот не просто присылает сухие цифры, но и может отвечать на уточняющие вопросы пользователей, используя контекст накопленных данных . Например, можно спросить бота о причинах снижения конверсии на этапе отправки откликов, и ИИ выдаст структурированный ответ с указанием проблемных шагов . Такой подход кардинально меняет процесс принятия решений, делая аналитику доступной не только для продуктовых менеджеров, но и для всей инженерной команды .

Построение дашборда и визуализация метрик с Recharts 2:40:19

Для наглядного представления собранных метрик внутри приложения Job Pilot создается полноценный административный дашборд . Адриан Хадж объясняет, что визуализация данных в реальном времени помогает вовремя замечать аномалии в поведении пользователей и отслеживать общую стабильность системы . В качестве основного инструмента для рендеринга графиков была выбрана библиотека Recharts, известная своей гибкостью и простотой интеграции с React-компонентами . На дашборд выводятся ключевые показатели: количество зарегистрированных пользователей, статистика созданных резюме и динамика откликов на вакансии .

Процесс построения графиков начинается с агрегации данных на уровне сервера. Ранее в разговоре они касались проектирования базы данных через MCP для хранения этих сущностей , теперь же эти данные извлекаются для формирования временных рядов. Бэкенд подготавливает структурированные JSON-ответы, содержащие даты и соответствующие им численные показатели активности . Recharts берет эти данные и преобразует их в адаптивные линейные и столбчатые диаграммы .

Адриан показывает, как настроить интерактивные подсказки (tooltips) и легенду графиков, чтобы сделать интерфейс максимально информативным . Также рассматривается вопрос стилизации графиков: они должны бесшовно вписываться в общую тему интерфейса Job Pilot, используя переменные Tailwind CSS . Особый акцент делается на оптимизации производительности: запросы к базе данных кэшируются, чтобы частые перезагрузки страницы дашборда не приводили к перегрузке сервера .

Финал: Управление ИИ-агентами вместо борьбы с ними 2:55:36

В завершение практического руководства Адриан Хадж подводит итоги работы над проектом Job Pilot . Он подчеркивает, что ключевое отличие высококлассного инженера в 2026 году заключается в умении правильно координировать действия искусственного интеллекта . Вместо того чтобы постоянно бороться с предложениями ИИ-агента и пытаться исправить его ошибки вручную, эффективнее научиться задавать четкие рамки и направлять его .

Адриан иронично замечает, что если зрители не хотят делиться этими мощными инструментами с коллегами, они могут оставить эти секреты продуктивности исключительно для себя . В любом случае, правильное использование связки агентов и современных аналитических инструментов дает колоссальное преимущество на рынке . На этой оптимистичной ноте ведущий прощается со зрителями, выражая надежду, что этот разбор поможет им создавать более качественные продукты .