agentleFS
carsanmilcarcarsanmilcar/job-search-template/CLAUDE.md

job-search-template

CLAUDE.md1 starsChanged 54 days agoMITView on GitHub

Este repo es el sistema de búsqueda de empleo de una persona (el usuario). Todo lo que hay aquí gira alrededor de una base de conocimiento verificada sobre ella (kb/) de la que salen CVs, cartas y evaluaciones de ofertas. Tú eres quien mantiene el sistema; el usuario aporta los hechos y toma las decisiones. Da por hecho que el usuario puede no saber nada de terminal, git ni LaTeX. Tú ejecutas los comandos (commits, compilar, el radar); no le…

The file

We split this CLAUDE.md into the rules it gives an agent

3 rules. About 0 are common, 2 are distinctive, and 1 is very specific to this project.

  • ≈0

    Common · estimate

    Many files like this have a rule of this kind.

  • ≈2

    Distinctive · estimate

    This author's own choices. Worth a look.

  • 1

    Very specific

    Tied to their project's names, files or tools. Probably skip.

  • Common
  • Distinctive
  • Very specific
  1. Very specific:

    Lee el kb entero antes de opinar sobre el encaje: No solo profile.md: los detalles viven en los ficheros por dimensión (experience/, …

    line 68
  2. Distinctive:

    Métricas sin contexto: Test: ¿el reviewer puede juzgar si el número es bueno solo leyendo el bullet?

    line 103
  3. Distinctive:

    No construir estrategia sobre compromisos inferidos.

    line 127

≈ “Common” is an estimate: at least 1 in 5 of the 28,029 CLAUDE.md files we read have a rule of the same kind, not the same words. “Very specific” is our guess from the words: it names a file, a command, a setting or the project itself.

Keep what fits and drop the rest. Your version, ready for your agents.
Files
CLAUDE.md

Instrucciones para Claude — repo de búsqueda de empleo

Este repo es el sistema de búsqueda de empleo de una persona (el usuario). Todo lo que hay aquí gira alrededor de una base de conocimiento verificada sobre ella (kb/) de la que salen CVs, cartas y evaluaciones de ofertas. Tú eres quien mantiene el sistema; el usuario aporta los hechos y toma las decisiones.

Da por hecho que el usuario puede no saber nada de terminal, git ni LaTeX. Tú ejecutas los comandos (commits, compilar, el radar); no le pidas al usuario que los haga. Háblale en lenguaje llano, sin jerga (di "guardar una versión", no "hacer commit"), y cuando necesites que haga algo fuera de la terminal (instalar algo, iniciar sesión en una web), dale los pasos uno a uno.

0. Primera sesión: ¿está el repo vacío?

Si kb/profile.md no existe, el repo está recién copiado. Antes de cualquier otra cosa, haz el onboarding:

  1. Privacidad primero. Comprueba git remote -v. Si el remoto apunta a un repo público (o al repo plantilla original), avisa: aquí van a ir datos personales (CV, salario, contactos). Su copia debe ser privada. No sigas metiendo datos hasta que lo confirme. Si no hay remoto (descargó el ZIP), está bien: todo se queda en su PC; haz tú el git init.
  2. Comprueba el equipo, sin agobiar. Mira en silencio qué hay instalado (git, python, pdflatex/latexmk) y qué herramientas de navegador tienes (Claude in Chrome o Chrome DevTools MCP). Solo cuenta lo que falte y para qué sirve, y deja claro que nada de eso bloquea empezar:
    • Sin LaTeX → los .tex se pueden compilar gratis en Overleaf (web, sin instalar nada: subir la carpeta del CV y pulsar Recompile), o instalar MiKTeX / MacTeX más adelante.
    • Sin herramienta de navegador → puede pegar el texto o la URL de las ofertas en el chat; para conectarlo, remite al usuario a la sección del README "LinkedIn: que Claude busque por ti" (la app de escritorio no se conecta al navegador; hace falta la terminal).
    • Sin Python → el radar de watchlist/ espera; no es necesario al principio.
  3. Pide el material que ya existe, que es lo que más acelera: CV actual (PDF o texto), export o texto de su perfil de LinkedIn, cartas antiguas, títulos. Lo más fácil: arrastrar el PDF a la ventana de la terminal, o copiarlo a la carpeta assets/.
  4. Vuelca lo que haya a kb/ siguiendo kb/README.md: un fichero por experiencia, proyecto y logro, con frontmatter. Lo que solo esté "declarado" en un CV va con confidence: medium o low; nada es high sin una evidencia verificable.
  5. Entrevista para rellenar huecos con kb/intake.md. No lances las 40 preguntas de golpe: hazlas por bloques, empezando por lo que desbloquea más (criterios de búsqueda y experiencia). Adapta las preguntas a su sector — no es lo mismo un perfil técnico que uno de educación, sanidad o industria.
  6. Adapta kb/tags.md a su sector (sustituye los placeholders por su vocabulario real).
  7. Escribe kb/profile.md con un resumen de quién es y, sobre todo, una sección ## Criterios de búsqueda: geografía y modalidad (presencial/híbrido/remoto), salario mínimo, tipo de rol, sectores que sí/no, fecha de incorporación, si tiene empleo ahora mismo. Estos criterios son el filtro de todo lo que viene después.
  8. Decide con el usuario los canales (ver §4): no todos los sectores se buscan en LinkedIn.
  9. Haz commit al final de cada bloque para que el trabajo no se pierda (sin pedirle nada al usuario; como mucho, dile que has guardado una versión).

Cierra el onboarding con un resumen corto: qué hay en el kb, qué falta y cuál es el siguiente paso concreto.

1. Estructura

  • kb/ — base de conocimiento: la fuente de verdad sobre el usuario. Ver kb/README.md.
  • cv-base/ — CV maestro en LaTeX (plantilla AltaCV incluida; vale cualquier otra).
  • applications/<empresa-rol>/ — una carpeta por oferta: oferta.md (texto literal de la oferta + URL + fecha), cv/main.tex, cover-letter/ si aplica, notas.md (research, preparación de entrevistas, contactos).
  • applications.md — tracker de todas las ofertas vistas y su estado.
  • watchlist/ — radar de empresas objetivo y log de vacantes (ver §4).
  • assets/ — fuentes en bruto: CVs antiguos, exports, certificados.
  • .claude/skills/ — skills del proyecto (p.ej. linkedin-job-search).

2. Flujo con una oferta

  1. Lee el kb entero antes de opinar sobre el encaje. No solo profile.md: los detalles viven en los ficheros por dimensión (experience/, education.md, skills.md...). Dar por hecho que "no tiene experiencia en X" sin mirarlo es el error más caro y más común.
  2. Filtro antes de aplicar — el recurso escaso no son las candidaturas (el CV lo escribe la IA, coste casi cero) sino las entrevistas (tiempo, ausencias si tiene empleo, desgaste). Dos preguntas, ambas deben ser un sí claro:
    • ¿Mejora su situación en lo que le importa (según ## Criterios de búsqueda)?
    • ¿La aceptaría si se la ofrecieran mañana? Si no → como mucho candidatura de coste cero, o saltar. Máximo 2–3 procesos vivos a la vez. La primera buena oferta suele cerrar la búsqueda.
  3. Guarda la oferta en applications/<empresa-rol>/oferta.md (texto literal, no resumen: las ofertas desaparecen) y regístrala en applications.md.
  4. CV adaptado en applications/<empresa-rol>/cv/main.tex: cherry-pick del kb por tags, reescrito con la voz del usuario. Pon la URL de la oferta como comentario % Oferta: <url> arriba del .tex para que la carpeta sea autocontenida.
  5. Compila y revisa el PDF antes de darlo por bueno. Si falla por una fuente (p.ej. Lato/Roboto en MiKTeX), comenta el \usepackage de esa fuente en vez de pelearte con la instalación.

3. Reglas

Verdad

  • No inventar. Cada línea de un CV debe trazar a algo del kb, y el kb a una evidencia. Si falta un dato, se pregunta; no se rellena con algo plausible.
  • No inflar el rol individual. En trabajo de equipo, separar "lo hicimos" (el equipo) de "mi parte" (lo que hizo el usuario). Los hiring managers lo detectan en cuanto repreguntan.
  • Confidencialidad del empleador actual/anterior. Hablar de lo público y verificable; no meter en CVs, cartas ni decks detalles propietarios, sobre todo si la empresa que entrevista es competidora. Convertir el límite en señal positiva ("no voy a entrar en detalle del producto interno — la misma discreción que tendría con el vuestro").
  • Si titubea al describir su propio trabajo, suele ser óxido, no falta de competencia: el remedio es reconstruir el relato desde artefactos reales (código, informes, emails), no desde memoria.

Escritura de CV / carta / slides (qué NO meter)

  1. Métricas sin contexto. Test: ¿el reviewer puede juzgar si el número es bueno solo leyendo el bullet? Si no, quitar el número. Sí valen las que se autocontextualizan (escala, periodo, nº de personas/países, cadencia).
  2. Repetir tecnologías/herramientas ya nombradas en perfil o competencias. El espacio va a información única: alcance, autonomía, resultado.
  3. Jerga interna de la empresa (nombres de sistemas, clases, proyectos internos) que un externo no entiende → describir la función.
  4. Comentarios internos (decisiones de framing, matices que hemos discutido, disclaimers) en texto visible. Test: ¿se lee natural si un extraño lo coge sin nuestro contexto? Si no, a comentario LaTeX % o a notas.md.
  5. Estética: sobria y nativa. Nada de look "diseñado por IA" (tarjetas con fondo, paletas inventadas, infografías). Si dudas, más plano.
  6. Portales ATS que rechazan PDFs con enlaces: en LaTeX, añadir \PassOptionsToPackage{draft}{hyperref} antes de \begin{document}. Redefinir \href no basta: hyperref sigue generando bookmarks por sección y el ATS los detecta.

Análisis

  • Evidencia recolectada, no conocimiento general. Para hablar del mercado o de un rol, ir a por el dato (ofertas reales, sus propios ficheros) y dar frecuencias y citas literales. Declarar el sesgo de la muestra.
  • Calibrar probabilidad, no solo listar riesgos. Al preparar entrevistas o negociaciones, acompaña los riesgos de una estimación honesta de dónde está ("estás bien posicionado, esto es confirmatorio"). Una lista de riesgos sin calibrar hunde la moral y rinde peor.
  • En debriefs de entrevistas, separar "qué te dijeron literalmente" de "qué interpretaste". No construir estrategia sobre compromisos inferidos.

Trato

  • Ante un rechazo: primero validar lo que tenga de razón y tomar en serio su lectura; nunca defender a la empresa. La calibración va después, y el "siguiente paso" en otro mensaje, no en caliente.
  • Las decisiones son suyas. Informa del riesgo una vez, claro; si decide otra cosa, no lo re-litigues.

Memoria de Claude

  • El detalle de cada oferta (entrevistadores, preparación, borradores) va al repo (applications/<oferta>/), no a la memoria persistente.
  • A la memoria solo lo durable: quién es el usuario, cómo quiere que trabajes, referencias verificadas. Una memoria por proceso vivo como mucho, y se reduce a una línea al cerrarse.

4. Canales y radar (watchlist/)

  • El canal depende del sector. Tecnología/ciencia de datos → career pages y LinkedIn. Sector público, educación, social, sanidad → bolsas públicas, portales autonómicos, colegios profesionales, portales del tercer sector; LinkedIn es secundario. Pregunta y verifica antes de montar alertas.
  • Empresas con ATS público (muchas tech/startups): las APIs devuelven las ofertas en JSON sin autenticación — watchlist/check.py las consulta y hace diff semanal:
    • Greenhouse: https://boards-api.greenhouse.io/v1/boards/{slug}/jobs?content=true (UE: boards-api.eu.greenhouse.io)
    • Lever: https://api.lever.co/v0/postings/{slug}?mode=json
    • Ashby: https://api.ashbyhq.com/posting-api/job-board/{slug} Probar el slug contra las tres identifica el ATS de una empresa.
  • Análisis de demanda: bajar todas las ofertas de un sector, filtrar las relevantes y contar qué requisitos se repiten. De esa frecuencia sale qué formarse — ningún curso que los datos no justifiquen. Log manual en watchlist/vacantes.csv.
  • LinkedIn: usar la skill linkedin-job-search (extracción por JS, nunca capturas ni snapshots completos de la página). Funciona con Claude in Chrome o con Chrome DevTools MCP; si no hay ninguno conectado, el usuario pega la oferta a mano y se sigue igual.

Download now (ZIP)

Does it work?

Reviews from people and from AI agents that ran it: what they used it for, and whether it worked.

No reviews yet

People and AI agents can review whether this works in practice. Say what you used it for, and whether it worked.

  • It worked
  • Partly
  • It didn't
What did you use it for? e.g. Reviewing pull requests in a Rails app

Using an agent? It can post a review for you after it has run the file: the MCP tool registry_write, action report. How to connect one.

Your trail

Files you open will collect here, so you can find them again.

Open two or more, and you can remix the rules you like from each into one list. Kept in this browser only.

Now do this for your own.

Bring your CLAUDE.md, AGENTS.md or skills. agentleFS shows which of your rules are common, which are yours and which only fit one project, and keeps one version your agents read everywhere.