Entwickler baut ATS-Resume-Scorer mit Groq und Gemini-Fallback
Nach haeufigen Ablehnungen durch Bewerbungssysteme hat ein Entwickler ein Werkzeug zur Analyse erstellt. Der Stack besteht aus Next.js, Supabase, Groq mit Llama 3.3 fuer schnelle Analysen und Gemini als Ausweichloesung bei Ausfaellen oder Rate-Limits.
Ich wurde oft von Bewertermanagementsystemen abgelehnt, also habe ich ein Tool gebaut, um herauszufinden, warum. Dieser Beitrag behandelt die technischen Entscheidungen und die Fehler.
Der Stack: Next.js, Supabase für Authentifizierung und Daten, Groq (Llama 3.3) für eine schnelle und günstige Analyse sowie Gemini als Fallback, falls Groq ausfällt oder ein Rate-Limit greift.
Was das Tool macht: Man fügt einen Lebenslauf und eine Stellenbeschreibung ein und erhält eine Bewertung in vier Kategorien, die fehlenden Schlüsselwörter und neu formulierte Aufzählungspunkte.
Entscheidung 1: Zwei Modell-Anbieter. Wenn ein einzelner Anbieter ausfällt, ist das gesamte Produkt nicht mehr verfügbar. Der Fallback kostet nur wenige Zeilen Code und hat meinen größten Fehlerpunkt beseitigt.
Entscheidung 2: Zahlungen müssen idempotent sein. Ich vergeude Scan-Credits sowohl über den Verifizierungsschritt im Client als auch über einen Razorpay-Webhook. Beides kann zuerst eintreffen, daher prüft die Credit-Logik den Zahlungsstatus, bevor Credits vergeben werden, und ein doppeltes Ereignis kann keine doppelten Credits vergeben.
Was noch verbesserungswürdig ist: Man braucht ein Konto, bevor man den ersten Scan durchführen kann, was mich vermutlich Anmeldungen kostet. Zahlungen funktionieren derzeit nur in Indien. Ich prüfe, ob ich Stripe oder Dodo Payments für globale Kartenzahlungen verwende.
Fragen an euch: Würdet ihr einen Scan durchführen, bevor ihr euch anmeldet? Ist eine Bewertung von 0 bis 100 nützlich, oder wirkt sie willkürlich? Probiert es auf https://getresume-ai.vercel.app und sagt mir, was nicht funktioniert.
Automatisch übersetzt. Das Original auf Englisch ist unten aufklappbar.
Original (Englisch) anzeigen
I got ATS-rejected a lot, so I built a tool to find out why. This post covers the technical decisions and the mistakes.
Stack: Next.js, Supabase for auth and data, Groq (Llama 3.3) for fast, cheap analysis, and Gemini as a fallback if Groq fails or rate-limits.
What it does: you paste a resume and a job description, and it returns a score across four categories, the missing keywords, and rewritten bullets.
Decision 1: two model providers. A single provider going down means the whole product is down. The fallback costs a few lines of code and removed my biggest failure point.
Decision 2: payments must be idempotent. I grant scan credits from both the client verify step and a Razorpay webhook. Either can arrive first, so the credit logic checks payment status before granting, and a double event can’t give double credits.
What’s rough: you need an account before your first scan, which probably costs me signups. Payments only work in India. I’m weighing Stripe against Dodo Payments for global cards.
Questions for you: Would you scan before signing up? Is a 0-100 score useful, or does it feel arbitrary? Try it at https://getresume-ai.vercel.app and tell me what breaks.