マルチエージェントキャリアメンター、OllamaとMCPで構築されたローカルAI

開発者は「AIキャリアメンター」というマルチエージェントAIシステムを構築しました。このシステムは履歴書を読み込み、包括的なキャリアインテリジェンスレポートを生成します。システムはOllamaとllama3を使用して完全にローカルで動作し、APIキーや外部コストは必要ありません。

技術アーキテクチャ

このシステムは、出力を連鎖させる5つの専門エージェントで構成されています：

• 各エージェントは前のエージェントの出力を共有コンテキストとして受け取ります
• ロードマップエージェントは分析エージェントからスキルギャップを知ります
• 給与エージェントは前のエージェントからロードマップを知ります
• この連鎖により、レポートはパイプラインを進むにつれて次第に賢くなります

技術スタックの詳細

• AIエンジン： Ollama + llama3（100%ローカル）
• RAGシステム： FAISS + SentenceTransformers（ナレッジベースのインデックス作成用）
• ツール層： MCP（Model Context Protocol）- FastAPIがMCPサーバーをサブプロセスとして起動し、stdio JSON-RPCで通信します
• 履歴書処理： pdfplumber（PDF履歴書の読み込み用）
• フロントエンド： React

MCP実装の注意点

開発者は、MCPの構築が特に興味深いと感じました。MCPはAnthropicのオープンスタンダードで、AIをツールに接続するためのもので、1つのサーバーが任意のクライアントと連携できます。このシステムは設定ファイルを介してClaude Desktopにも接続し、Claudeが9つのツールすべてを直接呼び出せるようにしています。

遭遇した注目すべきバグ：MCP SDK v1.xはハンドラーの署名を完全に変更しました。古いコードは完全なリクエストオブジェクトを渡しますが、新しいコードは名前と引数を直接展開します。これにより、かなりのデバッグ時間がかかりました。

レポート出力

このシステムは、以下の内容を含む完全なキャリアインテリジェンスレポートを生成します：

• 履歴書分析
• スキルギャップの特定
• 6ヶ月のロードマップ
• 給与戦略
• 面接準備

すべてのコンポーネントは、履歴書を処理した後、一括で実行されます。

リソース

このプロジェクトはGitHubで公開されており、ビデオ解説も利用できます。開発者は、RAGのセットアップとMCPクライアント/サーバーの配線が実装で最も難しい部分だったと述べています。