Good CV Maker

Los Dos Problemas

1. LaTeX está encerrado detrás de un lenguaje. LaTeX produce, con diferencia, los CVs más cuidados y consistentes, pero escribir .tex a mano es una barrera que casi nadie está dispuesto a cruzar para un documento que toca dos veces al año.
2. Adaptar el CV a cada oferta no escala. Reescribir tu CV para cada oferta de trabajo es lo que más impacto tiene en tus candidaturas, y lo que casi nadie hace de verdad, porque hacerlo bien a mano es tedioso.

Good CV Maker existe para resolver ambos: un editor WYSIWYG que compila a LaTeX por debajo, para conseguir una maquetación profesional sin tocar un solo comando de LaTeX, y un flujo de “Adaptar a un puesto” con IA que hace el trabajo de adaptación por ti frente a cualquier oferta.

Cómo Funciona

1. Importar: sube un CV en PDF, DOCX o JSON. AWS Bedrock (Claude) extrae y estructura el contenido directamente en el editor, sin tener que empezar desde cero.
2. Edición directa: cada campo de la página renderizada (nombre, puesto, puntos de experiencia, fechas) es editable directamente, con reordenación por arrastre de secciones y entradas, y autoguardado cada pocos segundos. Lo que ves es el CV, a resolución de impresión.
3. Adaptar a un puesto: pega la descripción de una oferta para obtener una puntuación de compatibilidad cuantitativa, y revisa sugerencias generadas por IA una a una, aceptando o descartando cada una antes de guardar.
4. Exportar: los datos estructurados del CV se renderizan en LaTeX (plantillas Jinja2) y se compilan en el servidor con pdflatex/xelatex en un PDF descargable.

Arquitectura

• Frontend: SPA en React 19 + TypeScript construida con Vite, CSS Modules y una estructura por funcionalidades (edición directa, dashboard, flujo de adaptación) con hooks personalizados para autoguardado, adaptación y resaltado de cambios.
• Backend: servicio en Python con FastAPI dividido en capas de IA (Bedrock), extracción de CVs, compilación de LaTeX y almacenamiento, con rutas validadas con Pydantic y prompts dedicados para análisis de compatibilidad, adaptación y sugerencias de puntos por sección.
• Infraestructura: un stack de AWS CDK: CloudFront delante de una SPA alojada en S3, redirigiendo /api/* a una única instancia EC2 que ejecuta FastAPI y LaTeX en Docker, con DynamoDB como almacenamiento y Cognito para autenticación. Deliberadamente minimalista, sin balanceador de carga ni autoescalado, para mantener el coste de hosting en torno a $14/mes.

Qué Significa “Agéntico” Aquí

En lugar de un framework de orquestación multi-agente, la IA se divide en prompts específicos que corren sobre AWS Bedrock: un paso de análisis de compatibilidad que puntúa un CV frente a una oferta y muestra los requisitos que faltan, un paso de adaptación que propone ediciones concretas por campo con alternativas, un paso de asistencia para generar puntos por sección, y un paso de extracción que convierte CVs en PDF/DOCX sin estructurar en datos limpios y estructurados. Claude Haiku se encarga de los pasos sensibles al coste; Claude Sonnet, del razonamiento más complejo.

Lo que Aprendí

Hacer que una funcionalidad de IA se sienta fiable es más difícil que hacer que funcione. Los usuarios necesitan ver exactamente qué cambió y por qué antes de aceptarlo, de ahí el flujo de revisión sugerencia por sugerencia en lugar de un botón de “auto-adaptar” opaco. En cuanto a infraestructura, resistir el impulso de recurrir por defecto a Fargate/ALB/autoescalado y dimensionar el despliegue al tráfico real (una única instancia EC2 detrás de CloudFront) redujo el coste de hosting en aproximadamente un 75% frente a la configuración inicial, sin perder fiabilidad para un proyecto de escala personal.