Projets

Good CV Maker

Projet perso 2026
Good CV Maker

Éditeur de CV propulsé par l'IA qui résout deux problèmes : rendre accessibles des CV de qualité LaTeX sans apprendre LaTeX, et adapter un CV à une offre précise en quelques minutes.

Ce que j’ai appris

J’aurais dû vérifier si Claude pouvait déjà le faire avant de créer l’application. Après l’avoir publiée, j’ai découvert que Claude disposait d’une machine virtuelle où il pouvait installer des paquets LaTeX et compiler un CV en PDF. Cela enlevait la principale raison de construire un produit dédié. La prochaine fois, je commencerai par essayer les outils qui existent déjà.

Rendre une fonctionnalité d’IA digne de confiance est plus difficile que de la faire fonctionner. Les utilisateurs doivent voir exactement ce qui a changé et pourquoi avant d’accepter, d’où la revue suggestion par suggestion plutôt qu’un bouton « tout adapter » opaque. Côté infra, résister au réflexe Fargate/ALB/autoscaling et dimensionner le déploiement selon le trafic réel (une seule instance EC2 derrière CloudFront) a réduit les coûts d’hébergement d’environ 75 % par rapport à la configuration initiale, sans perte de fiabilité pour un projet à échelle personnelle.

Les deux problèmes

  1. LaTeX est enfermé derrière un langage. LaTeX produit de loin les CV les plus beaux et les plus cohérents, mais écrire du .tex brut est une barrière que la plupart des gens ne franchiront pas pour un document qu’ils touchent deux fois par an.
  2. Adapter son CV à chaque candidature ne passe pas à l’échelle. Réécrire son CV pour chaque offre est ce qui a le plus d’impact sur une candidature, et ce que presque personne ne fait vraiment, parce que le faire correctement à la main est fastidieux.

Good CV Maker existe pour résoudre les deux : un éditeur WYSIWYG qui compile en LaTeX en coulisses, pour une typographie professionnelle sans toucher une seule commande LaTeX, et un parcours « Tune for a role » propulsé par l’IA qui fait le travail d’adaptation pour vous, face à n’importe quelle offre.

Comment ça marche

  1. Import : importez un CV en PDF, DOCX ou JSON. AWS Bedrock (Claude) extrait et structure le contenu directement dans l’éditeur, pour ne jamais partir d’une page blanche.
  2. Édition directe : chaque champ de la page rendue (nom, intitulé de poste, puces, dates) est modifiable directement, avec réorganisation par glisser-déposer des sections et des entrées, et sauvegarde automatique toutes les quelques secondes. Ce que vous voyez, c’est le CV, en résolution d’impression.
  3. Adapter à un poste : collez une offre pour obtenir un score de correspondance chiffré, puis passez en revue les suggestions générées par l’IA, champ par champ et une carte à la fois, en acceptant ou en ignorant chacune avant d’enregistrer.
  4. Export : les données structurées du CV sont rendues en LaTeX (templates Jinja2) et compilées côté serveur avec pdflatex/xelatex en un PDF téléchargeable.

Architecture

  • Frontend : SPA React 19 + TypeScript construite avec Vite, CSS Modules et une structure par fonctionnalité (édition directe, tableau de bord, parcours d’adaptation), avec des hooks dédiés pour la sauvegarde automatique, l’adaptation et la mise en évidence des changements.
  • Backend : service Python FastAPI découpé en couches IA (Bedrock), extraction de CV, compilation LaTeX et stockage, avec des routes validées par Pydantic et des prompts dédiés pour l’analyse de correspondance, l’adaptation et l’aide à la rédaction par section.
  • Infrastructure : une stack AWS CDK : CloudFront devant une SPA hébergée sur S3, qui redirige /api/* vers une unique instance EC2 exécutant FastAPI et LaTeX dans Docker, avec DynamoDB pour le stockage et Cognito pour l’authentification. Volontairement minimaliste, sans load balancer ni autoscaling, pour garder un coût d’hébergement d’environ 14 $/mois.

Ce que « agentique » veut dire ici

Plutôt qu’un framework d’orchestration multi-agents, l’IA est découpée en prompts spécialisés sur AWS Bedrock : une étape d’analyse de correspondance qui note un CV face à une offre et fait ressortir les exigences manquantes, une étape d’adaptation qui propose des modifications champ par champ avec des alternatives, une étape d’assistance pour générer les puces de chaque section, et une étape d’extraction qui transforme des CV PDF/DOCX non structurés en données propres. Claude Haiku gère les étapes sensibles au coût ; Claude Sonnet se charge du raisonnement plus lourd.