Jobsuche ist hart, und jeder kennt die goldene Regel: Passe deinen Lebenslauf für jede Stelle an. Klingt einfach, bis man drei Stunden tief drinsteckt, dieselben Bullet Points umschreibt und sich fragt, ob man wirklich etwas verbessert oder nur Dinge hin und her schiebt. Nachdem ich selbst durch diesen zermürbenden Prozess gegangen war, stellte ich mir einen anderen Weg vor. Was wäre, wenn Tailoring nicht so mühsam wäre? Was wäre, wenn wir etwas bauen könnten, das eine Stellenbeschreibung wirklich liest, deine Erfahrung versteht und einen polierten Lebenslauf erstellt, ohne dass du jedes Wort mikromanagen musst?
Aus dieser Idee entstand CVolve, ein KI-gesteuerter Lebenslauf-Builder, der weit über den üblichen Ansatz „Abschnitte verschieben und Template auswählen“ hinausgeht. Was als Wochenendprojekt begann, wurde zu einem Full-Stack-System, das mehrere KI-Agenten orchestriert, mit durchgehend typisierten Modellen und echter Kontrolle für Nutzer über den gesamten Prozess. So habe ich es gebaut, und das habe ich dabei gelernt.
Warum noch ein Lebenslauf-Builder?
Generische Lebensläufe halten deinen Workflow vielleicht einfach, überleben aber selten Applicant-Tracking-System-Filter (ATS) oder wecken die Aufmerksamkeit eines Recruiters. Die meisten Online-Builder lassen dich Abschnitte zusammenbauen, aus ein paar Templates wählen und ein PDF exportieren. Sie verstehen nicht, auf welche Rolle du dich wirklich bewirbst oder warum dein konkreter Hintergrund für diese Stelle relevant ist.
CVolve geht völlig anders vor. Statt die Stellenbeschreibung als Nebensache zu behandeln, wird sie zum zentralen Input, der alles Weitere steuert. Das Tool liest dein berufliches Profil, versteht die Zielrolle und durchläuft dann mehrere Runden aus Generierung, Kritik und Verfeinerung, bis jeder Abschnitt wirklich zur Gelegenheit passt.
Der wichtigste Unterschied: Es fühlt sich nicht wie eine Black Box an. Du kannst über ein integriertes Overlay mit der KI chatten, konkrete Formulierungen anpassen und Änderungen sofort sehen. Es fühlt sich weniger nach Formularen an und mehr wie die Arbeit mit einem Schreibpartner, der versteht, was du erreichen willst.
Onboarding: vom Chaos zur Struktur
Bevor CVolve etwas Nützliches generieren kann, muss es deine berufliche Geschichte verstehen. Das Onboarding beginnt einfach: Social Logins, Basis-Kontaktdaten, aktuelle Rolle. Dann wird es interessant. Statt dich endlose Formulare manuell ausfüllen zu lassen, übernimmt das System die schwere Arbeit, indem es Informationen aus mehreren Quellen zieht und intelligent zusammenführt.
Im Hintergrund übernimmt ein ausgereifter ProfileExtractionService die asynchrone Extraktion aus hochgeladenen Dateien, eingefügtem Text und sogar Links zu deinen öffentlichen Profilen. Neben manuellen Eingaben zieht das System Daten aus mehreren Quellen, parst sie und verwebt sie zu einem einheitlichen Profil.
Die Kosten dieser Onboarding-Pipeline sind überraschend effizient: Im Durchschnitt kostet es etwa 0,40 $ pro Onboarding-Session, die beruflichen Daten eines Nutzers zu verarbeiten, zusammenzuführen und zu strukturieren.
Der Merge-Prozess ist überraschend komplex. Ein spezialisierter full_profile_merge agent übernimmt die schwierige Aufgabe, neue Daten mit dem abzugleichen, was bereits im System liegt. Er erhält ursprüngliche IDs, erzeugt neue, wenn nötig, und sorgt dafür, dass Felder wie „experiences“ nicht mit nervigen Duplikaten enden. Wenn du ein PDF eines alten Lebenslaufs hochlädst, wandelt ein separater file_to_markdown_agent es in strukturiertes Markdown um, damit der Extractor es sauber parsen kann.
Die KI-Pipeline: mehrstufige Generierung
CVolves Intelligenz steckt in einem Python-Backend, das mehrere eigenständige Services koordiniert. Im Zentrum steht ein ResumeOrchestratorService, der Tailoring-, Writing-, Critique-, Improvement- und Ordering-Agenten nahtlos verbindet. Jede Stufe ist isoliert, vollständig mit Pydantic-Modellen typisiert und unabhängig testbar.
Einen vollständigen Lebenslauf mit allen Stufen aus Tailoring, Entwurf, Kritik und Zusammenbau zu erzeugen, kostet im Schnitt etwa 0,14 $ pro Lebenslauf. Diese niedrigen Kosten pro Dokument machten Iteration und Experimentieren möglich, ohne das Budget zu sprengen.
Stufe 1: Profile Tailoring
Die Pipeline beginnt damit, dein vollständiges Profil aus der Datenbank zu laden. Ein smarter Tailoring-Agent kombiniert Vector-Similarity Retrieval (um Übereinstimmungen zwischen Stellenbeschreibung und deinem Profil zu finden) mit einem Large Language Model (LLM), um die relevantesten Elemente auszuwählen und umzuschreiben. Daraus entsteht eine Version, die die Skills und Projekte hervorhebt, die für diese konkrete Rolle am relevantesten sind.
Stufe 2: Content Generation
Mit dem zugeschnittenen Profil erstellt ein Writing-Agent umfassende Entwurfsabschnitte: Summary, Experience, Education, Projects. Er validiert, dass mindestens ein Abschnitt sinnvollen Inhalt enthält, und zeigt klare Warnungen, wenn etwas Wichtiges in deinem Profil fehlt.
Stufe 3: Critique und Improvement
Ein eigener Critique-Agent prüft den Entwurf und gibt eine detaillierte Liste der Abschnitte zurück, die Arbeit brauchen. Danach überarbeitet ein Improvement-Agent diese Abschnitte systematisch, mit Fokus auf Klarheit, Wirkung und Ausrichtung auf die Zielrolle.
Stufe 4: finale Zusammenstellung
Am Ende bestimmt ein intelligenter Ordering-Agent die beste Reihenfolge und wählt ein passendes Template. Der Orchestrator loggt jede Entscheidung für volle Transparenz: welches Template gewählt wurde, warum Abschnitte in einer bestimmten Reihenfolge stehen und welche konkreten Verbesserungen im Prozess gemacht wurden.
Alle Agenten in der Pipeline laufen letztlich auf GPT-4.1-mini, das für mich nach vielen Experimenten mit anderen Modellen (darunter Claude, Gemini und Llama) die beste Balance aus Geschwindigkeit und Leistung hatte.
Frontend: KI soll sich sofort anfühlen
Während das Backend mehrere komplexe KI-Schritte ausführt, muss sich das Frontend schnell und reaktionsfreudig anfühlen. CVolves Webclient, gebaut mit Next.js 15 + TypeScript + React Query, nutzt optimistische Updates und smartes Polling, um Fortschritt sofort sichtbar zu machen.
KI-Chat-Overlay
Beim Bearbeiten tauchen oft Fragen auf: „Wie soll ich dieses Projekt beschreiben?“ „Soll ich das Praktikum von vor zwei Jahren erwähnen?“ Ein kontextbezogenes Chat-Overlay erscheint, wenn du Inhalte auswählst, und kann auch über ⌘K/Ctrl+K geöffnet werden. Es fühlt sich hilfreich und präsent an, ohne aufdringlich zu sein oder im Weg zu stehen.
Bearbeitung: Zusammenarbeit in Echtzeit
Sobald dein Lebenslauf generiert ist, bekommst du eine vollständige PDF-Vorschau mit einer intuitiven Seitenleiste, um Abschnitte per flüssigem Drag-and-drop neu zu ordnen.
Power User können direkt in das zugrunde liegende Markdown jedes Abschnitts eintauchen. Einzelne Formulierungen bearbeiten, wichtige Kennzahlen hervorheben oder veraltete Punkte entfernen und direkt sehen, wie sich das PDF aktualisiert. Zusammen mit dem Chat-Overlay fühlt es sich an wie die Arbeit mit einem fähigen Schreibpartner, der deine berufliche Geschichte versteht.
Technische Learnings und Best Practices
Der Bau von CVolve hat mir wertvolle Lektionen über die Orchestrierung komplexer KI-Systeme und das Ausliefern reaktionsschneller User Experiences beigebracht. Das waren die Praktiken, die in Produktion wirklich wichtig waren, nicht nur auf dem Papier:
Typed Contracts, überall
Pydantic-Modelle im Backend und TypeScript-Interfaces im Frontend dienten als Single Source of Truth. Wenn ein Modell eine unerwartete Struktur zurückgab, scheiterte die Validierung früh, statt den Applikationszustand zu beschädigen. Drei Muster haben zuverlässig funktioniert:
- Shared schema package: DTOs, die von Services und Webclient genutzt werden, um gefährlichen Drift zu verhindern.
- Validate at boundaries: Jeder API-Handler parst Input und Output durch ein Schema. Keine Ausnahmen.
- Test the edges: Randomisierte Tests fanden subtile Probleme früh.
Orchestrierung statt naiver Verkettung
Der Orchestrator machte Abhängigkeiten explizit und hielt Schritte komplett austauschbar. Außerdem machte er Fehler vorhersehbar, und genau das will man. Die wichtigsten Muster:
- Deterministic steps: Idempotency Keys für lang laufende Tasks, damit Retries immer sicher sind.
- Parallel where it makes sense: Unabhängige Enrichments laufen parallel, während Ordering später passiert.
- Structured logging: Step IDs, Laufzeiten und Inputs/Outputs (sauber gehasht) für schnelles Debugging.
UX schlägt rohe Intelligenz
Niemanden interessiert, wie ausgefeilt deine Pipeline ist, wenn sich das Interface träge oder unresponsiv anfühlt. Diese UX-Entscheidungen ließen das Produkt wirklich „instant“ wirken:
- Optimistic flows: Erstellen, Umordnen und Bearbeiten zeigen Ergebnisse sofort und synchronisieren im Hintergrund.
- Contextual help: Das Chat-Overlay erscheint genau dort, wo du gerade bearbeitest, und bleibt sonst aus dem Weg.
- Keyboard-first design: Navigation, Abschnittseinfügung und Input-Fokus per Shortcuts hielten Power User im Flow.
Was als Nächstes für CVolve kommt
Auf der Roadmap stehen modernere Templates mit Dark-Mode-PDFs, zugeschnittene Anschreiben mit demselben Critique-and-improve loop und vielleicht ein leichtgewichtiges Recruiter-Portal für bessere Kandidatensuche.
Was als Automatisierung einer mühsamen Aufgabe begann, wurde zu einer umfassenden Lektion im Bauen von KI-Systemen, die intelligent wirken, ohne undurchsichtig zu sein. Das Ziel war, Tools zu schaffen, die menschliches Urteilsvermögen verstärken, statt es zu ersetzen, und ich glaube, CVolve trifft diesen Sweet Spot.
