Летом я искал работу Python-разработчиком в AI: LLM, RAG, автоматизация, удаленка. Опыта у меня около двух лет, и откликаться руками на десятки вакансий в день мне быстро надоело. Поэтому я написал бота, который делал это за меня: находил вакансии на hh, решал, подходят ли они, писал сопроводительное и откликался.

Бот проработал два месяца, с 17 июня по 17 августа. За это время он разобрал 1518 вакансий и отправил 339 откликов. Выборка маленькая: один человек, одно резюме. Зато про каждый отклик я знаю все: какую оценку вакансии поставила модель, ушло ли письмо и какой версией бота оно написано.

Поэтому тут будет не только общая воронка, но и то, как менялись результаты, пока я допиливал бота.

Как устроен бот

С 15 декабря 2025 hh закрыл API для соискателей, поэтому бот работает через обычный браузер (Playwright) на моем залогиненном профиле. Два раза в день его запускает планировщик Windows, и за прогон он делает вот что:

1. Ищет вакансии по 14 запросам: “AI Engineer”, “LLM Engineer”, “RAG”, “Python FastAPI”, “чат-бот Python” и так далее. Только удаленка, опыт до 6 лет.

2. Отсекает лишнее по стоп-словам: senior, lead, тимлид, архитектор, 1С, стажер.

3. Отдает описание вакансии LLM. Модель ставит оценку от 0 до 100: 85 и выше - роль прямо про LLM или ML, 70-84 - Python-бэкенд, где ИИ часть задач, ниже уже мимо. Откликается бот только выше порога.

4. Пишет сопроводительное под вакансию: 4-7 предложений, в первом мой опыт под их главное требование. Без “меня заинтересовала ваша вакансия”.

5. Откликается. Если работодатель задал вопросы, отвечает на них по моему резюме. Если в вакансии тест, ничего не делает и шлет ее мне в Telegram.

6. Проверяет, что отклик реально ушел, и присылает карточку в Telegram.

Еще бот читает чаты с рекрутерами. На простые вопросы про опыт и стек отвечает сам. Все, что касается денег, переезда, личных данных и тестовых, присылает мне черновиком, и решаю уже я.

LLM я гонял через Codex CLI по подписке, так что за API отдельно не платил. Состояние лежит в SQLite: какие вакансии уже оценены, куда уже откликнулся, какие чаты прочитаны.

Откуда цифры

Свою базу бот вел сам, но в ней нет главного: что ответил работодатель. Это есть только на hh. Страница “Отклики и приглашения” отдает статусы в JSON прямо внутри HTML, так что я прошелся по всем страницам вместе с архивом и сопоставил отклики с базой бота по id вакансии.

Выгрузка от 20 октября. С последнего отклика прошло два месяца, так что кто хотел ответить, уже ответил. Исходы считал так:

• Приглашение - статус “Приглашение” или “Собеседование”.

• Отказ - статус “Отказ”.

• Открыли и молчат - отклик просмотрен, статус не менялся.

• Не открыли - отклик так никто и не посмотрел.

В 339 входят только отклики, которые отправил сам бот. Вакансии с тестами, которые он переслал мне, и мои ручные отклики за те же месяцы считаю отдельно.

Воронка

Из 339 откликов приглашений пришло 26, это 7,7%, или примерно каждый тринадцатый отклик. Почти 40% закончились отказом, а каждый пятый так никто и не открыл. Отклики ушли в 258 разных компаний.

Отказывают быстро. Половина отказов пришла в первые сутки (медиана 19 часов), а четверть меньше чем за полтора часа. Три четверти укладываются в 4,5 дня, но бывали и через две-три недели.

Для приглашений время честно посчитать не получилось. hh отдает только время последнего изменения, а после приглашения идет переписка в чате, и она это время сдвигает.

Что меняло конверсию

Пока бот работал, я его постоянно правил. По датам коммитов отклики делятся на пять периодов, и разница между ними больше, чем я ожидал.

Первая версия и фильтр по уровню

Первые две недели бот откликался почти на все подряд. Фильтра по уровню не было, senior и lead спокойно проходили, а модель с первой версией промпта ставила 100 из 100 двум вакансиям из трех. Итог: 152 отклика и 7 приглашений.

1 июля я добавил стоп-слова и фильтр по опыту, поднял порог оценки с 60 до 75 и запретил в письмах длинные тире и стрелки: по ним ИИ угадывался с первой строки. За следующие 11 дней пришло 6 приглашений на 26 откликов. 23% на такой выборке скорее везение, но разница с июнем в пять раз. Самая полезная правка за все лето оказалась самой скучной: перестать откликаться на вакансии не своего уровня.

Строже оценка и письма по фактам

12 июля я переписал шкалу оценки: 85+ только для ролей прямо про ИИ и прямое “не завышай”. Порог вырос до 78. Еще модель начала сама придумывать мне зарплатные ожидания, так что про деньги и формат работы она теперь пишет только дословно из моего профиля. В этот период вышло 10%.

Письмо начинается с меня

18 июля я поменял начало письма. Раньше первое предложение было про компанию: “вы делаете X”. Рекрутер это и так знает, и такое начало читается как вода. Теперь первое предложение берет их главное требование и показывает проект из резюме, где я это уже делал: не “вы делаете X”, а “я делал X”. Лучший период за все время: 14,3%, каждый седьмой отклик.

Шире поиск

К концу июля подходящие вакансии начали заканчиваться, и бот находил одну-четыре в день. 3 августа я добавил запросы “RAG”, “ML Engineer”, “GPT интеграция”, “Python FastAPI” и “чат-бот Python”, опустил порог с 78 до 74 и поднял лимит с 4 до 12 откликов за прогон. Откликов стало больше, а приглашений за две недели пришло два.

При этом оценки модели почти не упали: медиана 86 против 88 раньше. Для модели новые вакансии были почти такими же хорошими, а для работодателей нет.

Оговорюсь: выборки маленькие. 5 приглашений из 35 и 2 из 68 ничего не доказывают, и рынок в августе мог быть просто тише. Но картина логичная: чем точнее отбор и письмо, тем выше конверсия, а расширение ради объема ее убивает.

Что оказалось неочевидным

Оценка модели без шкалы ничего не значит

Первый промпт спрашивал у модели одно: связана ли вакансия с ИИ. Про мой уровень там не было ни слова, поэтому 100 из 100 получала и вакансия для сеньора, если она про ИИ. В июне такую оценку получили 96 вакансий из 152, на которые бот откликнулся.

В июле в промпте появились мой уровень и шкала с описанием каждого диапазона, и оценки начали хоть что-то значить. Отклики с 1 июля:

Связь есть, но слабая: между “так себе” и “почти идеально” разница в полтора раза. Модель хорошо понимает, про ИИ ли вакансия, и гораздо хуже понимает, позовут ли туда меня.

Отклики без письма

У части вакансий на hh нет поля для сопроводительного. До середины июля бот туда просто откликался без письма, и это дало 8 приглашений из 20. С письмом за то же время было 8 из 191.

Вывод “письмо вредит” отсюда делать нельзя. Подозреваю, что это просто другой тип работодателей: кто не просит письмо, тот и отбирает проще. С 16 июля бот стал отправлять письмо в чат после отклика, и разница почти исчезла: 3 из 31 против 7 из 97.

Время отправки не важно

Бот запускался дважды в день, и отклики уходили в основном в 7 утра и в 3 часа дня по Москве. Утренние дали 9,1% приглашений (165 откликов), дневные 7,4% (136). На таких объемах это шум, так что подгадывать “идеальный час” смысла нет.

Чаты и вакансии с тестами

Я думал, что бот будет сам отвечать рекрутерам на простое: стек, опыт, график. Но он смотрел только чаты с приглашениями, а простые вопросы задавали в других. После отклика в чат часто приходил робот-рекрутер hh или ИИ-помощник компании и устраивал мини-собеседование: сколько лет пишешь на Python, с какими embedding-библиотеками работал, какие метрики считал. Из 31 чата с живой перепиской за лето такой робот был в 18, и на его вопросы я отвечал сам. В чатах с приглашениями бот подготовил 27 черновиков, и все они были про деньги, переезд, личные данные или тестовое, так что их он отдавал мне на проверку.

С тестами вышло так. На hh работодатель может прикрепить к вакансии тест или анкету с вопросами, и без ответов отклик не отправить. Простые анкеты бот заполнял сам по моему резюме, а настоящие тесты пересылал мне в Telegram. Таких вакансий набралось 35.

За июнь-август с тестом ушло 26 откликов: 14 заполнил бот, 12 я сделал руками. По статусам hh приглашений с них ноль: 14 отказов, 9 открыли и молчат, 3 так и не открыли. У откликов бота без теста за то же время приглашений было 8%. Вакансии с тестом требуют больше всего усилий, а вернули меньше всего.

Это только тесты внутри hh. Отдельно были настоящие тестовые задания, которые присылали в чат после отклика, и решения я туда же и скидывал. Таких я сделал около десяти: CRM для юриста на React и Supabase, оплату через Stripe на Django, инструмент, который сам ищет блогеров и пишет им предложения, скиллы для AI-платформы, кейс для операционного менеджера с разбором тикета и скриптом аналитики, MCP-сервер, через который AI-агент ходит в сеть через прокси, и верстку лендинга по образцу. Бот с ними не помогал, их я делал сам, но через Claude Code, поэтому самые быстрые занимали пару часов.

Чем все закончилось

С hh у меня в итоге было два настоящих собеседования, созвоны по видео.

Работу я нашел не на hh, а на другом сайте. Там я прошел еще два собеседования, и скорость была совсем другой: отвечали в тот же день, а созвон ставили на следующий.

На hh все иначе. Недавно мне написали и позвали на собеседование по вакансии, где я делал тестовое задание. Тестовое я сделал в тот же день, а ответ пришел через два месяца.

Бот снял с меня рутину с поиском и письмами. Но сам hh оказался медленным каналом: в одном месте собеседование ставят на завтра, а в другом ответ на тестовое идет два месяца.

Итого

За два месяца бот разобрал 1518 вакансий, отправил 339 откликов и принес 26 приглашений. Что я из этого вынес:

1. Самая полезная правка самая простая: не откликаться на вакансии не своего уровня. После нее конверсия выросла в разы.

2. Письмо должно начинаться с твоего опыта под их задачу, а не с пересказа компании. И без длинных тире.

3. Больше откликов не значит больше приглашений. Расширение поиска уронило конверсию до 2,9%.

4. LLM нормально отсеивает вакансии не по теме, но предсказать, позовут ли тебя, не может. А оценку без шкалы в промпте можно сразу выкидывать.

5. Тесты при отклике себя не окупили: 26 откликов с тестом и ни одного приглашения по статусам.

6. Бот экономит время на поиске и письмах, но разговор с рекрутером все равно ведешь сам.