Qoollege Career Research

المشكلة

المعلومات المهنية التي يعتمد عليها الطلاب مبعثرة أو سطحية أو قديمة، وإنتاج أدلّة موثوقة ومنظّمة وموثَّقة المصادر يدوياً لا يتوسّع. كما يجب أن يكون موقع المحتوى سريعاً فعلاً وقابلاً للاكتشاف — وأغلبها ليس كذلك — وإلا لا يصل البحث إلى الطلاب الذين يبحثون عنه.

المنهجية

بنينا نظاماً من جزأين في أحادي-مستودع Turborepo فوق قاعدة بيانات Neon Postgres واحدة. أنبوب بحث بلغة بايثون يعالج مهنة واحدة في كل مرة: يجمع Perplexity sonar-pro حزمة بحث موثَّقة المصادر، ويصوغ OpenAI تقريراً منظّماً من ١٦ قسماً، ويقسّمه محوّل ثلاثي إلى JSON للمقال/البطاقة/الإجراءات، ويولّد Gemini TTS مع ffmpeg نسخة صوتية مسرودة تُرفع إلى Vercel Blob — مع كتابة كل تشغيل وحقوله المنظّمة إلى Postgres (careers و pipeline_runs). ويقرأ عارض Next.js 16 المُصيَّر على الخادم من Postgres ويشحن صفحات مهنية تضع السيو أولاً ببيانات منظّمة، ومشغّل صوت ثابت، وعروض مقارنة، ونشرة للمشتركين. يعمل الأنبوب دون اتصال فلا تقع أي كلفة أو زمن استجابة للذكاء الاصطناعي على مسار الطلب.

النتيجة

تعمل على careers.qoollege.com. يسجّل العارض في Lighthouse ١٠٠ للأداء / ١٠٠ للسيو / ١٠٠ لأفضل الممارسات على سطح المكتب (٩٢ / ٩٤ / ١٠٠ على الجوال) مع رفع الوصولية إلى ٩٤ بعد جولة مُركّزة، ومؤشرات ويب أساسية خضراء بأريحية — LCP ٠٫٦ث، CLS ٠، و TBT دون الميزانية بكثير. تُصيَّر كل مهنة كصفحة على الخادم موسومة بمخطّط منظّم مع نسخة صوتية «بودكاست»، فيكون البحث المُولَّد بالذكاء الاصطناعي سريعاً للطلاب ومقروءاً لمحرّكات البحث والإجابة.