Creer des agents IA avec Laddro
Creer des agents IA avec Laddro
Utilisez la Laddro Career API pour creer des agents autonomes qui gerent les taches de carriere, de la personnalisation de CV aux candidatures en masse.
Ce que les agents peuvent faire
| Type d'agent | Description |
|---|---|
| Agent de personnalisation | Prend un CV et une liste d'URLs de postes, personnalise le CV pour chacun et exporte les PDFs |
| Bot de candidature | Analyse un CV, cherche dans les sites d'emploi, personnalise et genere des lettres pour chaque offre |
| Agent coach de carriere | Analyse un CV, suggere des ameliorations et reecrit les sections faibles |
| Agent d'export en masse | Rend un CV avec les 22 modeles et compare les mises en page |
| Agent de preparation d'entretien | Lit un CV personnalise et la description du poste, genere des questions d'entretien probables |
Architecture
Votre agent appelle les endpoints API directement (REST) ou utilise le serveur MCP (pour les agents bases sur Claude). L'API gere le traitement IA, le rendu PDF et le stockage des donnees.
Option 1 : Agent base sur MCP (Claude Code)
La methode la plus rapide. Configurez le serveur MCP et Claude appelle les outils automatiquement.
{
"mcpServers": {
"laddro": {
"command": "npx",
"args": ["-y", "@laddro/career-mcp"],
"env": {
"LADDRO_API_KEY": "YOUR_API_KEY"
}
}
}
}Puis demandez a Claude :
"Parse my resume from resume.pdf, tailor it for this job posting
at https://example.com/senior-engineer, and generate a cover letter.
Export both as PDFs using the Graphite template."Claude enchainera les appels API : analyser, personnaliser, generer la lettre et exporter.
Option 2 : Agent REST API (tout framework)
Creez un agent personnalise avec n'importe quel framework : LangChain, CrewAI, AutoGen ou du code pur.
Agent de personnalisation (Python)
import requests
API_KEY = "YOUR_API_KEY"
BASE = "https://api.laddro.com/v1"
HEADERS = {"x-api-key": API_KEY, "Content-Type": "application/json"}
def tailor_for_jobs(resume_id, job_descriptions):
results = []
for jd in job_descriptions:
resp = requests.post(f"{BASE}/tailor", headers=HEADERS, json={"resumeId": resume_id, "jobDescription": jd})
tailored = resp.json()
resp = requests.post(f"{BASE}/cover-letters/generate", headers=HEADERS, json={"resumeId": resume_id, "jobDescription": jd})
cover_letter = resp.json()
resp = requests.post(f"{BASE}/export", headers=HEADERS, json={"resumeId": resume_id, "templateId": "graphite"})
results.append({"job": jd[:50], "tailored": tailored, "coverLetter": cover_letter})
return resultsEndpoints API pour les agents
| Endpoint | Credits | Cas d'utilisation |
|---|---|---|
POST /v1/resumes/parse | 2 | Importer un CV depuis PDF/DOCX |
POST /v1/tailor | 3 | Personnaliser un CV pour un poste |
POST /v1/cover-letters/generate | 2 | Generer une lettre de motivation ciblee |
POST /v1/export | 1 | Exporter un CV en PDF |
PUT /v1/resumes/{id}/render | 1 | Rendre avec un modele specifique |
GET /v1/templates | 0 | Lister les modeles disponibles |
GET /v1/resumes | 0 | Lister les CV de l'utilisateur |
Planification des credits
Workflow typique pour postuler a un poste :
| Etape | Credits |
|---|---|
| Analyser le CV (une fois) | 2 |
| Personnaliser pour le poste | 3 |
| Generer la lettre de motivation | 2 |
| Exporter le CV en PDF | 1 |
| Exporter la lettre en PDF | 1 |
| Total par poste | 9 (7 apres la premiere analyse) |
Avec le forfait gratuit (50 credits/mois), vous pouvez postuler a environ 7 postes. Les abonnes (200/mois) peuvent en faire environ 28. Achetez des packs de credits pour un volume plus important.
Bonnes pratiques
- Analyser une fois, personnaliser plusieurs fois — Analysez le CV une fois et reutilisez le
resumeId. - Utiliser le streaming — Pour les agents orientes utilisateur, utilisez le streaming SSE.
- Gerer les erreurs 402 — Verifiez le solde de credits avant les operations en masse.
- Utiliser BYOK pour le volume — Utilisez BYOK avec votre propre cle de fournisseur IA.
- Attention aux rate limits — Endpoints publics : 30 req/min. Proteges : 100 req/min.