Las descripciones de empleo a menudo contienen datos vitales enterrados en densos párrafos de texto: información como los requisitos de los donantes, las restricciones de nacionalidad o los tipos de contrato. Para mi proyecto sobre el Panel de Empleo del Sector Humanitario creé un flujo de trabajo en n8n diseñado para leer, analizar y estructurar automáticamente estos datos mediante grandes modelos de lenguaje (LLM).
Qué hace este flujo de trabajo
El flujo de trabajo Relief Jobs Analysis actúa como un analista de datos autónomo. Se activa según una programación, identifica las ofertas de empleo que aún no han sido analizadas y envía sus descripciones a un modelo de IA.
La IA convierte el texto markdown no estructurado en un objeto JSON limpio que contiene metadatos específicos (como si un empleo es “basado en proyecto” o restringido a “solo personal nacional”). Finalmente, el flujo de trabajo guarda estos datos enriquecidos de vuelta en una base de datos PostgreSQL, probablemente para alimentar un panel o un filtro de búsqueda.
Cómo funciona: la arquitectura en 3 pasos
El flujo de trabajo opera en un bucle lineal que consta de ingesta, análisis y almacenamiento.
1. Ingesta inteligente (la programación y SQL)
El proceso comienza con un Schedule Trigger que se ejecuta cada 3 horas. En lugar de tomar todos los empleos de la base de datos, el flujo de trabajo utiliza una consulta SQL inteligente para garantizar la eficiencia.
Se conecta a una base de datos Postgres y selecciona únicamente los empleos (job_id y body_markdown) que existen en la tabla jobs pero que aún no existen en la tabla job_llm_extractions. Esta “comprobación de diferencias” evita que la IA vuelva a analizar el mismo empleo dos veces, ahorrando costes de API y tiempo de procesamiento.
2. El analista de IA (LangChain y OpenAI)
La inteligencia central reside en el nodo Information Extractor, impulsado por un OpenAI Chat Model (concretamente gpt-4.1-mini, tal como está configurado).
El flujo de trabajo alimenta el texto de la descripción del empleo a la IA con un prompt de sistema específico: “Eres un asistente de extracción de datos altamente inteligente y preciso, especializado en analizar descripciones de empleo de los sectores humanitario y de desarrollo”.
Se instruye a la IA para que devuelva un esquema JSON estricto que contiene los siguientes datos:
-
Donantes: extrae entidades específicas como USAID o ECHO.
-
Nacionalización: determina si el puesto es solo para personal nacional local y aporta el razonamiento.
-
Lógica de contrato: identifica si el puesto es basado en proyecto o de forma continua.
-
Seniority: infiere el nivel (p. ej., “Managerial”) en función de los años de experiencia requeridos.
-
Idiomas: separa los idiomas en “Obligatorios” frente a “Preferidos”.
{
"is_nationalized": {
"value": true,
"reasoning": "The text states 'This position is open to Ukrainian nationals only.'"
},
"is_project_based": {
"value": true,
"reasoning": "The contract is described as 'Fixed-term, 12 months (dependent on funding)'."
},
"mentioned_donors": ["USAID", "ECHO"],
"keywords": ["WASH", "Program Manager", "Humanitarian", "Project Management", "Team Leadership", "Reporting", "M&E", "Budget Oversight"],
"is_rolling_basis": {
"value": true,
"reasoning": "The ad mentions 'reviewing applications on a rolling basis' and may 'fill the position before the deadline'."
},
"languages": {
"mandatory": ["English"],
"preferred": ["Ukrainian"]
},
"seniority": {
"level": "Managerial",
"reasoning": "The title is 'Program Manager', it requires 'over 7 years of experience', and involves managing a team of 5."
}
}3. Almacenamiento estructurado (Upsert en Postgres)
Una vez que la IA devuelve el JSON estructurado, el nodo Insert or update rows in a table toma el control. Mapea los campos de salida de la IA (como seniority_level, mentioned_donors e is_project_based) directamente a columnas de la tabla job_llm_extractions.
El nodo utiliza una operación de “Upsert” basada en el job_id. Esto significa que si de algún modo ya existe un registro para ese empleo, lo actualiza; de lo contrario, crea una nueva entrada, garantizando la integridad de la base de datos.
¿Por qué?
Al estandarizar estos puntos de datos, este flujo de trabajo permite a una organización humanitaria pasar de la simple búsqueda por palabras clave al filtrado complejo, habilitando consultas como “Muéstrame todos los puestos de WASH de nivel directivo financiados por USAID que estén abiertos a personal internacional.”