KI-Bewerbungsoptimierung: Lebenslauf & Anschreiben automatisch an jede Stelle anpassen

💰 Warum sich KI-Bewerbungsoptimierung rechnet

Eine einzige Bewerbung manuell auf eine Stellenausschreibung anzupassen dauert 60–90 Minuten. Bei 10 Bewerbungen pro Monat sind das 10–15 Stunden — pro Monat. Die KI-gestützte Optimierung reduziert das auf unter 2 Minuten pro Bewerbung. Zusätzlich steigt die Qualität, weil das LLM systematisch alle Keywords der Stellenbeschreibung in Ihren Lebenslauf einarbeitet.

⚙️ So funktioniert's

Drei Schritte von der Stellenausschreibung zum fertigen Lebenslauf + Anschreiben.

💻 Technische Umsetzung

Die Webanwendung basiert auf Node.js mit Express. Der Lebenslauf wird als JSON gespeichert. Die KI-Optimierung erfolgt über Ollama (lokal) — kein Cloud-Dienst, keine API-Kosten, volle Datenkontrolle.

🏗️ Architektur

🚀 Express-Server mit CORS und JSON-Parsing

Der Server-Stack: Express mit CORS, JSON-Body-Parser (50MB Limit) und statischem File-Serving:

const express = require('express');
const axios = require('axios');
const cors = require('cors');
const fs = require('fs').promises;
const path = require('path');

const app = express();
const PORT = process.env.PORT || 3000;
const OLLAMA_URL = process.env.OLLAMA_URL || 'http://localhost:11434';

// Middleware
app.use(cors());
app.use(express.json({ limit: '50mb' }));
app.use(express.static('public'));

📂 Lebenslauf aus JSON laden & speichern

Async/Await-basierte Dateioperationen mit Fehlerbehandlung:

let lebenslauf = null;

async function ladeLebenslauf() {
  try {
    const data = await fs.readFile(
      path.join(__dirname, 'lebenslauf.json'), 'utf8'
    );
    lebenslauf = JSON.parse(data);
    console.log('✓ Lebenslauf erfolgreich geladen');
  } catch (error) {
    console.error('Fehler beim Laden des Lebenslaufs:', error.message);
    lebenslauf = null;
  }
}

// Lebenslauf beim Start laden
ladeLebenslauf();

// API-Endpunkt: Lebenslauf abrufen und speichern
app.get('/api/lebenslauf', (req, res) => {
  if (!lebenslauf) {
    return res.status(404).json({ error: 'Lebenslauf nicht gefunden' });
  }
  res.json(lebenslauf);
});

app.post('/api/lebenslauf', async (req, res) => {
  lebenslauf = req.body;
  await fs.writeFile(
    path.join(__dirname, 'lebenslauf.json'),
    JSON.stringify(lebenslauf, null, 2),
    'utf8'
  );
  res.json({ success: true, message: 'Lebenslauf aktualisiert' });
});

🐍 Ollama-API-Integration

Generische Ollama-Wrapper-Funktion mit konfigurierbaren Parametern:

async function ollamaAnfrage(prompt, model = 'gemma3:12b') {
  try {
    const response = await axios.post(`${OLLAMA_URL}/api/generate`, {
      model: model,
      prompt: prompt,
      stream: false,
      options: {
        temperature: 0.7,
        top_p: 0.9
      }
    });
    return response.data.response;
  } catch (error) {
    console.error('Ollama API Fehler:', error.message);
    throw new Error('Fehler bei der Kommunikation mit Ollama API');
  }
}

🎯 Lebenslauf-Generierung mit strukturiertem Output

Der Prompt definiert präzise, wie der optimierte Lebenslauf strukturiert sein soll:

app.post('/api/generiere-lebenslauf', async (req, res) => {
  const { stellenbeschreibung, jobtitel, model } = req.body;

  const prompt = `Du bist ein Experte für Bewerbungsoptimierung.
Analysiere die folgende Stellenbeschreibung und erstelle einen 
optimal angepassten Lebenslauf.

STELLENBESCHREIBUNG:
Jobtitel: ${jobtitel}
${stellenbeschreibung}

MEIN AKTUELLER LEBENSLAUF:
${JSON.stringify(lebenslauf, null, 2)}

AUFGABE:
1. Analysiere die Stellenanforderungen
2. Passe meinen Lebenslauf optimal an:
   - Hebe relevante Erfahrungen hervor
   - Formuliere Aufgaben passend zur Stelle
   - Nutze Keywords aus der Beschreibung

Gib den optimierten Lebenslauf strukturiert zurück:
PERSÖNLICHE DATEN | BERUFSERFAHRUNG | AUSBILDUNG | 
FÄHIGKEITEN | SPRACHEN | PROJEKTE | ZERTIFIKATE`;

  const result = await ollamaAnfrage(prompt, model || 'llama3.2');
  res.json({ success: true, lebenslauf: result });
});

✉️ Anschreiben-Generator

Separater Endpunkt für das Anschreiben mit eigener Prompt-Strategie:

app.post('/api/generiere-anschreiben', async (req, res) => {
  const { stellenbeschreibung, jobtitel, unternehmen, model } = req.body;

  const prompt = `Du bist ein Experte für Bewerbungsschreiben.
Erstelle ein überzeugendes Anschreiben.

STELLENBESCHREIBUNG:
Jobtitel: ${jobtitel}
${unternehmen ? `Unternehmen: ${unternehmen}` : ''}
${stellenbeschreibung}

MEIN HINTERGRUND:
${JSON.stringify(lebenslauf, null, 2)}

Erstelle ein Anschreiben mit:
1. Motivation für die Stelle
2. Relevanteste Qualifikationen
3. Konkrete Beispiele aus meiner Erfahrung
4. Warum ich perfekt für die Position bin
5. Professionell und authentisch, ~1 Seite`;

  const result = await ollamaAnfrage(prompt, model || 'llama3.2');
  res.json({ success: true, anschreiben: result });
});

📊 Dynamische Modell-Liste von Ollama

Verfügbare Modelle direkt von der Ollama-API abfragen — live, kein Hardcoding:

app.get('/api/modelle', async (req, res) => {
  try {
    const response = await axios.get(`${OLLAMA_URL}/api/tags`);
    const modelle = response.data.models || [];
    res.json({ 
      success: true, 
      modelle: modelle.map(m => m.name) 
    });
  } catch (error) {
    console.error('Fehler beim Abrufen der Modelle:', error.message);
    // Fallback: Bekannte Modelle zurückgeben
    res.json({ 
      success: true, 
      modelle: ['llama3.2', 'llama3.1', 'mistral', 'gemma2'] 
    });
  }
});

🗂️ Lebenslauf als JSON-Struktur

Die zugrunde liegende Datenstruktur — flexibel erweiterbar:

{
  "persoenlicheDaten": {
    "name": "Marcel Verkooyen",
    "adresse": "Herzogenrath",
    "telefon": "02406 8037603",
    "email": "info@computerkumpel.de"
  },
  "berufserfahrung": [
    {
      "titel": "CEO CTO",
      "unternehmen": "Verkooyen Informatics & Media",
      "zeitraum": "seit 2020",
      "aufgaben": ["KI-Beratung", "Software-Entwicklung"]
    }
  ],
  "faehigkeiten": ["Python", "Node.js", "Ollama", "KI/LLM"],
  "sprachen": ["Deutsch (Muttersprache)", "Englisch (fließend)"]
}

🚀 Gebaut mit Vibecoding — in 5–7 Tagen statt 8–13 Wochen

🗣️ Der System-Prompt hinter diesem Projekt

Mit diesem Prompt entstand die komplette Webanwendung in wenigen Iterationen:

Du bist ein Full-Stack-Experte für Node.js und Ollama-Integration.

Aufgabe: Erstelle eine Webanwendung zur KI-gestützten Optimierung von 
Bewerbungsunterlagen mit lokalen LLMs via Ollama.

Technische Anforderungen:
- Node.js mit Express.js als Backend
- Statisches Frontend (HTML/CSS/JS) mit Formular und Ergebnis-Anzeige
- Lebenslauf als JSON-Datei gespeichert (lebenslauf.json)
- REST-API-Endpunkte:
  * GET /api/lebenslauf — aktuellen Lebenslauf abrufen
  * POST /api/lebenslauf — Lebenslauf aktualisieren
  * POST /api/generiere-lebenslauf — optimierten Lebenslauf generieren
  * POST /api/generiere-anschreiben — Anschreiben generieren
  * GET /api/modelle — verfügbare Ollama-Modelle abrufen
- Ollama-Integration via /api/generate mit stream: false
- Prompt-Engineering: Detaillierter System-Prompt für die Generierung
- Fehlerbehandlung und aussagekräftige Logs

Wichtig:
- Deutsche Oberfläche und Prompts
- Datenschutz: Alles läuft lokal, keine Cloud-APIs
- Temperatur 0.7 für natürliche, nicht zu kreative Outputs
- Strukturiertes Output-Format: PERSÖNLICHE DATEN | BERUFSERFAHRUNG 
  | AUSBILDUNG | FÄHIGKEITEN | SPRACHEN | PROJEKTE | ZERTIFIKATE

🎯 Strategische Erkenntnisse aus diesem Projekt

Die Bewerbungsoptimierung ist ein Paradebeispiel für „KI als persönlicher Assistent" — nicht als Ersatz, sondern als Booster für eine ohnehin nötige Aufgabe.