• Автор утверждает, что типовые сопроводительные письма от LLM рекрутеры распознают за секунды и часто отправляют в корзину как пустые.
• Пайплайн генерации разделён на три шага: Extraction (выжимка фактов из вакансии), Matching (сопоставление с JSON-резюме), Generation (написание по правилам).
• Для подготовки входа автор очищает HTML вакансий на hh, оставляя только блоки Requirements и Tasks, чтобы убрать «шум» про «печеньки» и «дружный коллектив».
• Чтобы снизить риск приписывания навыков, добавлен шаг Fact-Checking: второй (более дешёвый) инстанс модели сверяет текст с JSON-резюме и при несоответствии перезапускает генерацию.
• В «было/стало» приводятся примеры: вместо общих фраз — конкретные детали из вакансии и опыта; автор связывает это с ростом конверсии в ответы.

Почему это важно: Материал показывает, что «AI-slop» в откликах становится операционной проблемой: текст может быть грамотно написан, но не нести проверяемой конкретики. В статье тон и структура задаются через ограничения и примеры (negative prompting, few-shot learning), чтобы письмо было коротким и по делу. Проверка фактов по резюме снижает риск автоматизации, который автор называет ключевым.

На что обратить внимание: В описании подчёркнуто, что качество зависит от подготовки входа и явных запретов на клише, а не от «красивых формулировок». Источник истины в этом подходе — структурированное резюме в JSON, иначе модель может «додумывать» детали. Эффект измеряется через ответы, при этом численных метрик в статье нет.