HiringNow: Como Criar um Agente IA que Candidata Vagas Automaticamente
Introdução
A corrida por vagas está fora de controle: profissionais de tecnologia recebem dezenas de oportunidades por dia e não conseguem responder a todas.
Com o HiringNow, você transforma esse caos em um fluxo automatizado que envia seu currículo para as vagas certas em segundos. Neste guia prático, vamos montar o agente do zero, configurar prompts eficientes, garantir conformidade com GDPR e comparar custos das principais LLMs.
Por que este assunto é urgente agora
- Sobrecarga de vagas – Mais de 70 % dos talentos de TI recebem > 50 anúncios semanais (2024).
- Redução do tempo de contratação – Empresas que automatizam a triagem cortam o ciclo de 45 para 18 dias (LinkedIn Talent Solutions, 2023).
- Novas exigências do GDPR – Diretrizes da EPDB (2024) exigem consentimento explícito para qualquer processamento automatizado de dados pessoais.
- LLMs acessíveis – Claude 3, GPT‑4o e Llama 3‑8B oferecem planos gratuitos ou de baixo custo, tornando viável a construção de agentes sem grandes investimentos.
Esses quatro fatores criam o cenário ideal para adotar agentes IA de aplicação laboral hoje mesmo.
Arquitetura simplificada
Front‑end (Web/App) → Orquestrador (API) → Prompt Engine → LLM (Claude/GPT) → Ranking → Gerador de Mensagens → Scraper de Vagas → Envio
- Cada bloco pode ser implementado como uma função Lambda ou um micro‑serviço Docker, facilitando a escalabilidade.
Passo a passo prático (Python)
1. Configurar a API da LLM
import openai
openai.api_key = "SUA_CHAVE_API"
2. Definir o prompt de candidatura
prompt = """
Você é um assistente de candidatura. Receba o título da vaga, a descrição e o currículo (JSON) e devolva uma carta de apresentação curta (máx. 150 palavras) que destaque as habilidades mais relevantes.
"""
3. Função de geração de mensagem
def gerar_mensagem(vaga, cv):
response = openai.ChatCompletion.create(
model="gpt-4o",
messages=[{"role":"system","content":prompt},
{"role":"user","content":f"Vaga: {vaga}\\nCV: {cv}"}],
temperature=0.7,
max_tokens=250
)
return response.choices[0].message.content.strip()
4. Scraper de vagas (exemplo com BeautifulSoup)
import requests, bs4
def buscar_vagas(palavra):
html = requests.get(f"https://www.example.com/jobs?q={palavra}").text
soup = bs4.BeautifulSoup(html, "html.parser")
return [{"title": t.text, "link": t["href"]} for t in soup.select(".job-title")]
5. Envio automático (exemplo com Selenium)
from selenium import webdriver
def aplicar(vaga, mensagem):
driver = webdriver.Chrome()
driver.get(vaga["link"])
driver.find_element("name", "cover_letter").send_keys(mensagem)
driver.find_element("css selector", "button.submit").click()
driver.quit()
6. Orquestração simples
cv = {"nome":"Ana Silva","skills":["Python","Docker","AWS"],"experiencia":"3 anos"}
for vaga in buscar_vagas("data engineer"):
msg = gerar_mensagem(vaga["title"], cv)
aplicar(vaga, msg)
Estratégias de Prompt Otimizadas
| objetivo | técnica | exemplo |
|---|---|---|
| foco nas hard skills | inclua “priorize habilidades técnicas” | ...priorize habilidades como Python, SQL, Docker... |
| evitar linguagem genérica | peça “uso de métricas concretas” | ...cite resultados como “aumentei a performance em 30%” |
| controle de tamanho | defina “máximo de 150 palavras” | ...máx. 150 palavras... |
Teste cada variação em um A/B test usando o checklist abaixo.
Checklist de Conformidade (GDPR)
- [ ] Obter consentimento explícito do candidato antes de enviar dados.
- [ ] Registrar a data/hora e o destino de cada transmissão.
- [ ] Oferecer mecanismo de revogação de consentimento.
- [ ] Garantir que a LLM não armazene dados pessoais após a chamada (usar
logprobs=False).
Comparativo de custos (abril 2026)
| LLM | preço por 1 M tokens | plano gratuito | latência média |
|---|---|---|---|
| Claude 3 | $0,015 | 1 M tokens | 120 ms |
| GPT‑4o | $0,020 | 500 k tokens | 150 ms |
| Llama 3‑8B (via Azure) | $0,010 | 2 M tokens | 200 ms |
Para um agente que processa ~ 5 k tokens por candidatura, o custo por aplicação varia entre $0,00005 e $0,0001 – praticamente insignificante em escala.
Checklist A/B para testes de desempenho
- Variável: tamanho do prompt (150 vs 250 palavras).
- Métrica: taxa de resposta positiva dos recrutadores (abertura de e‑mail).
- Duração: 2 semanas por variante.
- Ferramenta: Google Optimize ou Split.io.
FAQ rápida
Q: Posso usar o HiringNow sem conhecimento de programação?
A: Sim. Existem templates no GitHub com scripts prontos; basta inserir sua chave API e seu currículo em JSON.
Q: O agente viola termos de uso de sites de vagas?
A: Muitos portais proíbem automação sem permissão. Verifique o robots.txt e, se necessário, solicite API oficial.
Q: Como monitorar falhas de envio?
A: Configure um webhook que registre o status HTTP da submissão e envie alertas para Slack.
Conclusão
Com a combinação de LLMs de baixo custo, um fluxo de trabalho modular e atenção às exigências do GDPR, montar um agente IA que candidata vagas automaticamente é mais simples do que nunca. Siga o tutorial acima, ajuste os prompts ao seu perfil e comece a multiplicar suas oportunidades de forma segura e escalável.
Próximo passo: clone o repositório oficial github.com/hiringnow/agent-template, configure as variáveis de ambiente e rode python main.py. Boa caça!
Herramienta mencionada: Groq Cloud
Top comments (0)