O desafio
Busca ativa de emprego em tecnologia é um segundo emprego. Product Managers, AI Engineers e perfis híbridos que atuam em nichos precisam vasculhar Google Jobs, LinkedIn e boards regionais todos os dias, e em vagas competitivas quem se candidata primeiro larga na frente. O trabalho é repetitivo (buscar, filtrar duplicatas, avaliar aderência) e o custo de fazê-lo mal é alto: vagas boas expiram no feed, vagas ruins consomem tempo de análise.
O mesmo problema atinge recrutadores independentes e headhunters que monitoram oportunidades para múltiplos candidatos. A triagem manual não escala, e filtros por palavra-chave não capturam a aderência real entre uma vaga e um currículo.
A solução
Um agente autônomo em n8n que faz a prospecção inteira antes de o candidato acordar. Todo dia às 8h, um Schedule Trigger dispara uma varredura paralela em quatro fontes (Google Jobs segmentado em US/Global, LATAM e Brasil, mais LinkedIn e JobDireto) através de cinco coletores HTTP simultâneos, cada um seguido de um normalizador que converte os dados brutos para um schema uniforme: titulo, empresa, url, posted_date, fonte.
O diferencial está no critério de relevância. Em vez de palavras-chave, o agente usa o currículo real: o pacote consolidado de vagas é enviado ao GPT-4o-mini junto com o CV completo do candidato, lido diretamente do Google Docs a cada execução. O modelo devolve, para cada vaga, um score de 0 a 10, a justificativa do match, o nível de senioridade inferido e um flag booleano de match. Só o que passa do score de corte configurável (padrão: 7) chega ao candidato.
Toda a adaptação vive em um único nó de configuração: termos de busca em query booleana (posicoes_query), score de corte, janela de tempo e número de resultados por fonte. Alterar esse nó adapta o workflow a qualquer perfil profissional.
Como funciona
Após a coleta paralela, quatro nós de merge encadeados consolidam as fontes progressivamente. A deduplicação remove entradas repetidas por URL (ou por título+empresa como fallback) e descarta vagas com mais de 24 horas, para que o digest só contenha oportunidades frescas.
O chain de análise roda com timeout de 120 segundos para acomodar pacotes grandes. O resultado é parseado, ordenado por score decrescente e filtrado pelo corte; vagas abaixo do limiar são descartadas silenciosamente. As aprovadas são agrupadas por fonte e enviadas ao Telegram em uma mensagem formatada em Markdown, com título, empresa, link e pontuação de cada vaga. Se o nó de IA falhar, o workflow envia automaticamente uma mensagem de alerta separada: o candidato sempre fica sabendo se o scout rodou.
Adicionar uma nova fonte é duplicar o padrão Coletor + Normalizador e conectar ao próximo merge. Priorizar critérios como trabalho remoto, faixa salarial ou stack é ajustar o system prompt da análise.
Resultados
- Prospecção diária automatizada em 4 fontes, com curadoria pronta às 8h, antes do início do expediente
- Score de aderência de 0 a 10 por vaga, calculado contra o CV real em vez de palavras-chave
- Deduplicação por URL e filtro de 24h eliminam do digest o ruído de vagas repetidas ou vencidas
- Tratamento de erro com alerta automático: nenhuma execução falha em silêncio
- Elimina a varredura manual diária em Google Jobs, LinkedIn e boards regionais, que antes consumia tempo de triagem todo dia
O que o projeto deixou claro: a etapa cara da busca de emprego é julgar aderência em escala, e não encontrar vagas. Quando o LLM lê o currículo inteiro a cada execução, o filtro reproduz o julgamento que o próprio candidato faria, em vez de um match sintático de palavras-chave.