Criar currículo com IA: passo a passo com Relevance AI

Mandar o mesmo currículo pra toda vaga é o jeito mais eficiente de não ser chamado pra entrevista. A triagem hoje é online, e quem lê primeiro não é o recrutador: é um filtro (os chamados ATS, boa parte já com inteligência artificial) procurando as palavras-chave da vaga. Currículo genérico não tem essas palavras. Ele para ali.

A saída seria escrever um currículo sob medida pra cada candidatura. Só que fazer isso na mão, vaga após vaga, é lento e desanimador. No vídeo acima, o Lucas ataca o problema montando uma ferramenta no Relevance AI que lê seu perfil do LinkedIn e a descrição da vaga e gera um currículo personalizado em segundos. Este post destrincha o raciocínio de cada etapa. O passo a passo completo, tela a tela, tá no vídeo.

A ideia nasceu longe do computador: um livro do Napoleon Hill falando de candidatura a vagas, e um trabalho na USP vendo de perto quem sai da faculdade e trava na hora de disputar as primeiras posições. O problema é antigo; o que ficou acessível foi a ferramenta.

Por que um currículo pra cada vaga

Cada vaga descreve o que a empresa quer, e o filtro compara o seu texto com esse texto. Um currículo alinhado à descrição:

• passa pelos filtros, porque incorpora as palavras-chave que o sistema procura;
• dá a ênfase certa, porque a experiência que casa com o requisito ganha destaque;
• vira rotina viável, porque com automação personalizar custa segundos, não uma tarde.

Uma condição, que o vídeo repete: seu LinkedIn precisa estar atualizado e bem escrito, porque é de lá que a ferramenta puxa sua história. Vale inclusive usar IA pra melhorar os textos do próprio perfil. Tudo que você fizer, lança no LinkedIn.

Como a ferramenta funciona por dentro

No Relevance AI, o que o Lucas cria é uma tool, não um agente: uma ferramenta com interface web gerada automaticamente, que uma pessoa ou um agente podem usar. A escolha da plataforma foi pragmática: das que ele viu, é a mais simples pra quem tá começando a montar agentes. O desenho tem cinco blocos:

1. Formulário de entrada: nome, e-mail, telefone, cidade, URL do LinkedIn, informações adicionais (visto, cursos, nível de idioma) e a descrição da vaga, copiada do LinkedIn ou do portal da empresa. Um seletor define o idioma de saída (português, inglês, espanhol).
2. Variáveis: cada campo do formulário vira uma variável, chamada no prompt entre chaves duplas.
3. Scraping do LinkedIn: uma integração nativa do Relevance visita o perfil e devolve um JSON com cargos, experiências e descrições.
4. Filtro em JavaScript: um script enxuga esse JSON e passa adiante só o que interessa pro currículo.
5. LLM com prompt de especialista: o modelo recebe perfil filtrado, vaga e informações extras, e devolve o currículo pronto, em texto.

Repara no desenho: não é um agente mágico que faz tudo. Onde existe regra clara (filtrar campos de um JSON) entra código determinístico. O modelo entra onde existe linguagem e ambiguidade: cruzar a sua experiência com o que a vaga pede. É o princípio que guia os projetos da fazer.ai: código onde tem regra, modelo onde tem julgamento.

E "não sei programar" não trava o projeto. O script de filtro sai de uma conversa com o ChatGPT ou o Claude: você descreve o que ele recebe e o que deve devolver; se der erro, captura a tela (Windows + Shift + S), cola na conversa e aplica a correção. É a mesma receita sem código de montar um assistente pessoal de IA. Programar em nível júnior, hoje, é questão de se alfabetizar nas ferramentas.

Tokens custam dinheiro (o filtro existe por isso)

No teste do vídeo, só o scraping do LinkedIn devolveu cerca de 3.000 tokens. E você paga por token. Pra meia dúzia de currículos, tudo bem; em escala, a conta muda. Daí o filtro em JavaScript: a LLM só recebe o que precisa processar.

O mesmo raciocínio guia a escolha do modelo. O Lucas usa o o1, o modelo mais caro da OpenAI, e explica o porquê: a janela de contexto fica grande (system prompt de uns 2.000 a 3.000 tokens, mais a vaga, o perfil e as informações extras). Dava pra usar o GPT-4o? Dava, quebrando o processo em mais etapas, com mais cuidado em cada uma. E o limite de saída sobe pra 16.000 tokens, porque o padrão de 2.000 não comporta um currículo completo.

A pergunta de engenharia que o vídeo ensina: vale gastar esse tanto de token? Dá pra resumir? Precisa de um passo a mais? Custo não é surpresa no fim do mês; é parâmetro de projeto, no seu controle.

O prompt que monta o currículo

O system prompt define papel, objetivo, contexto e um procedimento passo a passo. O papel: especialista em criação de currículos, com conhecimento de recrutamento, seleção e otimização pra processos seletivos. O procedimento: extrair o relevante do perfil, mapear os requisitos da vaga, montar uma matriz de correspondência entre experiências e requisitos, identificar lacunas e pontos fortes, estruturar o currículo, incorporar as palavras-chave da vaga, adaptar a linguagem ao nível de senioridade e revisar.

Como se chega num prompt desses? Bloco a bloco, com ajuda do Claude, testando cada parte até ficar consistente. Engenharia de prompt não é fórmula pronta, é iteração com critério.

Currículos em lote com uma planilha

A ferramenta também roda em lote: você sobe um Excel, mapeia cada coluna pro campo (nome, telefone, LinkedIn, vaga, idioma) e executa. Uma linha, um currículo.

No exemplo do vídeo, duas vagas geram dois currículos diferentes: mesmos dados pessoais, ênfases distintas, cada texto alinhado ao que aquela descrição pede. Pra rodar assim, você cria a ferramenta na sua conta do Relevance e usa sua própria chave de API da OpenAI: cada requisição é paga, em dólar, mais um motivo pro filtro existir.

Personalização em escala é um padrão que se repete: é a mesma lógica de usar IA pra gerar mensagens de prospecção personalizadas. Muda o insumo, muda a saída; o desenho é irmão.

Do texto puro ao PDF apresentável

A saída é texto puro de propósito: mantém a ferramenta genérica. Dali, dois caminhos:

• Manual: colar num template do Canva ou no Word e ajustar o visual.
• Automatizado: pedir pro ChatGPT um Apps Script que transforme o texto num documento formatado do Google Docs. Você cola o código em script.google.com, executa, e o arquivo aparece no seu Drive, pronto pra exportar em PDF.

Com o PDF na mão, priorize as vagas de candidatura simplificada, que aceitam upload direto do arquivo.

Perguntas frequentes

Precisa saber programar?

Não. O único código do fluxo (o filtro em JavaScript e o script de formatação) sai de conversa com ChatGPT ou Claude. O que você precisa é descrever bem o problema e colar o erro quando aparecer.

A ferramenta inventa experiência?

Não é pra isso, e o vídeo é direto: não se candidate a vaga que não tem nada a ver com você. Ela realça o que você já tem na direção do que a vaga pede. Personalizar não transforma ninguém em dev que nunca escreveu uma linha de código.

Quanto custa rodar?

Dá pra criar conta gratuita no Relevance. Em lote, com a sua chave da OpenAI, você paga por token, em dólar: por isso o filtro, o limite de saída e a atenção ao tamanho do contexto.

Por que montar em vez de usar uma ferramenta pronta?

Porque o desenho (entrada, variável, scraping, filtro, modelo) serve pra dezenas de outros problemas depois. E tem o efeito colateral que o vídeo aponta: contar pro entrevistador que você construiu um agente pra personalizar o próprio currículo, porque sabia do filtro no caminho, já é portfólio.

Pra ir além

O passo a passo completo, do quadro branco ao lote de currículos, tá no vídeo acima, e no canal do Lucas Moreira tem mais ferramentas nessa linha de montar em vez de só assinar. Se você quer fazer com acompanhamento (tirar dúvida, ver bastidor, pegar arquivo pronto), a comunidade tá em lucasmoreira.ai. Vem fazer junto.