Este repositório contém o código (flow exportado do LangFlow) e a síntese técnica da live sobre a criação de um Agente de IA Recruiter Specialist, realizada durante a Community Week da DIO. Este agente foi desenvolvido para ajudar profissionais de tecnologia a otimizar seus currículos com base em seu perfil público na plataforma DIO e descrições de vagas reais.
- DIO - Conheça ecossistema educacional da DIO
- LangFlow (GitHub) - Plataforma open-source utilizada no projeto
- DataStax - Acesso gratuito ao LangFlow online após cadastro
- Azure OpenAI Service - Provedor de LLM usado na demonstração
- Job Board DIO - Encontre vagas reais para testar o agente
- Exemplo de Perfil DIO - Perfil de exemplo para teste
Este projeto, parte da Community Week da DIO, teve como foco demonstrar o potencial da Inteligência Artificial (IA) e dos agentes inteligentes para revolucionar o futuro do trabalho. Especificamente, o objetivo principal foi criar um agente de IA, o "Recruiter Specialist", capaz de:
- Analisar o perfil público de um profissional na plataforma DIO.
- Comparar as habilidades e conquistas do profissional com os requisitos de uma descrição de vaga específica.
- Gerar um resumo otimizado para currículo.
- Identificar pontos fortes e lacunas no perfil do candidato para a vaga desejada.
- Sugerir caminhos de aprendizado para aumentar as chances de sucesso na aplicação.
A intenção é transformar as skills adquiridas na DIO em elementos palpáveis para o currículo e ajudar na jornada de aplicação para vagas.
Para construir nosso agente, utilizamos o LangFlow. O LangFlow é uma ferramenta open-source e visual (low-code/no-code) para construir e implantar agentes empoderados por IA.
- Origem Brasileira: Nascido de uma startup brasileira, foi adquirido pela DataStax, empresa do Vale do Silício agora parte dos investimentos em IA da IBM.
- Interface Visual: Permite criar "flows" (fluxos de trabalho) conectando componentes prontos como inputs, outputs, prompts, modelos de linguagem (LLMs) e ferramentas (tools).
- Flexibilidade: Suporta diversas fontes de dados (URL, arquivos, APIs, etc.) e integrações com os principais provedores de LLMs do mercado.
- Código Editável: Embora seja low-code, permite editar o código Python por trás dos componentes para customização avançada.
- Deployment Facilitado: Flows podem ser publicados como APIs ou embedados como chat widgets em sites.
- Execução: Pode ser rodado localmente (open-source) ou utilizado na plataforma online gratuita da DataStax.
Utilizamos a plataforma da DataStax durante a live por sua facilidade de uso e ambiente online.
Começamos construindo um flow básico no LangFlow:
- Adicionamos um componente Chat Input para receber a entrada do usuário.
- Adicionamos um componente Agent para processar a informação utilizando uma LLM.
- Conectamos o Chat Input ao Agent.
- Adicionamos um componente Chat Output para exibir a resposta.
- Conectamos o Agent ao Chat Output.
Dentro do componente Agent, configuramos o provedor de LLM. Na live, utilizamos o Azure OpenAI, aproveitando modelos como o GPT-4o. Foi ressaltada a importância de configurar corretamente as chaves de API e endpoints, idealmente usando variáveis de ambiente seguras dentro do LangFlow. Mencionamos que outros provedores como OpenAI, Antropic, Google AI Studio, etc., também estão disponíveis e podem ser utilizados.
As instruções iniciais do agente foram definidas no campo Agent Instructions, indicando que ele seria um assistente útil.
Para tornar o agente "Recruiter Specialist" realmente útil, refinamos a forma como ele recebe e processa as informações usando o componente Prompt.
- Componente Prompt: Permite estruturar o texto de entrada para a LLM, incluindo variáveis.
- Variáveis do Prompt: Definimos variáveis para os
DADOS_CANDIDATOe aDESCRICAO_VAGA. - Fonte dos Dados do Candidato: Utilizamos o componente URL para buscar informações diretamente do perfil público da DIO do usuário. A URL do perfil foi passada como entrada para este componente.
- Fonte da Descrição da Vaga: A descrição da vaga foi definida para vir do Chat Input, digitada pelo usuário.
- Conexão no Flow: Conectamos o componente URL à variável
DADOS_CANDIDATOno Prompt e o Chat Input à variávelDESCRICAO_VAGAno Prompt. O Prompt resultante foi conectado como input para o Agent. - Web Scraping/Crawling: Inicialmente, o componente URL estava configurado para buscar apenas texto. Isso resultou na perda de informações importantes no perfil da DIO, como conquistas, certificações e links. Ao alterar a configuração do componente URL para buscar o HTML da página, conseguimos extrair uma quantidade muito maior de dados, permitindo ao agente identificar e utilizar informações antes "invisíveis".
- Instruções do Agente: As instruções globais do agente (
Agent Instructions) foram aprimoradas para garantir que ele use exclusivamente as informações fornecidas, evitando "inventar" ou deduzir. Também definimos um tom de voz profissional, conciso e factual, evitando adjetivos exagerados. - Formato de Saída: No corpo do Prompt, instruímos a LLM a formatar a resposta em Markdown para facilitar a leitura e eventual conversão para PDF. Definimos a estrutura detalhada da saída, incluindo nome, resumo, skills, conquistas/certificações, artigos e uma análise das chances para a vaga com recomendações de aprendizado.
Testamos o agente utilizando diferentes perfis da DIO e descrições de vagas, observando a melhoria significativa na qualidade da resposta ao mudar a fonte de dados de texto para HTML.
A live demonstrou como é possível criar um agente de IA funcional e útil em pouco tempo utilizando o LangFlow. O flow "Recruiter Specialist" que construímos é um ponto de partida poderoso.
Este repositório contém o flow exportado (arquivo JSON) que foi criado durante a live.
Nosso desafio para você é o seguinte:
- Faça um Fork deste repositório para a sua conta no GitHub.
- Importe o flow JSON para a sua instância do LangFlow (local ou na DataStax).
- Experimente! Utilize seu próprio perfil da DIO, diferentes descrições de vagas, e veja como o agente se comporta.
- Personalize! Vá além do que foi feito na live, algumas ideias:
- Refine os prompts para que a saída seja ainda mais alinhada com suas necessidades.
- Explore outros componentes do LangFlow, como a leitura de arquivos (PDFs, etc.) para analisar seu currículo tradicional ou perfil do LinkedIn exportado.
- Tente implementar a busca de URL como uma Tool dinâmica acionada pelo agente.
- Teste diferentes provedores de LLMs (OpenAI, Google AI Studio, etc.) e compare os resultados.
Lembre-se sempre de estar atento à precificação dos modelos de LLM que você escolher utilizar. Muitos oferecem créditos gratuitos iniciais ou tiers de uso baixo custo.
A IA serve para nos ajudar a sermos mais produtivos e focarmos no que realmente importa. Use este projeto como um trampolim para criar suas próprias soluções inteligentes!
Compartilhe suas criações e aprendizados com a comunidade DIO! Use as hashtags #DIOAiAgents e #CommunityWeekAiAgents nas redes sociais.
Estamos ansiosos para ver o que você vai construir 🚀