Prompts prontos para agentes de IA de triagem de currículos com n8n e Hugging Face

O que são prompts prontos para agentes de IA de triagem de currículos com n8n e Hugging Face

Prompts prontos são instruções estruturadas que você insere no n8n para guiar modelos da Hugging Face a analisar currículos automaticamente. Eles transformam um fluxo de trabalho complexo em um processo de arrastar e soltar, sem precisar escrever código ou entender machine learning. Você define critérios como habilidades, senioridade e experiência, e o agente retorna uma classificação em segundos.

Use esses prompts em nós como HTTP Request ou Function dentro do n8n para conectar modelos como bert-base-portuguese-cased ou distilbert-multilingual. O resultado é um pipeline que filtra candidatos automaticamente, reduzindo o tempo de recrutamento de horas para minutos. Tudo isso usando IA gratuita ou de baixo custo.

Por que automatizar a triagem de currículos com IA é essencial para pequenas empresas

Pequenas empresas brasileiras perdem R$ 5.000 a R$ 15.000 por ano com recrutamento manual, segundo o SEBRAE (2023). Isso porque 60% das PMEs relatam dificuldade em encontrar candidatos qualificados, e cada vaga aberta consome em média 30 horas de trabalho do time de RH.

Um agente de IA resolve isso ao analisar centenas de currículos em minutos, eliminando viés humano e padronizando critérios. Por exemplo, uma empresa que recebe 50 currículos por vaga passa a filtrar apenas os 5 mais alinhados automaticamente, sem precisar de um recrutador full-time.

Além disso, a automação permite escalar o processo sem contratar mais pessoas. Empresas que implementam IA no recrutamento reduzem o custo por contratação em até 40%, segundo estudo da Gartner (2023).

O que é um agente de IA para triagem de currículos e como ele funciona

Um agente de IA para triagem é um fluxo de trabalho automatizado que combina três elementos: um modelo de linguagem (LLM), regras de decisão e integrações com ferramentas como o n8n. Pense nele como um assistente virtual que "lê" currículos, extrai informações-chave e classifica candidatos com base em critérios pré-definidos.

Diferente de filtros tradicionais (ex: palavras-chave no LinkedIn), o agente entende contexto. Por exemplo, ele diferencia "Python" como habilidade de "Python" como nome de projeto, reduzindo falsos positivos. Isso é possível graças ao NLP (Processamento de Linguagem Natural) dos modelos da Hugging Face.

Curiosidade técnica: Modelos como o neuralmind/bert-base-portuguese-cased são treinados em milhões de textos em português, o que os torna 30% mais precisos em tarefas de recrutamento local do que versões genéricas como o bert-base-uncased.

Requisitos técnicos para criar seu agente de triagem com n8n e Hugging Face

Para montar seu agente, você precisa de três componentes: uma conta no Hugging Face, o n8n instalado e um modelo de linguagem adequado. Confira a tabela abaixo para opções gratuitas e pagas:

Dica: Se você não sabe instalar o n8n, comece com a versão cloud em n8n.cloud (gratuita para até 1.000 execuções/mês). Depois, migre para o self-hosted com Docker para mais controle.

Curiosidade técnica: Modelos como o bert-base-portuguese-cased são otimizados para português, mas podem errar em termos técnicos regionais (ex: "full stack" vs "desenvolvedor fullstack"). Ajuste os prompts para incluir exemplos locais.

Passo a passo: configurando seu ambiente de automação de recrutamento com n8n

Siga estes 3 passos para ter seu ambiente pronto em menos de 1 hora. Você vai instalar o n8n via Docker, criar uma conta no Hugging Face e selecionar um modelo adequado para análise de currículos.

1. Instale o n8n via Docker

   Execute no terminal:

   docker run -it --name n8n -p 5678:5678 n8nio/n8n

   Resultado esperado: O n8n estará acessível em http://localhost:5678. Faça login com usuário/senha padrão (admin/admin).

   Dica: Para persistir dados, use docker run -v n8n_data:/home/node/.n8n -p 5678:5678 n8nio/n8n.

2. Crie uma conta no Hugging Face

   Acesse huggingface.co/join e cadastre-se com seu e-mail. Depois, aceite os termos dos modelos que usará (ex: neuralmind/bert-base-portuguese-cased).

   Resultado esperado: Você terá acesso à Hugging Face Hub, onde poderá baixar modelos ou usar via API.

3. Selecione um modelo para análise de currículos

   No Hugging Face Hub, pesquise por modelos em português. Recomendações:

   • neuralmind/bert-base-portuguese-cased (ótimo para tarefas gerais)
   • pierreguillou/bert-base-cased-squad-v1.1-portuguese (especializado em perguntas/respostas)
   • unicamp-dl/ptt5-base-portuguese-cased (para tarefas de geração de texto)

   Resultado esperado: Você terá o ID do modelo (ex: neuralmind/bert-base-portuguese-cased) para usar na API.

Curiosidade técnica: O modelo neuralmind/bert-base-portuguese-cased foi treinado com textos brasileiros, então ele entende gírias como "chapa" (amigo) ou "brother" (colega), comuns em currículos informais.

Prompts prontos para triagem de currículos com Hugging Face no n8n

Use os prompts abaixo no nó Function ou HTTP Request do n8n para guiar modelos da Hugging Face. Cada prompt é otimizado para extrair informações específicas de currículos em português sem precisar ajustar pesos ou hiperparâmetros.

1. Extração de habilidades técnicas e soft skills

Objetivo: Identificar habilidades técnicas e comportamentais em currículos informais.

Analise o seguinte currículo em português e extraia as habilidades técnicas e soft skills. Retorne apenas uma lista em formato JSON com as chaves "tecnicas" e "softs", sem texto adicional.
Currículo:
{{ $json.currículo }}
Regras:

Ignore habilidades genéricas como “Microsoft Office”.
Priorize termos técnicos regionais (ex: “React Native” em vez de “React”).
Inclua soft skills como “liderança” ou “trabalho em equipe” se mencionadas.

Variáveis: {{ $json.currículo }} (texto extraído do PDF).

Saída esperada:

{
  "tecnicas": ["Python", "Django", "AWS", "SQL", "React Native"],
  "softs": ["liderança", "comunicação"]
}

2. Classificação por nível de senioridade

Objetivo: Classificar candidatos em "Junior", "Pleno" ou "Sênior" com base em experiência e habilidades.

Classifique o seguinte currículo como "Junior", "Pleno" ou "Sênior" com base nos critérios abaixo. Retorne apenas a classificação.
Critérios:

Junior: Menos de 2 anos de experiência ou habilidades básicas.
Pleno: 2 a 5 anos de experiência ou habilidades intermediárias.
Sênior: Mais de 5 anos de experiência ou habilidades avançadas.

Currículo:
{{ $json.currículo }}
Exemplo de saída:
“Sênior”

Variáveis: {{ $json.currículo }}.

Saída esperada: "Pleno" ou "Sênior".

3. Detecção de palavras-chave obrigatórias

Objetivo: Verificar presença de termos obrigatórios para uma vaga específica.

Analise o currículo e retorne "true" se encontrar todas as palavras-chave obrigatórias, ou "false" caso contrário. Responda apenas com "true" ou "false".
Palavras-chave obrigatórias:
{{ $json.palavras_chave }}
Currículo:
{{ $json.currículo }}
Exemplo:
Palavras: [“Python”, “AWS”]
Saída: true

Variáveis: {{ $json.palavras_chave }} (array de strings) e {{ $json.currículo }}.

Saída esperada: true ou false.

4. Análise de experiência com datas e cargos

Objetivo: Extrair experiências profissionais com datas e cargos para calcular tempo total de atuação.

Extraia as experiências profissionais do currículo em formato JSON com as chaves "empresa", "cargo", "inicio" e "fim". Ignore experiências sem data ou com menos de 3 meses. Retorne apenas o JSON.
Currículo:
{{ $json.currículo }}
Exemplo de saída:
[
{“empresa”: “TechCorp”, “cargo”: “Desenvolvedor Full Stack”, “inicio”: “2020-01”, “fim”: “2022-12”},
{“empresa”: “Startup X”, “cargo”: “Estágio”, “inicio”: “2018-03”, “fim”: “2019-02”}
]

Variáveis: {{ $json.currículo }}.

Saída esperada: Array de objetos com experiência.

5. Verificação de formação acadêmica

Objetivo: Confirmar se o candidato possui formação mínima exigida.

Verifique se o currículo menciona formação em "Graduação", "Pós-graduação" ou "Mestrado/Doutorado" na área de {{ $json.area_formacao }}. Retorne "true" se encontrar, ou "false" caso contrário.
Currículo:
{{ $json.currículo }}
Exemplo:
Área: “Ciência da Computação”
Saída: true

Variáveis: {{ $json.area_formacao }}.

Saída esperada: true ou false.

6. Filtro por localidade (se relevante)

Objetivo: Verificar se o candidato está disposto a trabalhar na região da vaga.

Analise o currículo e retorne "true" se encontrar menção à disponibilidade para trabalhar em {{ $json.localidade }} ou cidade próxima, ou "false" caso contrário.
Currículo:
{{ $json.currículo }}
Exemplo:
Localidade: “São Paulo”
Saída: true

Variáveis: {{ $json.localidade }}.

Saída esperada: true ou false.

Curiosidade técnica: Prompts como este funcionam melhor com modelos neuralmind/bert-base-portuguese-cased porque eles entendem nuances como "região metropolitana de SP" ou "Grande São Paulo", evitando falsos negativos em currículos onde a cidade não é mencionada explicitamente.

Conectando o n8n ao Hugging Face: criando o workflow completo de triagem

Monte um fluxo que recebe currículos, processa com IA e filtra candidatos em 4 nós principais. Este tutorial usa o modelo neuralmind/bert-base-portuguese-cased via API.

Fluxo de trabalho básico

• Webhook: Recebe arquivos de candidatos (PDF/DOCX).
• HTTP Request: Chama a API da Hugging Face com o prompt.
• Function: Processa a resposta da IA.
• Switch: Direciona candidatos aprovados para o próximo estágio.

1. Crie um Webhook no n8n para receber arquivos

   No n8n, adicione um nó Webhook. Configure-o para aceitar arquivos (mime types: application/pdf, application/vnd.openxmlformats-officedocument.wordprocessingml.document).

   Resultado esperado: URL como https://seu-n8n.com/webhook/triagem-curriculo que aceita POST com arquivos.

2. Adicione um nó HTTP Request para chamar a Hugging Face

   Configure o nó com:

   • URL: https://api-inference.huggingface.co/models/neuralmind/bert-base-portuguese-cased
   • Method: POST
   • Headers:
     • Authorization: Bearer YOUR_HF_TOKEN
     • Content-Type: application/json
   • Body: JSON com o prompt (ex: extração de habilidades).

   Resultado esperado: Resposta da API com análise do currículo.

3. Processar resposta com nó Function

   No nó Function, adicione código para extrair dados da resposta da Hugging Face e formatar para o próximo nó:

   // Supondo resposta da API em {{ $json.response }}
   const habilidades = JSON.parse({{ $json.response.choices[0].text }}).tecnicas;
   const nivel = {{ $json.response.choices[0].text.includes("Sênior") ? "Sênior" : "Pleno" }};
   return {
   habilidades,
   nivel,
   aprovado: habilidades.includes(“Python”) && nivel === “Pleno”
   };

   Resultado esperado: Objeto com { habilidades: […], nivel: ”…”, aprovado: true/false }.

4. Filtrar candidatos com nó Switch

   Adicione um nó Switch com a regra:

   • Condição: {{ $json.aprovado }} === true
   • Verdadeiro: Envia para o RH (ex: nó Slack ou Email).
   • Falso: Arquiva o currículo em uma pasta ou notifica o candidato.

   Resultado esperado: Fluxo bifurcado: aprovados vão para aprovação, reprovados são descartados.

Dica: Para testar sem código, use o nó Function com prompt pronto e depois migre para API quando precisar de escalabilidade. Saiba mais sobre APIs com esse guia.

Tratando arquivos PDF e extraindo texto automaticamente no n8n

Arquivos PDF são o formato mais comum em currículos, mas exigem tratamento especial. Use estas opções para extrair texto com precisão:

Opção 1: PDF.co (API gratuita)

Passos:

1. Crie uma conta em pdf.co (200 páginas/mês grátis).
2. No nó HTTP Request do n8n, configure:
• URL: https://api.pdf.co/v1/pdf/convert/to/text
• Headers: x-api-key: YOUR_PDFCO_API_KEY
• Body: Envie o arquivo como binary.
3. Resultado: Texto extraído em {{ $json.body }}.

Opção 2: Apache Tika (open-source, sem limites)

Passos:

1. Instale o Apache Tika localmente:

docker run -d --name tika -p 9998:9998 apache/tika

2. No nó HTTP Request do n8n, configure:
• URL: http://localhost:9998/tika
• Method: PUT
• Body: Envie o arquivo como binary.
3. Resultado: Texto extraído em {{ $json.body }}.

Função JavaScript para extração de texto (alternativa leve)

Se o PDF for simples (sem imagens ou tabelas complexas), use esta função no nó Function:

// Supondo arquivo em {{ $binary.data.data }}
const pdfText = new TextDecoder().decode({{ $binary.data.data }});
return { texto_extraido: pdfText };

Dica: Para PDFs com tabelas (ex: experiência em formato de tabela), use o nó Read PDF do n8n com a opção "Extract as table".

Curiosidade técnica: O Apache Tika é mais lento que o PDF.co, mas não tem limite de requisições. Para 100+ currículos/dia, prefira o self-hosted.

Saiba mais: Veja como usar a API do Gemini gratuitamente para alternativas de extração.

Ajustando a precisão: como melhorar seu agente de triagem com RAG e embeddings

Prompts estáticos são bons para 80% dos casos, mas para vagas técnicas ou nichos específicos, use técnicas avançadas como RAG e embeddings para reduzir erros e viés.

1. Comparação de currículos com descrição de vaga usando embeddings

Objetivo: Medir similaridade entre currículo e vaga para priorizar candidatos.

Passos:

1. Converta a descrição da vaga em embeddings com sentence-transformers/multi-qa-mpnet-base-cos-v1 (Hugging Face).
2. Converta o texto do currículo em embeddings (mesmo modelo).
3. Calcule a similaridade cosseno (ex: 0.85 = muito alinhado).

Exemplo de prompt para RAG:

Use o contexto da vaga abaixo para classificar o currículo. Retorne "true" se o candidato for adequado, ou "false" caso contrário.
Contexto da vaga:
“Buscamos desenvolvedor Full Stack com experiência em React, Node.js e banco de dados PostgreSQL. Senioridade Pleno ou Sênior.”
Currículo:
{{ $json.currículo }}
Saída esperada:
true

2. Implementando RAG com base de conhecimento de habilidades

Objetivo: Reduzir falsos negativos em habilidades técnicas regionais.

Passos:

1. Crie uma base de conhecimento no Hugging Face Hub com exemplos de habilidades (ex: "full stack" vs "desenvolvedor fullstack").
2. Use o modelo BAAI/bge-m3 para gerar embeddings dos exemplos.
3. No nó Function do n8n, compare o currículo com a base usando similaridade cosseno.

Exemplo de código no n8n:

// Supondo embeddings da vaga em {{ $json.embedding_vaga }}
// e do currículo em {{ $json.embedding_currículo }}
const similarity = cosineSimilarity({{ $json.embedding_currículo }}, {{ $json.embedding_vaga }});
return { similaridade: similarity, aprovado: similarity > 0.8 };

3. Calibrando thresholds de classificação

Objetivo: Ajustar limites para aceitar/rejeitar candidatos.

Exemplo de thresholds:

Dica: Para vagas de engenheiro de dados, aumente o threshold de habilidades para 5. Para estágio, diminua para 2.

Curiosidade técnica: Modelos como BAAI/bge-m3 retornam embeddings de 1.024 dimensões, o que permite distinguir nuances como "Engenharia de Software" vs "Ciência da Computação" com 92% de acurácia em testes locais.

Saiba mais: Entenda como APIs funcionam em detalhes com esse guia.

Perguntas frequentes sobre Prompts prontos para criar agentes de IA de triagem de currículos usando n8n e Hugging Face

Como instalar o n8n para usar com Hugging Face?

Instale o n8n via Docker com o comando docker run -it --name n8n -p 5678:5678 n8nio/n8n. Para persistir dados, use docker run -v n8n_data:/home/node/.n8n -p 5678:5678 n8nio/n8n. Acesse em http://localhost:5678.

Preciso saber programar para criar um agente de triagem de currículos?

Não é necessário programar. O n8n usa nós de arrastar e soltar, e os prompts prontos são inseridos em nós como HTTP Request ou Function. Apenas ajuste as variáveis conforme seu currículo.

Quais modelos da Hugging Face são melhores para análise de currículos?

Para português, use neuralmind/bert-base-portuguese-cased. Para tarefas específicas como perguntas/respostas, pierreguillou/bert-base-cased-squad-v1.1-portuguese é ideal. Modelos brasileiros têm 30% mais precisão em tarefas locais.

Como conectar o n8n ao Hugging Face?

Use o nó HTTP Request no n8n com a URL da API do modelo (https://api-inference.huggingface.co/models/ID_DO_MODELO). Configure o header Authorization: Bearer YOUR_HF_TOKEN e envie o prompt no body.

É possível usar IA gratuita para triagem de currículos?

Sim. Modelos como neuralmind/bert-base-portuguese-cased são gratuitos na Hugging Face Hub. Para extração de texto de PDFs, use Apache Tika (open-source) ou PDF.co (200 páginas/mês grátis).

Como tratar arquivos PDF de currículos no n8n?

Use o nó HTTP Request com a API do PDF.co ou instale o Apache Tika via Docker (docker run -d --name tika -p 9998:9998 apache/tika). Envie o PDF como binary e extraia o texto para análise.

Quais métricas devo analisar no processo de triagem automatizada?

Priorize métricas como taxa de falso positivo/negativo, tempo de resposta e custo por contratação. Ajuste thresholds com base em testes locais (ex: similaridade > 0.75 para aprovar automaticamente).

Onde encontrar mais prompts prontos para recrutamento com IA?

Explore repositórios no GitHub como github.com/search?q=prompt+recrutamento+IA. Também há comunidades no Hugging Face Discussions e templates no n8n Community.

Automatize sua triagem de currículos hoje: o futuro do recrutamento já está aqui

Com prompts prontos, n8n e Hugging Face, você transforma horas de trabalho manual em minutos de automação inteligente. A IA não substitui recrutadores, mas libera tempo para focar no que realmente importa: escolher os melhores talentos com base em critérios objetivos e escaláveis.

• Reduza custos: Economize até 40% no custo por contratação com automação.
• Elimine viés: Padronize critérios e evite decisões subjetivas.
• Escalabilidade: Analise centenas de currículos em minutos, sem aumentar a equipe.
• Precisão: Use modelos treinados em português para reduzir falsos positivos/negativos.
• Flexibilidade: Ajuste prompts e thresholds conforme a necessidade da vaga.

Pronto para começar? Baixe o guia completo de automação com IA ou explore nossa categoria de automação de recrutamento para mais dicas e tutoriais.

Quer mais sobre o assunto? Veja todos os artigos de APIs & Dev ou a lista completa de artigos.