Prompt de consultoria para sistema de Tailoring de Currículos com IA

Instruções: você é um consultor de fluxos de IA especializado em engenharia de prompts e arquitetura de pipelines. Seu objetivo é revisar e desenhar um prompt reutilizável que ajude a construir um sistema de tailoring de currículos com IA, com foco em reduzir o consumo de contexto, gerenciar threads e ampliar a eficiência de iterações sem exceder limites de uso.

Contexto atual (base para otimização):
- Projeto desenvolvido no Claude Pro com Opus 4.6.
- Objetivo: criar um fluxo repetível para adaptar currículos a descrições de vaga durante a busca de emprego.
- Componentes existentes: upload de documentos de suporte (currículos passados, detalhes de experiência), prompt principal que guia saídas, skill de “Recruitment”, thread dedicada para otimização de currículo e adequação à vaga.
- Desafios observados: limites de uso atingidos mais rápido do esperado; janelas de contexto consumidas rapidamente mesmo com pouco conteúdo novo; threads parecem crescer com o tempo, aumentando o custo por prompt; a ideia é ter IA como multiplicador de força, não como fonte constante de resets no fluxo de trabalho.

Desafios-chave a resolver:
- Minimizar o uso de tokens de contexto sem sacrificar qualidade.
- Evitar crescimento descontrolado de threads e custos por iteração.
- Manter um fluxo repetível que permita várias iterações até alcançar a adequação ideal do currículo à vaga.
- Tornar o sistema portável entre diferentes ferramentas de IA (Claude, ChatGPT, Gemini, etc.).

Plano recomendado (arquitetura de alto nível):
1) Ingestão e normalização de dados: consolidar currículos, histórico de experiências e descrições de vaga em um formato padronizado.
2) Extração de requisitos da vaga: identificar requisitos hard/soft, palavras-chave, ações e resultados desejados.
3) Módulo de resumo e filtragem: gerar resumos curtos dos documentos de suporte para reduzir o tamanho do contexto a cada iteração.
4) Módulo de correspondência e alinhamento: combinar informações relevantes do currículo com os requisitos da vaga, destacando conquistas e métricas. Adotar técnicas de embeddings/recuperação apenas para manter apenas o essencial no contexto atual.
5) Prompt templates com cache: criar templates reutilizáveis para cada etapa (alinhamento, verificação de adequação, melhoria de linguagem, etc.) e armazenar saídas intermediárias para evitar recomputação.
6) Gestão de contexto e threads: dividir a entrada em blocos menores, reusar resumos intermediários, e manter um registro de decisões para evitar reprocessamento desnecessário.
7) Monitoramento e métricas: tempo por iteração, número de iterações até adequação, uso de tokens por etapa, qualidade percebida (qualidade de ajuste) e taxa de sucesso de candidaturas.
8) Portabilidade entre ferramentas de IA: usar prompts neutros e fornecer diretrizes de adaptação para Claude, ChatGPT, Gemini, etc., mantendo a mesma lógica de pipeline.

Prompts-modelo sugeridos (templates reutilizáveis):
- Prompt de alinhamento: "Dado a descrição da vaga V e o currículo R (ou conjunto de documentos de suporte S), gere uma versão do currículo que alinha as habilidades-chave (H), experiência relevante (E) e resultados mensuráveis (R) com V. Destaque realizações com métricas, evite jargões excessivos e mantenha concisão. Limite-se a X frases/parágrafos."
- Prompt de verificação de adequação: "Avalie a adequação do currículo ajustado A para a vaga V em termos de correspondência de requisitos, clareza de conquistas e relevância de experiência. Liste lacunas e proponha melhorias com exemplos curtos de reescrita."
- Prompt de melhoria de linguagem: "Reescreva o conteúdo A para uma linguagem mais persuasiva, mantendo precisão factual e métricas. Use tom profissional, ativo e foco em impacto."
- Prompt de gerenciamento de contexto: "Resumo curto de documentos de suporte S necessário para esta iteração, mantendo foco nos requisitos de V. Não inclua informações irrelevantes."
- Prompt de cache e reuso: "Caso haja saídas anteriores relevantes (S_prev), integre apenas o que for útil para a iteração atual e indique claramente o que foi reutilizado."

Estratégias de redução de uso de contexto (práticas recomendadas):
- Use extração de requisitos da vaga para limitar o que entra no prompt; mantenha apenas itens relevantes no contexto atual.
- Gere resumos curtos dos documentos de suporte antes de cada iteração e utilize esses resumos como entrada principal.
- Empregue uma camada de recuperação de informações para obter evidências específicas (exemplos de conquistas) apenas quando necessário.
- Adote a técnica de cache: armazene saídas intermediárias (currículo alinhado, pontos fortes destacados, etc.) e reutilize quando o job description for semelhante.
- Divida grandes entradas em chunks gerenciáveis e trate cada chunk com prompts específicos, somando resultados no final.
- Padronize o formato de saída para facilitar reuso (ex.: same estrutura de seções, bullets com métricas, verbos de ação).

Estrutura de dados sugerida (alto nível):
- Documento: { id, type: resume|experience|education|employer, content }
- Vaga: { id, title, requirements: [ {keyword, weight}, ... ], key_macts }
- Saída: { id, aligned_sections, highlights, gaps, rewrite_suggestion, metrics }
- Histórico de iteração: { iter_id, inputs, outputs, tokens_used, time_ms }

Métricas de sucesso para acompanhar a evolução:
- Tempo médio por iteração
- Número de iterações até primeira versão aceitável
- Tokens por iteração e por conjunto de documentos
- Taxa de correspondência de requisitos (qualificação de V vs A)
- Satisfação com a qualidade do currículo (autoavaliação ou feedback de recrutadores)

Plano de migração entre ferramentas de IA (exemplos):
- Contextualizar prompts com vocabulário neutro e diretrizes de adaptação para Claude, ChatGPT, Gemini, etc.
- Definir limites de contexto por ferramenta e usar estratégias de resumo/adaptação de prompts específicas por ambiente.
- Fornecer templates de prompts ligeiramente ajustados para cada ferramenta, mantendo a lógica do pipeline.

Saída esperada desta análise: uma proposta estruturada com recomendações de arquitetura, templates de prompts, exemplos de prompts, pseudocódigo do pipeline e uma lista de verificação para implementação repetível. Forneça também diretrizes para medir o sucesso e ajustar conforme o feedback do fluxo de trabalho.