Preparação personalizada para entrevistas técnicas, guiada por IA e gamificada.

Se preparar para uma entrevista hoje é um processo genérico: o candidato estuda listas de perguntas prontas e resolve exercícios aleatórios, sem saber se aquilo tem relação com a vaga que ele realmente quer.

O CodeCrew parte de dois insumos concretos, o currículo do candidato e a vaga desejada, e usa inteligência artificial para gerar um roteiro de preparação sob medida:

• Perguntas técnicas e comportamentais personalizadas, derivadas dos pré-requisitos e das responsabilidades reais da vaga, cruzadas com a experiência descrita no currículo.
• Desafios de código gamificados, com pontuação e progressão, para que o treino técnico deixe de ser uma lista de tarefas e vire uma experiência com senso de avanço.

A ideia é simples: em vez de estudar "o que costuma cair", o candidato treina exatamente o que aquela vaga exige.

1. Coleta da vaga — a partir da URL de uma vaga, extraímos título, pré-requisitos e responsabilidades.
2. Análise com IA — esses dados são cruzados com o currículo do candidato para gerar as perguntas da entrevista.
3. Trilha de desafios — um acervo de questões de lógica alimenta o modo gamificado, filtrado por tema e dificuldade conforme o perfil da vaga.

Este repositório contém a camada de coleta de dados que alimenta as etapas 1 e 3.

• Python 3.12+
• PostgreSQL

python3 -m venv .venv
source .venv/bin/activate
pip install -r requirements.txt

Crie um arquivo .env na raiz do projeto:

DATABASE_URL=postgresql+psycopg2://usuario:senha@localhost:5432/codecrew

python craw_gupy.py

O script pede a URL da vaga e devolve os campos usados como contexto para a IA:

{
  "titulo": "Desenvolvedor(a) Python Pleno",
  "pre_requisitos": "Experiência com Python, SQL e APIs REST...",
  "responsabilidades": "Desenvolver e manter serviços backend..."
}

python leetcode_craw.py

Busca as questões, converte os enunciados para Markdown e grava na tabela questions. A inserção é idempotente, então rodar de novo não duplica registros.

Os filtros de coleta (tema, dificuldade e quantidade) ficam no próprio script:

list_result = fetch_leetcode(list_query, {
    "filters": {"tags": ["array"], "difficulty": "EASY"},
    "limit": 50,
    "skip": 0
})

• Upload e parsing do currículo
• Geração das perguntas de entrevista com IA
• Motor de pontuação e progressão dos desafios
• Interface web

Em desenvolvimento. A camada de coleta de dados já está funcional; as etapas de análise por IA e a interface ainda estão sendo construídas.

Rodrigo Rodrigues, Joao Schramm e Augusto Krause.