Skip to content
juninhos-comunidadePublic

About

Plataforma de preparação para processos seletivos em tech: score de compatibilidade currículo-vaga, simulados técnicos personalizados e trilha de estudo sob medida — tudo consolidado num Talent Passport.

Resources

Stars

6 stars

Watchers

0 watching

Forks

Latest commit

 

History

215 Commits

Folders and files

NameName
Last commit message
Last commit date
 
 
 
 
 
 
 
 
 
 
 
 
 
 

Repository files navigation

KANdo — Talent Passport

License: MIT

Plataforma de preparação para processos seletivos em tecnologia: o candidato sobe currículo e vaga, recebe um score de compatibilidade, faz um simulado técnico personalizado e sai com uma trilha de estudo personalizada e um perfil consolidado (Talent Passport).

👥 Equipe

Nome Papel GitHub LinkedIn
Nícolas (Líder) Frontend GitHub LinkedIn
Karina Backend GitHub LinkedIn
Andreia IA(documentação técnica) GitHub LinkedIn

🔗 Links rápidos

Recurso Link
🌐 Produto no ar kando-eta.vercel.app
📋 Pesquisa de mercado Dashboard da pesquisa
💻 Documentação do frontend docs/frontend.md
⚙️ Documentação do backend docs/backend.md
🤖 Documentação da IA docs/ai.md

📑 Sumário

🎯 O problema

Candidatos de tecnologia costumam chegar em processos seletivos sem saber exatamente onde estão fracos em relação aos requisitos reais da vaga específica que estão disputando. "Estudar tudo" não é viável no pouco tempo que normalmente existe entre a candidatura e a entrevista.

💡 A solução

O candidato sobe o próprio currículo e a vaga desejada, ao mesmo tempo. A plataforma extrai e estrutura os dois documentos com IA, Entrega um score de compatibilidade e as lacunas de skill, gera um desafio técnico personalizado pra esse par currículo-vaga, avalia as respostas por skills, e devolve um plano de estudo priorizado pelas lacunas reais encontradas — tudo isso sem nenhum recrutador alimentando a plataforma.

Veja o produto no ar em kando-eta.vercel.app.*

✨ Funcionalidades

  • Normalização automática de currículo, com extração de skills, experiências e senioridade calculada
  • Normalização automática de vaga, requisitos e tecnologias
  • Matching currículo × vaga, com score de compatibilidade, skills compatíveis e lacunas
  • Geração de simulado técnico personalizado com perguntas conceituais
  • Avaliação de respostas com feedback e desempenho por skill
  • Dashboard com score geral e desempenho técnico consolidado
  • Geração de Talent Passport com perfil profissional e recomendações
  • Geração de trilha de estudo personalizada a partir de lacunas e desempenho
  • Principais telas conectadas à API: upload, matching, dashboard, simulado, trilha e Passport
  • Importação de currículos e vagas em PDF, com tratamento de falhas de conversão
  • Tratamento de erros de IA: prompt ausente, JSON inválido, limite de uso e erros de configuração
  • Validação end-to-end contra a API real do Groq
  • Deploy Concluido

Arquitetura

Visão geral do fluxo:

flowchart LR
    A[Currículo] --> C[Matching]
    B[Vaga] --> C
    A --> D[Desafio Técnico]
    B --> D
    C --> D
    D --> E[Avaliação de Respostas]
    E --> F[Dashboard]
    F --> G[Trilha de Estudo]
    F --> H[Talent Passport]
Loading

Para detalhes de implementação de cada parte, veja as docs específicas linkadas acima.

Tecnologias

Camada Stack
Frontend React Vite React Router Mantine MUI Axios jsPDF
Backend Python Django DRF
Banco SQLite Supabase
IA Groq GPT--OSS JSON
PDFs pdfplumber pypdfium2
Autenticação JWT
Deploy Vercel Render

Como rodar localmente

Pré-requisitos

  • Python 3.11+
  • Node.js 20+
  • Uma chave de API da Groq

Backend

cd backend
python -m venv .venv
# Ative o ambiente virtual conforme seu sistema
pip install -r requirements.txt

Crie backend/.env:

DJANGO_SECRET_KEY=uma_chave_secreta_segura
DJANGO_DEBUG=True
DJANGO_ALLOWED_HOSTS=localhost,127.0.0.1

# IA: uma chave ou uma lista de chaves separadas por vírgula
GROQ_API_KEY=sua_chave_aqui
# GROQ_API_KEYS=chave_1,chave_2
GROQ_MODEL=openai/gpt-oss-120b

# Banco local (padrão)
DATABASE_ENGINE=sqlite

# Frontend local
DJANGO_CORS_ALLOWED_ORIGINS=http://localhost:5173

# Opcional: PostgreSQL/Supabase
# DATABASE_ENGINE=supabase
# DB_NAME=...
# DB_USER=...
# DB_PASSWORD=...
# DB_HOST=...
# DB_PORT=5432
python manage.py migrate
python manage.py runserver

Para as etapas de IA funcionarem, os prompts necessários precisam estar ativos no banco. Sem um prompt ativo, a API devolve um erro controlado para a etapa correspondente.

A API ficará disponível em http://localhost:8000/api e o health check em http://localhost:8000/health/.

Frontend

cd frontend
npm install
npm run dev

Crie frontend/.env:

VITE_API_URL=http://localhost:8000/api

O frontend consome a URL definida em VITE_API_URL. Para produção, defina essa variável com a URL pública da API seguida de /api.

Detalhes completos em docs/frontend.md, docs/backend.md e docs/ai.md.

📝 Nota de esclarecimento

Nota de esclarecimento — histórico da escolha de modelo: durante a fase de testes, a equipe avaliou múltiplos modelos servidos pela Groq (incluindo Llama, GPT e Qwen) ao longo de aproximadamente uma semana. O Llama apresentou os resultados mais consistentes nos testes locais e foi a escolha inicial para produção. Dois dias antes da entrega do projeto, a Groq comunicou por e-mail a descontinuação do modelo Llama utilizado, exigindo a migração para o segundo modelo com melhor desempenho nos testes (openai/gpt-oss-120b) em um prazo de 24 horas. Essa migração emergencial explica as trocas de modelo visíveis no histórico de commits (qwen → gpt → qwen → gpt) e reforça a recomendação acima de sempre conferir ai_core/llm.py e a variável GROQ_MODEL efetivamente configurada em produção, em vez de assumir que o modelo documentado aqui é definitivo — dado o precedente de descontinuações por parte do provedor com pouco aviso prévio.

📅 Status do projeto

Construído para o Hackathon Juninhos-Nortjobs, entre 16/07/2026 e 16/08/2026.

  • Fluxo principal implementado: currículo e vaga → matching → simulado → avaliação → dashboard → trilha → Talent Passport
  • Autenticação JWT, persistência e isolamento dos dados por usuário
  • Upload por texto ou PDF, com validação e tratamento de falhas
  • Tratamento de erros de IA e persistência de resultados com falha controlada
  • Frontend conectado aos principais endpoints da API
  • Validação end-to-end com a API real do Groq
  • Configuração e validação final de deploy

🤖 Disclaimer sobre uso de IA no desenvolvimento

Durante o desenvolvimento deste projeto, a equipe utilizou o Claude Sonnet 5 (Anthropic) como ferramenta de apoio e tutoria técnica — auxiliando em dúvidas de implementação, revisão de lógica e boas práticas ao longo do processo. As decisões de arquitetura, implementação e integração final foram de responsabilidade da equipe.

📄 Licença

Este projeto está licenciado sob a MIT License — você pode usar, copiar, modificar e distribuir livremente, inclusive para fins comerciais, desde que mantenha o aviso de copyright original.

About

Plataforma de preparação para processos seletivos em tech: score de compatibilidade currículo-vaga, simulados técnicos personalizados e trilha de estudo sob medida — tudo consolidado num Talent Passport.

Resources

Stars

6 stars

Watchers

0 watching

Forks

Releases

Packages

Contributors

Languages