Triagem alinhada com JD e limite de honestidade

Como construímos o mecanismo de pontuação

Eu comecei definindo um contrato claro entre a descrição do trabalho e o currículo. O mecanismo lê texto simples, extrai cláusulas e mapeia cada cláusula para uma habilidade ou frase de requisito. Eu evitei qualquer modelo que tente adivinhar traços ocultos; em vez disso, forcei o sistema a mostrar o texto exato que usou para cada combinação.

Entradas de dados

A ferramenta aceita dois blocos de texto: a descrição do trabalho e o currículo. Sem análise de arquivos, sem extração de metadados, apenas as strings brutos que você cola. Eu mantenho o formato original dentro do bloco de evidências para que você possa ver a frase exata que acionou uma pontuação.

Lógica de combinação

Para cada cláusula de requisito, eu computo uma pontuação de similaridade usando um vetor de frequência de termos e frequência inversa de documentos. Se a similaridade passa de um limiar, eu marco como uma força; caso contrário, torna-se uma lacuna. A pontuação final de ajuste é a média ponderada de todas as pontuações de cláusulas, escalonada para 1-10.

Captura de evidências

Cada força ou lacuna armazena a sentença de origem do currículo e a cláusula de origem da descrição do trabalho. Eu as armazeno como trechos de texto simples, não como embeddings, para que você possa auditar a decisão posteriormente. Este bloco de evidências é o que torna a pontuação explicável.

Tabela de exemplo de campos de entrada

Campo | Descrição | Exemplo Descrição do trabalho | Texto livre da função | "Experiência com Python e REST APIs" Currículo | Texto livre do candidato | "Construiu REST APIs usando Python por dois anos" Cláusula combinada | Cláusula da descrição do trabalho que encontrou uma similaridade acima do limiar | "Experiência com Python e REST APIs" Trecho de evidência | Frase exata do currículo usada para a combinação | "Construiu REST APIs usando Python por dois anos"

Fluxo de trabalho típico para um recrutador

Eu uso a ferramenta todas as manhãs quando abro uma nova requisição. As etapas são curtas, repetíveis e deixam um registro escrito.

Etapa 1: Colar descrição do cargo

Eu copio a descrição completa do cargo do e-mail do gerente de contratação e cola na caixa da esquerda. Eu não edito ou resumo; mantenho a redação original.

Etapa 2: Upload de currículo

Eu colo o texto do currículo na caixa da direita. Se eu tiver um PDF, primeiro o converto para texto simples com uma ferramenta offline gratuita, então colo.

Etapa 3: Revisar cartão de pontuação

O mecanismo retorna uma pontuação de ajuste, uma lista de pontos fortes, uma lista de lacunas e as evidências para cada uma. Eu rolo pela evidência para verificar se a correspondência é real e não é um artefato de palavras-chave aleatórias.

Etapa 4: Adicionar notas

Eu adiciono uma nota curta no meu sistema de rastreamento de candidatos que linka para a URL do cartão de pontuação. Essa nota registra a data, a pontuação e quaisquer perguntas de follow-up que eu tenha para o candidato.

O que o cartão de pontuação contém

A saída é deliberadamente limitada ao que pode ser rastreado até os documentos de origem.

Escala de pontuação de ajuste

A pontuação varia de 1 (pouca sobreposição) a 10 (quase sobreposição completa). Trato pontuações abaixo de 4 como uma clara discordância, pontuações 5-7 como vale a pena conversar, e pontuações 8-10 como fortes candidatos para uma entrevista.

Pontos fortes vs Descrição do Cargo

Cada ponto forte é uma cláusula da Descrição do Cargo que o currículo atendeu. Mostro o texto da cláusula, o percentual de similaridade e o trecho de evidência do currículo.

Bandeiras de lacunas

Cada lacuna é uma cláusula da Descrição do Cargo que não atendeu ao limite. Mostro o texto da cláusula, a melhor similaridade encontrada e uma nota de que nenhuma evidência atendeu ao corte.

Linhas de evidência

Para cada ponto forte e lacuna, forneço uma citação direta do currículo. Nunca infero significado; mostro apenas o que o candidato realmente escreveu.

Como nos mantemos dentro das diretrizes da EEOC

Eu projetei o sistema para evitar qualquer inferência sobre características protegidas. As seções a seguir explicam as etapas concretas que eu tomei.

Atributos que ignoramos

O modelo nunca olha para o nome, endereço, ano de formatura ou qualquer campo que possa sugerir idade, gênero, raça, deficiência ou origem nacional. Eu removo esses campos antes do processamento se eles aparecerem no texto do currículo.

Como evitamos sinais proxy

Eu verifico por pistas indiretas, como nomes de escolas que se correlacionam com certos grupos, ou frases que possam revelar afiliação. Se um termo aparece em uma lista de vigilância interna, eu o marco para revisão manual e não o uso no cálculo de similaridade.

Registro de auditoria

Cada execução grava uma entrada de log que inclui o hash dos textos de entrada, a versão do código de pontuação e o carimbo de data/hora. Eu mantenho esses logs por seis meses para que eu possa demonstrar que nenhum dado demográfico foi usado em uma decisão.

O que isso não é

Quero deixar claro os limites da ferramenta para que você não a confunda com algo que não é.

Não é uma garantia de contratação

A pontuação reflete apenas a similaridade com a descrição do cargo escrita. Ela não prevê o desempenho futuro, o ajuste cultural ou a dinâmica da equipe. Eu nunca apresento a pontuação como uma promessa de que o candidato terá sucesso.

Não é um substituto para o julgamento humano

O recrutador ou gerente de contratação deve revisar as evidências, conversar com o candidato e tomar a decisão final. A ferramenta apenas fornece consistência e rastreabilidade.

Não é um classificador de caixa preta

Ao contrário de modelos opacos que dão um único número sem explicação, o Candidate Score mostra cada força, cada lacuna e o texto exato que produziu cada resultado. Você pode ver por que um candidato obteve a pontuação que obteve.

Como lidamos com casos de bordo

Entradas do mundo real são desordenadas. Eu construí guardas específicas para as situações que vejo com mais frequência.

Seções ausentes

Eu não penalizo um candidato por um layout não padrão.

Documentos muito longos

Eu truncamento as entradas para 10 000 caracteres antes da pontuação de similaridade para manter os tempos de execução previsíveis. Eu armazeno o texto completo no bloco de evidências, para que nada seja perdido para revisão.

Múltiplos idiomas

Eu detecto o idioma de cada bloco com um classificador leve. Se o currículo e a descrição do trabalho estiverem em idiomas diferentes, eu retorno um aviso e não computo uma pontuação.

Abreviações ambíguas

Eu expando acrônimos comuns usando um dicionário interno antes de computar a similaridade. Se um acrônimo não estiver no dicionário, eu o trato como um token literal.

Como atualizamos o modelo

As melhorias vêm do feedback dos usuários e de orientações externas sobre o uso seguro de IA.

Loop de feedback

Todo mês, eu exporto cartões de pontuação anonimizados com notas de recrutadores sobre falsos positivos e falsos negativos. Eu reviso essas notas para ajustar o limiar de similaridade ou adicionar novas palavras-chave.

Padrões externos

Eu sigo o OWASP Top 10 para Aplicativos de LLM quando avalio riscos de injeção de prompts, mesmo que a ferramenta não exponha uma interface de prompt para os usuários finais.

Controle de versão

Cada lançamento recebe uma tag de versão semântica. Eu publico um changelog breve que lista quaisquer alterações na lista de palavras-chave, no limiar de similaridade ou na lógica de extração de evidências.

Lista de verificação do operador para triagem alinhada com JD e limite de honestidade

Eu mantenho uma lista de verificação escrita ao lado de cada lançamento que toca nesse tópico. A lista é propositadamente simples: nomear o proprietário, nomear o artefato de evidência e nomear o rollback. Se uma etapa não puder produzir um arquivo, um ticket ou uma linha de log, não é uma etapa — é um desejo.

Antes de alterar a produção

- Congele o branch ou a revisão de configuração que você medirá. - Registre o modo de falha atual com uma entrada concreta e uma saída concreta. - Confirme qual identidade o trabalho é executado como e se essa identidade pode alcançar dados que não deveria. - Abra as referências principais que você citará: https://owasp.org/www-project-top-10-for-large-language-model-applications, https://www.nist.gov/itl/ai-risk-management-framework.

Enquanto você executa a verificação

- Prefira um caminho reprodutível em vez de dez telas anedóticas. - Escreva o resultado seguro esperado antes de acionar a ferramenta ou consulta. - Capture o comando exato, prompt, esquema ou regex em teste — não uma paráfrase. - Se o sistema puder agir (enviar, escrever, excluir, transferir), exija um limite de confirmação na mesma passagem.

Depois de terminar

- Arquive o risco residual com um proprietário e uma data, mesmo quando a varredura estiver limpa. - Não converta um check verde em linguagem de vendas que afirme completude. - Execute a mesma lista de verificação quando o modelo, a ferramenta de esquema ou as regras de validação mudarem.

Sinal | O que registrar | Parar o envio? Escrita ou envio inesperado | Nome da ferramenta, args, identidade | Sim até que seja controlado Falta de confirmação em ação destrutiva | Caminho de chamada e bypass | Sim Texto não confiável tratado como instrução | Superfície de origem e ação resultante | Sim para alcance do agente Varredura limpa, julgamento aberto | Itens adiados + proprietário | Apenas se o caminho central for seguro, candidatescore ajuda com a primeira passagem mensurável. Escolhas de arquitetura, aprovação legal e afirmações de cliente ainda precisam de um proprietário humano. Trate cada linha da lista de verificação como suporte à decisão, não como certificado.

Como explico limites para compradores

Quando um prospect pergunta se o produto "cobrir tudo", respondo com o limite: verificações automatizadas capturam padrões conhecidos; cadeias novas e julgamento de política ainda precisam de revisão. Essa honestidade mantém a carga de suporte baixa e mantém o blog alinhado com o que o produto realmente faz.

Se você precisar de uma segunda opinião, combine este texto com as referências abaixo e com sua própria reprodução de teste. Não pule a etapa de reprodução apenas porque um modelo escreveu um resumo confiante.

Referências

- https://owasp.org/www-project-top-10-for-large-language-model-applications - https://www.nist.gov/itl/ai-risk-management-framework

Perguntas frequentes

O que está no cartão de pontuação?

Ele lista pontos fortes que correspondem ao JD, sinalizadores de lacunas e as evidências por trás de cada chamada.

A pontuação é explicável?

Sim. Cada chamada inclui evidências, então você pode ver por que um candidato obteve a pontuação que ele fez.

Preciso formatar o currículo?

Você cola o currículo e o JD; a ferramenta lida com a comparação.

Quem deve usá-lo?

Recrutadores e gestores de contratação que desejam uma triagem consistente e baseada em evidências contra um JD escrito.

Sim, todos esses padrões e tecnologias são considerados no desenvolvimento da ferramenta.

Referências

- EEOC — Políticas de emprego proibidas - NIST AI RMF

Deseja experimentar o produto? CandidateScore

Gerado em 17-09-2026 · somente fontes primárias · sem métricas de tráfego fabricadas

Leituras relacionadas

- Cartões de pontuação de currículo com base em evidências superam classificações de caixa preta — Candidate Score - A Matriz de Tópicos de Micro-SaaS de IA LX