🚀 RecruitFlow - Plataforma de Recrutamento com IA

Conectando jovens talentos com empresas através de Inteligência Artificial

Sobre • Funcionalidades • Tecnologias • Instalação • Uso • Arquitetura

📋 Sobre

RecruitFlow é uma plataforma inovadora de recrutamento que utiliza Inteligência Artificial Multi-Agente para conectar jovens talentos com oportunidades de emprego, focando no potencial dos candidatos ao invés de apenas experiência prévia.

🎯 Problema que Resolvemos

Triagem manual demorada: Processos de 3 dias reduzidos para 8 minutos
Viés inconsciente: IA analisa candidatos de forma objetiva
Dificuldade de jovens talentos: Foco em potencial, não apenas experiência
Baixa taxa de resposta: Automação via WhatsApp aumenta engajamento

💡 Diferenciais

✅ Análise de CV com IA: Agentes Google ADK analisam currículos automaticamente ✅ Matching Inteligente: Score de compatibilidade entre candidatos e vagas ✅ Automação WhatsApp: Contato automático com candidatos via N8N ✅ Banco de Talentos: Base de dados de candidatos pré-qualificados ✅ Dashboard Completo: Visualização de métricas e gestão de processos seletivos

✨ Funcionalidades

Para Empresas

📝 Cadastro de Vagas: Criação de vagas com requisitos detalhados
🔍 Busca Inteligente: Encontre talentos por habilidades, formação e experiência
📊 Dashboard Analytics: Métricas de candidatos, vagas e processos
🤖 Matching Automático: IA sugere os melhores candidatos para cada vaga
💬 Comunicação Automatizada: Mensagens via WhatsApp para candidatos

Para Candidatos

📄 Cadastro Simplificado: Formulário intuitivo com informações relevantes
🎓 Foco em Potencial: Valorização de formação e soft skills
🔔 Notificações Automáticas: Receba oportunidades via WhatsApp
📈 Score de Compatibilidade: Veja seu match com cada vaga

🛠 Tecnologias

Frontend

React 18.3.1 - Biblioteca UI
TypeScript 5.8.3 - Tipagem estática
Vite 5.4.19 - Build tool e dev server
Tailwind CSS 3.4.17 - Framework CSS
shadcn-ui - Componentes UI
React Router 6.30.1 - Roteamento
React Query 5.83.0 - Gerenciamento de estado assíncrono
React Hook Form 7.61.1 - Formulários
Zod 3.25.76 - Validação de schemas

Backend

Python 3.x - Linguagem principal
Google ADK - Agents Development Kit
Vertex AI - Plataforma de IA do Google Cloud
Gemini 2.5 Flash - Modelo de linguagem
Langfuse - Observabilidade de agentes IA
Pydantic - Validação de dados
python-dotenv - Gerenciamento de variáveis de ambiente

Banco de Dados e Infraestrutura

Supabase - Backend as a Service (PostgreSQL)
Google Cloud Storage - Armazenamento de arquivos
N8N - Automação de workflows (WhatsApp)
Edge Functions - Funções serverless

📦 Instalação

Pré-requisitos

Node.js 18+ e npm/yarn/pnpm
Python 3.9+
Conta Google Cloud com Vertex AI habilitado
Conta Supabase
Conta Langfuse (opcional, para observabilidade)

1️⃣ Clone o Repositório

git clone https://github.com/seu-usuario/desafio-final-equipe-4.git
cd desafio-final-equipe-4

2️⃣ Configuração do Frontend

cd front-end
npm install

Crie um arquivo .env na pasta front-end:

VITE_SUPABASE_URL=https://seu-projeto.supabase.co
VITE_SUPABASE_ANON_KEY=sua_chave_publica_aqui
VITE_API_BASE_URL=http://localhost:8000

3️⃣ Configuração do Backend

cd ../back-end
pip install -r requirements.txt

Crie um arquivo .env na pasta raiz do projeto (copie do .env.example):

# Google Cloud / Vertex AI
GOOGLE_API_KEY=sua_api_key_aqui
GOOGLE_CLOUD_PROJECT=seu_projeto_gcp
GOOGLE_CLOUD_LOCATION=us-central1
GOOGLE_CLOUD_BUCKET=gs://seu_bucket

# Langfuse (Observabilidade)
LANGFUSE_PUBLIC_KEY=sua_chave_publica
LANGFUSE_SECRET_KEY=sua_chave_secreta
LANGFUSE_BASE_URL=https://cloud.langfuse.com
LANGFUSE_DEBUG=true

# Configurações do Agente
AGENT_NAME=curriculum
AGENT_MODEL=gemini-2.5-flash
AGENT_STAGING_BUCKET=gs://seu_bucket/staging
AGENT_PLANNER=PlanReActPlanner

# Supabase
VITE_SUPABASE_URL=https://seu-projeto.supabase.co
VITE_SUPABASE_ANON_KEY=sua_chave_publica_aqui

# Configurações Gerais
ENVIRONMENT=development
LOG_LEVEL=INFO
PORT=8000
HOST=0.0.0.0

4️⃣ Configuração do Banco de Dados (Supabase)

Crie um projeto no Supabase
Execute as migrations na pasta front-end/supabase/migrations/
Configure as Edge Functions em front-end/supabase/functions/

cd front-end
npx supabase login
npx supabase link --project-ref seu-projeto-ref
npx supabase db push
npx supabase functions deploy match-talents

🚀 Uso

Executar o Frontend

cd front-end
npm run dev

Acesse: http://localhost:8080

Executar o Backend (Agente IA)

cd back-end/agente_1
python agent.py

Deploy do Agente no Google Cloud

# Configure o Google Cloud CLI
gcloud auth login
gcloud config set project seu-projeto-gcp

# Deploy do agente
cd back-end/agente_1
# Siga as instruções do Google ADK para deploy

🏗 Arquitetura

Fluxo de Dados

┌─────────────┐      ┌──────────────┐      ┌─────────────┐
│   Frontend  │─────▶│   Supabase   │─────▶│  Edge Func  │
│  (React)    │      │ (PostgreSQL) │      │ match-talents│
└─────────────┘      └──────────────┘      └─────────────┘
                            │                      │
                            │                      ▼
                            │              ┌─────────────┐
                            │              │  Agente IA  │
                            │              │ (Google ADK)│
                            │              └─────────────┘
                            │                      │
                            ▼                      ▼
                     ┌──────────────┐      ┌─────────────┐
                     │     N8N      │      │  Langfuse   │
                     │  (WhatsApp)  │      │(Observab.)  │
                     └──────────────┘      └─────────────┘

Componentes Principais

1. Frontend (React + TypeScript)

Interface para empresas e candidatos
Dashboard com métricas e analytics
Formulários de cadastro de vagas e talentos
Visualização de candidatos e scores de match

2. Backend (Python + Google ADK)

Agente 1: Análise de currículos e matching
- Recebe dados do candidato e da vaga
- Analisa compatibilidade usando Gemini 2.5 Flash
- Retorna score (0-100) e justificativa

3. Banco de Dados (Supabase)

Tabelas: jobs, talents, candidates, companies
Edge Functions para processamento serverless
Triggers automáticos para matching

4. Automação (N8N)

Workflows de WhatsApp
Envio de mensagens para candidatos
Agendamento de entrevistas

Fluxo de Matching de Candidatos

Empresa cria uma vaga no frontend
Supabase salva a vaga no banco de dados
Edge Function match-talents é acionada automaticamente
Função busca todos os talentos cadastrados no banco
Para cada talento:
- Cria uma sessão no Agente IA
- Envia dados do talento e da vaga
- Agente analisa usando Gemini 2.5 Flash
- Retorna score de compatibilidade (0-100) e justificativa
Candidatos são salvos na tabela candidates com seus scores
N8N envia mensagens via WhatsApp para candidatos com alto score
Empresa visualiza candidatos ranqueados no dashboard

📊 Estrutura do Projeto

desafio-final-equipe-4/
├── front-end/
│   ├── src/
│   │   ├── components/      # Componentes React
│   │   │   ├── ui/          # Componentes shadcn-ui
│   │   │   ├── layout/      # Layouts da aplicação
│   │   │   ├── CandidateDetailPanel.tsx
│   │   │   ├── TalentDetailPanel.tsx
│   │   │   └── JobMatchSection.tsx
│   │   ├── pages/           # Páginas da aplicação
│   │   │   ├── Landing.tsx
│   │   │   ├── Auth.tsx
│   │   │   ├── Dashboard.tsx
│   │   │   ├── Jobs.tsx
│   │   │   ├── NewJob.tsx
│   │   │   ├── JobCandidates.tsx
│   │   │   ├── TalentSignup.tsx
│   │   │   ├── SearchTalents.tsx
│   │   │   └── TalentBank.tsx
│   │   ├── hooks/           # Custom hooks
│   │   │   ├── useAuth.ts
│   │   │   └── use-toast.ts
│   │   ├── integrations/    # Integração Supabase
│   │   │   └── supabase/
│   │   └── lib/             # Utilitários
│   │       └── utils.ts
│   ├── supabase/
│   │   ├── functions/       # Edge Functions
│   │   │   └── match-talents/
│   │   └── migrations/      # Migrations SQL
│   ├── package.json
│   └── vite.config.ts
│
├── back-end/
│   ├── agente_1/            # Agente de análise de CV
│   │   ├── agent.py         # Código principal do agente
│   │   └── __init__.py
│   ├── agente_2/            # Workflows N8N (JSON)
│   │   ├── PRIMEIRA MENSAGEM RECRUIT FLOW.json
│   │   └── RESPONDER MESAGENS.json
│   └── requirements.txt
│
├── .env.example             # Exemplo de variáveis de ambiente
└── README.md

🔑 Variáveis de Ambiente

Frontend (.env no front-end/)

Variável	Descrição	Exemplo
`VITE_SUPABASE_URL`	URL do projeto Supabase	`https://xxx.supabase.co`
`VITE_SUPABASE_ANON_KEY`	Chave pública do Supabase	`eyJhbGc...`
`VITE_API_BASE_URL`	URL da API backend	`http://localhost:8000`

Backend (.env na raiz)

Variável	Descrição	Exemplo
`GOOGLE_API_KEY`	API Key do Google Cloud	`AIzaSy...`
`GOOGLE_CLOUD_PROJECT`	ID do projeto GCP	`meu-projeto`
`GOOGLE_CLOUD_LOCATION`	Região do GCP	`us-central1`
`GOOGLE_CLOUD_BUCKET`	Bucket do GCS	`gs://meu-bucket`
`LANGFUSE_PUBLIC_KEY`	Chave pública Langfuse	`pk-lf-...`
`LANGFUSE_SECRET_KEY`	Chave secreta Langfuse	`sk-lf-...`
`AGENT_NAME`	Nome do agente	`curriculum`
`AGENT_MODEL`	Modelo de IA	`gemini-2.5-flash`

📈 Modelo de Dados

Tabela: `jobs` (Vagas)

id - UUID
title - Título da vaga
description - Descrição detalhada
required_skills - Habilidades obrigatórias (array)
desired_skills - Habilidades desejadas (array)
benefits - Benefícios oferecidos
status - Status da vaga (open, closed)
created_at - Data de criação

Tabela: `talents` (Talentos)

id - UUID
full_name - Nome completo
email - E-mail
phone - Telefone
cpf - CPF
institution - Instituição de ensino
course - Curso
technical_skills - Habilidades técnicas (array)
soft_skills - Soft skills (array)
has_experience - Possui experiência
status - Status (cadastrado, em_processo, contratado)

Tabela: `candidates` (Candidatos por Vaga)

id - UUID
job_id - ID da vaga (FK)
full_name - Nome do candidato
email - E-mail
match_score - Score de compatibilidade (0-100)
ai_justification - Justificativa da IA
status - Status (received, screening, interview, approved, rejected)

🤝 Contribuindo

Contribuições são bem-vindas! Para contribuir:

Fork o projeto
Crie uma branch para sua feature (git checkout -b feature/MinhaFeature)
Commit suas mudanças (git commit -m 'Adiciona MinhaFeature')
Push para a branch (git push origin feature/MinhaFeature)
Abra um Pull Request

📄 Licença

Este projeto foi desenvolvido como parte do desafio final da Equipe 4.

👥 Equipe

Desenvolvido pela Equipe 4 como projeto final.

📞 Suporte

Para dúvidas ou suporte, entre em contato através das issues do GitHub.

⭐ Se este projeto foi útil, considere dar uma estrela!

Name		Name	Last commit message	Last commit date
back-end		back-end
front-end		front-end
.env.example		.env.example
.gitignore		.gitignore
README.md		README.md

Latest commit

History

Folders and files

Repository files navigation