| name | linkedin-job-setup |
| description | Entrevista o usuário pra configurar o scraper de vagas do LinkedIn. Pergunta uma coisa de cada vez com resposta recomendada, depois atualiza o linkedin_jobs.py com as configurações personalizadas, valida com uma execução de teste, e ativa o cron job. Use quando o usuário quer personalizar o scraper de LinkedIn pela primeira vez ou mudar parâmetros de busca existentes. |
LinkedIn Job Setup
Entreviste o usuário para coletar todos os parâmetros necessários para configurar o scraper de vagas do LinkedIn (linkedin_jobs.py). Faça perguntas uma de cada vez, sempre oferecendo uma resposta recomendada baseada em padrões comuns do mercado.
Fluxo de execução
Passo 1 — Confirmar setup técnico
Antes da entrevista, confirme:
- O Hermes Agent está instalado? (
hermes --version)
- O Telegram está conectado? (pergunte: "você já conectou seu Telegram ao Hermes?")
- O scraper está clonado? (
ls ~/linkedin-job-scraper/linkedin_jobs.py ou o path que o usuário usou)
Se algum item faltar, NÃO prossiga — aponte pro README e explique o passo que falta.
Passo 2 — Entrevista (uma pergunta por vez)
Faça as perguntas abaixo uma de cada vez. Pra cada uma, mostre sua resposta recomendada em itálico. Se o usuário aceitar a recomendação, avance. Se ele disser algo próprio, use o que ele disse.
Use o tool clarify com choices sempre que fizer sentido (escolha entre opções claras). Pra respostas abertas (nome, cargo), use clarify sem choices.
Bloco A — Identidade
A1. Nome do usuário
- Pergunta: "Qual nome devo usar no cabeçalho do arquivo de vagas?"
- Recomendado: o primeiro nome que aparece no profile do Hermes (se disponível) ou "User"
- Vai pra:
LINKEDIN_USER_NAME
Bloco B — Cargo-alvo e senioridade
B1. Área principal
- Pergunta: "Qual é sua área principal?"
- Choices:
["Data Engineer", "Data Analyst", "Analytics Engineer", "BI/Analytics Manager", "AI/Machine Learning", "Outra (digite)"]
- Vai pra: base das keywords
B2. Senioridade alvo
- Pergunta: "Qual nível de senioridade você busca?"
- Choices:
["Sênior", "Sênior/Lead", "Manager/Head", "Director+", "Pleno (apenas match perfeito)", "Indiferente"]
- Recomendado: "Sênior" (mercado BR)
- Vai pra: filtro
f_E e comportamento do heuristic_score
B3. Excluir cargos júnior/pleno?
- Pergunta: "Quer excluir vagas explicitamente marcadas como júnior, pleno, estágio ou trainee?"
- Choices:
["Sim, excluir todos", "Excluir júnior/estágio, manter pleno", "Não excluir nada"]
- Recomendado: "Sim, excluir todos"
- Vai pra: lista
junior_kw em heuristic_score e filtro em main()
Bloco C — Stack técnico (pro score heurístico)
C1. Stack de alta relevância
- Pergunta: "Quais tecnologias/cargos são match perfeito pra você? Liste as principais (separadas por vírgula)."
- Recomendado: baseado na área de B1 — ex: Data Engineer → "data engineer, analytics engineer, bigquery, airflow, spark, dbt, python"
- Vai pra:
high_skills em heuristic_score()
C2. Stack de média relevância
- Pergunta: "E quais tecnologias/cargos são match parcial? (stack adjacente que você consegue fazer, mas não é seu core)"
- Recomendado: baseado em B1 — ex: "data analyst, data scientist, business intelligence, sql, etl"
- Vai pra:
mid_skills em heuristic_score()
Bloco D — Localização e modalidade
D1. Modalidades aceitas
- Pergunta: "Quais modalidades de trabalho você aceita?"
- Choices:
["Remoto apenas", "Remoto + Híbrido", "Remoto + Híbrido + Presencial", "Tudo (qualquer modalidade)"]
- Recomendado: "Remoto + Híbrido"
- Vai pra: filtro de
work_mode em fetch_one()
D2. Localização principal
- Pergunta: "Qual região buscar?"
- Choices:
["Brasil (remoto) + São Paulo (híbrido/presencial)", "Apenas Brasil remoto", "Apenas São Paulo", "Outra cidade/região (digite)"]
- Recomendado: "Brasil (remoto) + São Paulo (híbrido/presencial)"
- Vai pra:
build_searches() (location e f_WT)
D3. Cidade específica (se houve presencial/híbrido em D1/D2)
- Pergunta: "Se houver vaga presencial, qual cidade deve ser aceita?"
- Recomendado: baseado em D2 — ex: "São Paulo"
- Vai pra: filtro
is_sp em fetch_one() (regex ,\s*sp\b)
Bloco E — Keywords de busca
E1. Keywords customizadas
- Pergunta: "Vou montar uma lista de keywords de busca baseada nas suas respostas. Quer adicionar ou remover alguma?"
- Recomendado: mostre a lista gerada a partir das respostas de B1+C1 e pergunte se quer editar
- Vai pra: lista
KEYWORDS no topo do script
Bloco F — Frequência do cron
F1. Frequência de execução
- Pergunta: "Quantas vezes por dia o scraper deve rodar?"
- Choices:
["3x ao dia (8h, 13h, 18h)", "2x ao dia (manhã, tarde)", "1x ao dia (manhã)", "A cada hora", "Customizar horários"]
- Recomendado: "3x ao dia (8h, 13h, 18h)"
- Vai pra: schedule do cron job (
0 8,13,18 * * *)
Passo 3 — Aplicar configurações
Depois de coletar todas as respostas:
- Leia o
linkedin_jobs.py do path que o usuário clonou
- Atualize:
USER_NAME (default da env var LINKEDIN_USER_NAME)KEYWORDS lista no topobuild_searches() — location e filtros f_WT, f_Ehigh_skills e mid_skills em heuristic_score()junior_kw em heuristic_score() (se B3 = "não excluir", esvazie a lista)- Filtro
is_brazil em main() (se D2 = outra região, ajuste)
- Filtro
is_sp em fetch_one() (se D3 = outra cidade)
- Crie o cron job com o
cronjob tool:
schedule: o que veio de F1prompt: prompt do agente classificador (veja template abaixo)deliver: "origin" (entrega no Telegram)skills: ["cv-job-fit"] se existir, senão []enabled_toolsets: ["terminal", "file"]
Passo 4 — Validação
- Rode o script uma vez:
python3 <path>/linkedin_jobs.py
- Verifique os outputs:
jobs_new.json deve ter vagas, seen.json deve ter IDs, jobs.md deve ter blocos
- Rode o dashboard:
python3 <path>/linkedin_metrics.py
- Mostre o resumo pro usuário: quantas vagas novas, qual o yield por keyword
- Confirme o cron:
cronjob action=list e mostre o job criado
Passo 5 — Wrap-up
- Mostre um resumo final com:
- Path do script configurado
- Cron job ID e schedule
- Path dos arquivos de saída
- Como rodar o dashboard (
python3 <path>/linkedin_metrics.py)
- Pergunte: "Quer ajustar alguma keyword ou filtro agora, ou tá bom pra primeira execução?"
Template do prompt do cron job
Use este template, preenchendo os valores da entrevista:
Você é um classificador de vagas de emprego do LinkedIn para o {USER_NAME}.
## Fluxo
1. Execute o script de coleta: `python3 {SCRIPT_PATH}`
2. Leia o JSON de vagas novas: `{OUTPUT_DIR}/jobs_new.json`
3. Se o JSON estiver vazio (`[]`), imprima apenas: "Nenhuma vaga nova." e termine.
4. Se houver vagas, leia o CV: `{CV_PATH}` (se disponível)
5. Cada vaga no JSON já vem com `heuristic_score` (1-5) e `heuristic_reason` pré-calculados.
6. **Use o heuristic_score como ponto de partida.** Apenas reavalie se o heuristic_reason parecer errono.
7. **Filtre APENAS vagas com 3+ estrelas.**
8. **Ordene da data de publicação mais recente para a mais antiga.** Vagas postadas hoje recebem emoji 🔥 no título.
9. Entregue no formato abaixo.
## Critérios de classificação (1-5 estrelas)
- ⭐⭐⭐⭐⭐ (5): Match perfeito — cargo, stack, nível e setor batem diretamente com a experiência.
- ⭐⭐⭐⭐ (4): Match forte — a maioria dos requisitos alinha, gaps pequenos.
- ⭐⭐⭐ (3): Match moderado — sobreposição parcial, precisaria se adaptar em 1-2 áreas.
- ⭐⭐ (2): Match fraco — gaps significativos.
- ⭐ (1): Match mínimo — sem sobreposição.
## Regra especial: vagas de nível Pleno
Vagas explicitamente marcadas como "Pleno" só podem aparecer com 5 estrelas.
## Formato de saída (Markdown para Telegram)
🔍 **N vagas novas** — data/hora
**1. ⭐⭐⭐⭐⭐ 🔥 Título da Vaga**
Empresa | Local | Modalidade
📅 Postada hoje | Match: frase curta justificando
[Ver vaga](url)
## Regras
- Responda em PT-BR
- Seja conciso — uma frase de justificativa por vaga
- Se nenhuma vaga atingir 3+ estrelas: "🔍 Nenhuma vaga com aderência suficiente desta vez."
- Sempre inclua data relativa de publicação
- 🔥 DEVE aparecer em vagas postadas hoje
Batch mode
Quando o usuário sinalizar que quer acelerar — "faz tudo e manda pra validar", "não precisa ir passo a passo", "manda tudo de uma vez" — saia do modo pergunta-por-vez. Produza todas as configurações de uma vez baseado nas recomendações padrão, mostre o script configurado completo, e pergunte se quer validar ou ajustar algo.
Quando NÃO usar esta skill
- O usuário só quer mudar UMA keyword isolada — edite direto
- O usuário quer debugar um problema — use debugging normal
- O usuário não tem o Hermes/Telegram configurado — aponte pro README primeiro
Pitfalls
- Não confie que o script está em
~/linkedin-job-scraper/ — sempre pergunte o path onde clonou
- Não crie o cron job antes de validar o script — rode manualmente primeiro
- Não esqueça de configurar
LINKEDIN_OUTPUT_DIR — se não setar, os arquivos vão pra ~/linkedin-jobs/ (ok, mas confirme com o usuário)
- CV do usuário é opcional — se não tiver, o agente classifica só pelo título/empresa/descrição
