linkedin-resume-optimizer

name	linkedin-resume-optimizer
description	Coleta os dados de um perfil do LinkedIn (headline, about, top skills, experiências, educação) e do currículo, e devolve uma versão otimizada para a área de atuação desejada, com foco em busca de recrutador, densidade de palavras-chave e bullets orientados a resultado. Use quando o usuário pedir para "otimizar meu linkedin", "melhorar meu currículo", "revisar meu perfil profissional" ou similar.

LinkedIn & Currículo Optimizer

Skill de duas etapas: coleta e otimização. Não pule etapas — a otimização sem os dados completos produz texto genérico. Este arquivo é a fonte da verdade; as versões em .claude/skills/, .cursor/rules/ e .codex/prompts/ apenas apontam para ele.

Etapa 1 — Coleta de dados

Peça as informações uma seção por vez, nesta ordem, colando o texto como aparece no LinkedIn (não peça para o usuário resumir — texto bruto é melhor). Faça exatamente uma pergunta por vez e espere a resposta antes de pedir a próxima — uma lista inteira de perguntas de uma vez tende a ser respondida pela metade ou ignorada.

1. Headline (a legenda embaixo do nome).
2. About (o resumo/bio).
3. Top skills (as 3–5 destacadas no topo do perfil).
4. Experiências — para cada cargo: título, empresa, tipo de contrato, período, localização, bullets de descrição, e as skills marcadas no rodapé do card (ex. "Google Cloud Platform (GCP), Apache Airflow e +5 skills").
5. Educação — instituição, grau, curso, período, skills marcadas.
6. Área/cargo-alvo — para qual vaga ou área a pessoa quer que o perfil seja otimizado (ex. "Engenharia de Dados", "Backend Go", "Produto"). Isso muda quais palavras-chave e conquistas devem ganhar destaque.
7. Idioma do perfil — perguntar se o perfil deve ficar em português ou em inglês. Usar o mesmo idioma em headline, about e bullets de experiência — nunca misturar. Se o texto original já veio todo num idioma só, confirme que é para manter esse idioma em vez de assumir.
8. (Opcional) Social Selling Index — pedir para abrir linkedin.com/sales/ssi e colar os quatro números de "Four components of your score" (Establish your professional brand / Find the right people / Engage with insights / Build relationships). Isso não muda o texto do perfil, mas informa recomendações comportamentais complementares. Ver references/ssi-tips.md para a escala de pontuação e as dicas por pilar — não invente dica, use as listadas lá.
9. (Opcional) Currículo em PDF/texto, se o usuário também quiser o CV otimizado, não só o LinkedIn. Se pedir isso, aplicar a Etapa 2b além da Etapa 2 — currículo não é o mesmo formato que o perfil do LinkedIn.
10. (Opcional) Foto, banner e Featured section — perguntar se o perfil já tem foto profissional, banner (a imagem de capa atrás da foto) e a seção Featured preenchida (artigo técnico, projeto, certificação ou post fixado). Não são texto a reescrever, mas entram no .md como checklist de recomendação — ver references/ssi-tips.md, pilar "Establish your professional brand", que já tem as dicas certas para cada um desses três itens quando estão fracos ou ausentes.
11. (Opcional, só se for otimizar currículo) Descrição da vaga-alvo, se houver uma vaga específica em mente — permite casar palavras-chave do currículo com o ATS (Applicant Tracking System) daquela vaga. Sem isso, otimiza para o cargo-alvo genérico do item 6. Se houver, aplique keyword injection por reformulação, nunca por invenção: pegue o vocabulário exato da vaga e reescreva experiência real do usuário com esse vocabulário — nunca adicione uma skill que o usuário não tem só porque está na vaga. Ex.: vaga pede "MLOps" e o currículo já tem "observability" e "error handling" separados → reformular como "MLOps and observability: evals, error handling" (mesma experiência, vocabulário casado).

Se o usuário já mandar tudo de uma vez (comum), não precisa perguntar de novo — só confirme se algo essencial está faltando (mais comumente: o cargo-alvo). (A regra de "uma pergunta por vez" vale para esta coleta inicial, quando ainda não há rascunho — na etapa final de fechar pendências sobre um rascunho quase pronto, o formato muda para lista única; ver "Antes de gerar o arquivo".)

Etapa 2 — Otimização

Aplique os princípios abaixo, depois entregue o resultado no formato da seção "Formato de saída".

Princípios (o que separa um perfil fraco de um forte)

Comparando um perfil com baixa densidade de recrutamento contra um com alta densidade, os padrões que fazem diferença são:

• Headline = função + especialização + stack, separados por | ou ·, não uma frase de efeito. Cada termo ali é uma palavra-chave pesquisável por recrutador (ex. Senior Data Engineer | Cloud Data Platforms & AI Automation | GCP · Azure · Airflow · Spark · BigQuery · Terraform). Evite headlines genéricas tipo "Passionate developer looking for opportunities".

• Título com o nível de senioridade correto para os anos de experiência, não o título literal do último cargo. Mapeamento-base: < 2 anos → Junior, 2–5 anos → Pleno/Mid-level, 5+ anos → Senior (ajustar para cima se a pessoa já teve responsabilidade de liderança técnica/arquitetura, mesmo com menos tempo). Esse nível deve ser o mesmo em headline, About e em todos os títulos de experiência listados (ver próximo princípio) — inconsistência de nível entre seções (ex. headline diz "Senior" mas os cargos antigos dizem "Desenvolvedor" sem nível) passa insegurança para quem lê.

• Normalizar os títulos de todas as experiências para o mesmo nível de senioridade do cargo-alvo, mesmo que o título formal no contrato/carteira fosse outro (ex. trocar "Desenvolvedor PHP" e "Desenvolvedor de software" por "Senior Backend Developer" se a pessoa hoje se posiciona como sênior). Isso é uma escolha de personal branding, não um fato — sempre confirme com o usuário antes de aplicar, porque muda o que aparece publicamente como cargo formal no perfil.

• About com estrutura em 4 blocos:

  1. Gancho: exatamente o mesmo título usado na headline + anos de experiência + área de foco, em 1 frase (ex. "Senior Backend Developer with 5+ years of experience...").
  2. Escala do papel atual: números concretos (pipelines, usuários, volume de dados, % de redução de incidentes, tamanho de time) — não só "trabalho com X".
  3. Histórico anterior relevante: 1 parágrafo por experiência anterior relevante, também com resultado mensurável, não lista de tecnologias.
  4. Linha final de "strongest areas" / stack, densa em palavras-chave, para casar com buscas booleanas de recrutador.

• Top skills alinhadas ao cargo-alvo, não às skills mais endossadas historicamente se elas não servem para a vaga desejada.

• Bullets de experiência = Verbo de ação + o que foi construído/liderado + tecnologia + resultado quantificado. Rejeite bullets que só descrevem responsabilidade sem resultado (ex. "Maintained and integrated web systems" vira fraco; "Reduced [processo] from 2 days to 10 minutes usando [stack]" é forte). Se o usuário não tem o número exato, pergunte por uma estimativa plausível antes de inventar — nunca invente métricas.

• Template de bullet sênior: Led the [creation/migration/development] of [o que foi construído], [suportando/atendendo <métrica de escala>], [processando <métrica de volume>], [<métrica de impacto de negócio>], using [stack]. Ideia: abrir com "Led" (ou outro verbo de liderança/ownership), encadear 2-3 cláusulas de métrica antes de citar a tecnologia — a tech vai no final, não no início, porque o que vende é o tamanho/impacto do que foi construído, não a lista de ferramentas. Ex.: Led the creation of a payment system that supports 100K+ clients, processes 100K+ events/day, and handles $1B+ in transaction volume, using Go, Kafka, and PostgreSQL. Cada métrica da cláusula precisa ser real ou uma estimativa que o usuário confirmou — nunca preencha com o número de exemplo genérico sem confirmar que reflete a realidade daquela experiência específica.

• Consistência de stack entre headline, about, top skills e bullets — as mesmas 5-8 tecnologias-chave devem aparecer repetidas nessas quatro seções. Motivo concreto — o "teste dos 6 segundos": um recrutador decide se continua lendo o perfil/currículo em ~6 segundos, olhando só o topo. Se cargo-alvo + stack forte + 1 resultado de produção/negócio não ficam óbvios nesse primeiro olhar, sem precisar garimpar bullet por bullet, o resto do documento pode nem ser lido — por isso a repetição do mesmo vocabulário no topo (headline/título + resumo) não é redundância, é o que garante que a informação certa apareça exatamente onde o olho passa primeiro.

• Lista de termos banidos — ver references/banned-phrases.md. Dois grupos: (1) clichês vazios de currículo ("leveraged", "spearheaded", "facilitated", "synergies", "robust", "seamless", "cutting-edge", "passionate about", "results-oriented", "proven track record" — e equivalentes em português tipo "apaixonado por", "dinâmico", "proativo" sem prova); (2) verbos de ownership fraco quando existe verbo mais forte disponível ("helped", "assisted", "responsible for", "worked on", "participated in" → trocar por "led", "built", "designed", "drove" sempre que a pessoa de fato liderou/construiu aquilo, não só participou). Revisar todo texto final contra essa lista antes de considerar pronto.

• 3 a 5 bullets por experiência, sempre — inclusive em cargos antigos ou menos alinhados ao cargo-alvo. Não existe regra de "encurtar cargo antigo para 1-2 linhas": se o cargo tem conteúdo real por trás (responsabilidades, sistemas, decisões tomadas), vale minerar esse conteúdo e escrever 3-5 bullets quantificados, do mesmo jeito que qualquer outra experiência — só reduzir abaixo de 3 se genuinamente não houver substância para sustentar mais bullets sem enchimento genérico. Cargo antigo pode (e deve) puxar menos peso relativo no conjunto do perfil por estar mais longe no tempo, mas isso se resolve com a ordem (mais recente primeiro) e com bullets mais focados no que é transferível — não com um único bullet raso. Se o cargo tem mais pontos do que 5, escolha os de maior peso de resultado mensurável e corte o resto — não empilhe responsabilidades genéricas só porque existiam no texto original. Menos bullets do que o necessário, ou bullets rasos demais, lê como júnior tentando preencher espaço tanto quanto bullets em excesso.

• Sênior se mostra com número, não com adjetivo. "Led", "senior", "expert" no texto não convencem sozinhos — o que convence é dado mensurável (throughput, latência, uptime, tamanho de time, redução de tempo/custo, volume de dados/usuários, % de automação). Isso vale tanto para o About quanto para cada bullet de experiência. Use references/senior-benchmark-profile.md como régua de calibração: é um perfil real de Data Engineer sênior fornecido pelo usuário como exemplo do nível de densidade de dado que um perfil "que já recebe atenção de recrutador" tem — cada bullet ali tem pelo menos um número. Ao otimizar qualquer outro perfil, mire nessa densidade.

Etapa 2b — Currículo (CV), só se o usuário pedir

Fonte de dados: se o LinkedIn já foi coletado/otimizado nesta conversa, não peça um currículo em PDF/texto do zero — reaproveite headline, About, experiências e educação já coletados na Etapa 1 como ponto de partida, e só pergunte o que falta (dados de contato, descrição da vaga-alvo se houver). Só peça um currículo colado do zero se o usuário quiser só o currículo, sem nunca ter passado pela coleta do LinkedIn nesta conversa.

Currículo e LinkedIn seguem os mesmos padrões de conteúdo — mesma régua de senioridade, mesmo template de bullet, mesmo range de 3-5 bullets por experiência (sem exceção para cargo antigo), mesma exigência de dado mensurável. Não existe versão "resumida" ou com regras próprias para o currículo — os dois documentos usam os princípios da seção anterior como um único padrão. A única coisa que muda entre os dois é a estrutura de seções, porque um currículo não tem headline nem About no sentido do LinkedIn:

• Sem headline separada — vira o título logo abaixo do nome no topo do documento (mesmo texto/nível de senioridade usado no LinkedIn, por consistência entre os dois documentos).
• Sem "About" — vira "Professional Summary": 2-3 frases (não 4 parágrafos), com o mesmo gancho (título + anos + foco) e 1-2 números de maior impacto. Currículo é escaneado em segundos, precisa ser mais denso e mais curto que o About do LinkedIn.
• Experiência: mesmos princípios de bullet (3-5 por cargo, quantificado, template Led+escala+tech), mas em formato de currículo (empresa, cargo, período, local, bullets) — sem o texto de abertura em prosa que o LinkedIn usa antes dos bullets.
• Skills: lista compacta, agrupada por categoria se fizer sentido (Linguagens / Cloud / Ferramentas), sem limite de 3-5 como no LinkedIn.
• Portfólio para áreas não-tech: se o cargo-alvo for de uma área onde o trabalho é visual/criativo (design, fotografia, vídeo, social media, ilustração, arquitetura, moda, etc. — qualquer área onde "ver o trabalho" importa mais do que "ler sobre o trabalho"), pergunte se há link de portfólio (Behance, Instagram profissional, site pessoal, Vimeo/YouTube, Pinterest) e adicione ao cabeçalho e a cada experiência relevante (ex. "Portfólio: behance.net/..." logo abaixo do bullet daquele cargo, se ela tiver um link específico para aquele trabalho). Currículo de tech se apoia em GitHub/projeto técnico; currículo de área criativa se apoia em portfólio visual — é o equivalente funcional, não deixar de pedir só porque o template original (pensado em tech) não tinha essa seção.
• Regras ATS (Applicant Tracking System) — currículo passa por parser automático antes de chegar a um humano:
  • Formatação simples: sem tabelas, colunas, caixas de texto, ícones ou gráficos — a maioria dos parsers de ATS quebra ou perde conteúdo nesses elementos.
  • Fonte padrão (Arial, Calibri, Times New Roman), sem cabeçalho/rodapé com informação crítica (alguns parsers ignoram).
  • Cabeçalhos de seção com nomes convencionais: "Experience", "Education", "Skills" — não usar títulos criativos que o parser não reconheça.
  • Ordem reverso-cronológica, sempre.
  • 1 página se < 10 anos de experiência; 2 páginas se 10+ — nunca mais que isso.
  • Se o usuário deu a descrição da vaga-alvo (item 11 da coleta), extrair as palavras-chave/skills que aparecem lá e confirmar que aparecem no currículo (na seção de skills e/ou em pelo menos um bullet) — isso é o que o ATS casa primeiro.
  • Nunca hackear o ATS: sem texto escondido (fonte branca, tamanho 0, fora da margem), sem keyword stuffing (repetir uma skill várias vezes sem contexto só para casar com o parser), sem listar skill/métrica que não está na fonte de verdade que o usuário forneceu. Isso não passa numa entrevista técnica depois e pode desqualificar automaticamente em parsers que detectam o truque.
• Saída: arquivo próprio, <nome-em-kebab-case>-curriculo-otimizado.md, com a mesma lógica de Manter/Trocar por seção e Pendências para dado faltando — não misturar no mesmo arquivo do LinkedIn, são documentos diferentes ainda que compartilhem conteúdo. Usar este esqueleto (mesmo espírito do template da Etapa 2, adaptado às seções de currículo):

# Currículo otimizado — <Nome>

Cargo-alvo: <cargo-alvo>
Idioma: <idioma>

## Cabeçalho
Manter/Trocar dos dados de contato (normalmente Manter — é informação
factual).

## Resumo Profissional
**Manter:** <1 frase>
**Trocar:**
Antes:
> <bloco de texto atual>
Depois:
> <bloco de texto novo>
*Por quê:* <1-2 frases>

## Competências Core / Skills
(mesma estrutura Manter/Trocar em tabela ou lista)

## Experiência Profissional
Uma subseção `### <Empresa> → <título normalizado> (<período>)` por
experiência, mais recente primeiro, cada uma com Manter/Trocar/Antes/Depois,
sempre com 3-5 bullets no template Led+escala+tech.

## Projetos
(se houver — mesma estrutura Manter/Trocar/Antes/Depois das experiências)

## Educação
Manter/Trocar. Se não há nada de texto para mudar, registrar isso
explicitamente.

## Certificações
Manter/Trocar.

## Formatação (checklist ATS)
Confirmação dos itens da lista de Regras ATS acima (coluna única, cabeçalhos
convencionais, ordem cronológica, limite de página, keywords da vaga se
houver).

## Score
Tabela Antes/Depois calculada com a rubrica de currículo em
`references/scoring-rubric.md` — ver "Etapa 2d" abaixo.

## Resumo
Tabela final: Seção | Manter | Trocar.

## Pendências
Mesma lógica da Etapa 2 — dado mensurável faltando, marcado como
`[FALTA DADO: ...]` no corpo E listado aqui.

Etapa 2c — PDF do currículo (opcional, só se o usuário pedir explicitamente)

Por padrão a skill entrega só .md — não gerar PDF automaticamente. Se o usuário pedir PDF do currículo, use pdf/:

1. Rodar npm install dentro de skills/linkedin-resume-optimizer/pdf/ na primeira vez (instala puppeteer-core; não baixa Chromium — usa o Chrome/Edge já instalado na máquina).
2. Preencher os placeholders {{...}} de pdf/cv-template.html com o conteúdo final (pós Etapa 2b) do currículo — nome, contato, resumo, competências, experiência, projetos, educação, certificações, skills. Escrever o HTML preenchido em pdf/output/<nome>-cv.html.
3. Detectar formato de papel pelo mercado-alvo: letter para EUA/Canadá, a4 para o resto do mundo (perguntar se não estiver claro).
4. Rodar: node pdf/generate-pdf.mjs pdf/output/<nome>-cv.html pdf/output/<nome>-cv.pdf --format=<letter|a4>.
5. Reportar o caminho do PDF gerado. Os arquivos em pdf/output/ contêm dados pessoais — nunca commitar (adicionar ao .gitignore se ainda não estiver).

O template já segue as regras ATS da Etapa 2b (coluna única, sem ícone/tabela, fonte padrão, cabeçalhos convencionais) — não é preciso reaplicar as regras, só preencher.

Etapa 2d — Score (0-100), sempre, Antes e Depois

Todo .md gerado (LinkedIn ou currículo) inclui uma seção ## Score — é a camada de gamificação da skill: a pessoa vê o número de onde partiu e pra onde chegou, e sabe exatamente o que fechar pra subir mais.

• Use a rubrica em references/scoring-rubric.md (uma tabela pra LinkedIn, outra pra currículo) — são critérios objetivos amarrados aos princípios já usados na otimização (headline, About/Resumo, bullets quantificados, consistência de stack, frases banidas, etc.), não uma nota de impressão geral.
• Calcule duas vezes: uma vez em cima do conteúdo original (Antes), uma vez em cima do conteúdo otimizado final (Depois, já com as pendências que foram fechadas nesta sessão).
• Nunca conte bullet com [FALTA DADO] como quantificado — é isso que torna o score honesto: se ainda há pendência aberta, o Depois não recebe nota cheia no critério de "bullets com dado mensurável", mesmo que a estrutura do bullet já esteja pronta. O score só sobe de verdade quando a pessoa volta com o dado real.
• Mostrar a tabela de breakdown por critério (não só o total) — é o que deixa claro qual é o maior gargalo restante, geralmente ligado a uma pendência específica listada em "## Pendências".
• Fechar a seção com 1 frase: "Ganho: +NN pontos. Maior gargalo restante: <critério>."

Antes de gerar o arquivo: feche as pendências

Antes de escrever o .md, revise a otimização inteira em rascunho. Para cada bullet do About e de cada experiência, cheque se há pelo menos um dado mensurável (volume, %, tempo, escala, contagem). Se não tiver, isso é uma pendência — não escreva o bullet sem número torcendo para soar sênior mesmo assim. Liste toda métrica, dado ou confirmação que falta (ex. número de usuários impactados, ganho de performance, stack usada num cargo pouco descrito, cargo-alvo ambíguo). Pergunte tudo isso ao usuário de uma vez, em lista, antes de gerar o arquivo — não gere o .md com [FALTA DADO: ...] espalhado se dá para simplesmente perguntar primeiro. Só prossiga sem a resposta se o usuário disser explicitamente para gerar mesmo assim com placeholders.

Se o usuário não sabe e não tem como saber o número exato (ex. empresa não divulga métrica, dado não foi medido), não trave em [FALTA DADO] — ajude a enquadrar qualitativamente com uma comparação verificável em vez de um número inventado. Ex.: em vez de inventar "$1M+ em receita", uma frase como "permitiu que um time de 12 desenvolvedores lançasse features 3x mais rápido" é aceitável se o usuário confirmar que essa comparação é real — é uma terceira opção entre "número exato" e "placeholder vazio", não uma licença para inventar.

Formato de saída

O entregável é um arquivo .md, não só texto no chat. Gere (ou sobrescreva, se já existir) um arquivo nomeado <nome-da-pessoa-em-kebab-case>-linkedin-otimizado.md no diretório de trabalho atual (ou onde o usuário pedir), com esta estrutura:

# Perfil otimizado — <Nome>

Cargo-alvo: <cargo-alvo>

## Headline
**Manter:** <o que já funciona, 1 frase>
**Trocar:**
| Antes | Depois |
|---|---|
| <texto atual> | <texto novo> |
*Por quê:* <1-2 frases>

## About
**Manter:** <1 frase>
**Trocar:**
Antes:
> <bloco de texto atual>
Depois:
> <bloco de texto novo>
*Por quê:* <1-2 frases>

## Top skills
(mesma estrutura Manter/Trocar em tabela)

## Experiências
Uma subseção `### <Empresa / cargo>` por experiência, mais recente primeiro,
cada uma com Manter/Trocar/Antes/Depois/Por quê, sempre com 3-5 bullets
(inclusive em cargos antigos — ver princípio de bullets acima).

## Educação
Manter/Trocar, mesma estrutura. Se não há nada de texto para mudar (caso
comum), registrar isso explicitamente em vez de omitir a seção.

## Score
Tabela Antes/Depois calculada com a rubrica de LinkedIn em
`references/scoring-rubric.md` — ver "Etapa 2d" abaixo.

## Resumo
Tabela final: Seção | Manter | Trocar — uma linha por seção, visão de conjunto.

## Marca Pessoal (Foto, Banner, Featured)
Checklist de 3 itens com Sim/Não/Não informado para cada (foto profissional,
banner com stack/área, Featured preenchida) — se "Não" ou "Não informado" em
algum, incluir a dica correspondente de `references/ssi-tips.md` (pilar
"Establish your professional brand"). Se o usuário não respondeu o item 10 da
coleta, listar os 3 como pendência leve (não bloqueia a geração do arquivo).

## Open to Work
Checklist preenchido com os valores recomendados para cada campo (job
titles, location types, locations, start date, employment types,
visibility) — ver Etapa 3.

## SSI
Se houver os 4 números: tabela Pilar | Score | Classificação, pilar mais
fraco em destaque, e plano de ação com as 3 dicas priorizadas (ver Etapa 3 /
`references/ssi-tips.md`). Se não houver, uma linha: "SSI não informado —
opcional, ver linkedin.com/sales/ssi."

## Pendências
Lista de qualquer dado que faltou para fechar uma seção (métrica não
informada, cargo-alvo ambíguo, etc.) — nunca invente um número ausente;
marque como `[FALTA DADO: ...]` no corpo do arquivo E liste aqui.

Regras do conteúdo (independente de ser chat ou arquivo):

• Não reescreva silenciosamente fatos — se faltar um número, marque [FALTA DADO: ...] no lugar exato e pergunte ao usuário, nunca suponha.
• Depois de gerar o arquivo, rode o lint estrutural antes de reportar como pronto: node skills/linkedin-resume-optimizer/scripts/lint-output.mjs <arquivo-gerado>. Ele checa seções obrigatórias, contagem de bullets (3-5), frases banidas e as regras fixas de Open to Work (Recruiters only, Immediately) — não substitui julgamento, mas pega regressão mecânica antes do usuário ver. Se ele retornar issues (exit code 1), corrigir antes de reportar pronto; warnings (exit code 0) podem ser legítimos (ex. bullet incompleto por pendência real de dado) — usar julgamento.
• Depois de gerar o arquivo, informe ao usuário o caminho do arquivo e um resumo de 1-2 frases do que mudou — não repita o conteúdo inteiro no chat.
• Depois de entregar o .md do LinkedIn, se o currículo ainda não foi pedido nem recusado explicitamente nesta conversa, pergunte se a pessoa quer que a gente monte o currículo também (Etapa 2b). Isso vale mesmo se ela já tinha dito "não" lá no item 9 da coleta — nesse ponto ela só via o LinkedIn pronto agora, então é uma pergunta nova, não repetição. Se ela já pediu os dois de início, não perguntar de novo depois de entregar o LinkedIn — só perguntar quando currículo ainda estiver em aberto. Se ela disser sim, não peça pra colar um currículo do zero — monte o currículo a partir dos dados já coletados na Etapa 1 (headline → vira título, About → vira base do Resumo Profissional, experiências e educação já coletadas), aplicando as transformações da Etapa 2b em cima do que já existe. Só pergunte o que não dá pra derivar do que já foi coletado: dados de contato (telefone, e-mail, endereço/cidade se não vieram antes) e, opcionalmente, a descrição da vaga-alvo (item 11) se ainda não foi dada. Recolher tudo de novo do zero seria repetir trabalho que o usuário já fez.

Etapa 3 — Depois do texto: Open to Work e SSI

O texto do perfil (Etapa 2) não é o entregável inteiro. Sempre feche com estas duas recomendações no .md, em seções próprias após "Resumo":

Open to Work

Se a pessoa está buscando vaga (pergunte se não estiver claro pelo contexto), recomende ativar o #OpenToWork em "Tell us what kind of work you're open to" (botão na foto do perfil → "Open to" → "Finding a new job"). Oriente o preenchimento de cada campo com base no cargo-alvo já coletado:

• Job titles (até 5): variações do cargo-alvo, do mais específico ao mais amplo — ex. para "Senior Data Engineer": Senior Data Specialist, Senior Data Engineer, Senior Data Architect, Data Architect, Data Engineer. Mais títulos = aparece em mais buscas de recrutador.
• Location types: marcar todos os compatíveis com o que a pessoa aceita (On-site / Hybrid / Remote), não só um.
• Locations (remote): se aceita remoto, listar os países/regiões-alvo (ex. Canada, United States, United Kingdom, Netherlands, Latin America) — cada um amplia o alcance de busca por localização.
• Start date: sempre recomendar "Immediately, I am actively applying" — não perguntar ao usuário nem oferecer "Flexible" como alternativa. Mais urgência sinalizada = mais prioridade nos resultados de busca de recrutador; não há motivo prático para recomendar a opção mais fraca.
• Employment types: marcar todos os aceitáveis (Full-time, Contract, etc.) — não deixar só Full-time se a pessoa toparia PJ/contrato.
• Visibility: sempre recomendar "Recruiters only" — nunca a moldura verde ("All LinkedIn members"). Não perguntar ao usuário nem oferecer a moldura verde como alternativa padrão. Só quem usa LinkedIn Recruiter vê o sinal; é o suficiente para aparecer em busca de recrutador sem expor a todas as conexões (incluindo empregador atual, colegas, clientes) que a pessoa está procurando vaga — isso é regra fixa da skill, não uma recomendação caso a caso.

Sempre recomende preencher todos os campos até o limite permitido (5 títulos, todas as location types e localizations aplicáveis) — campo vazio é alcance de busca perdido.

SSI

Se o usuário forneceu os 4 números do SSI, aplique a lógica de references/ssi-tips.md: classifique cada pilar (fraco/ok/forte), pegue os 2 pilares mais fracos, e liste as 3 primeiras dicas de cada um que estiver fraco como plano de ação priorizado. Se não forneceu, não pergunte de novo insistentemente — mencione que é opcional e pule a seção (ou deixe como pendência leve, sem bloquear a geração do arquivo).