Triagem de currículos com n8n, PDF e Llama 3

Um fluxo em n8n que extrai texto de currículos em PDF, compara com a descrição da vaga usando Llama 3 e grava um resumo classificado no Google Sheets. O gargalo não era o modelo: era a espera.

O problema

Currículos chegando por e-mail, em PDF, com formatação livre. Alguém do time abrindo um por um só para responder uma pergunta simples: essa pessoa tem o que a vaga pede? A leitura é rápida, mas o custo está no volume e na troca de contexto.

O fluxo, em cinco etapas

1. Gatilho. O n8n observa a caixa de entrada e dispara quando chega anexo em PDF.
2. Extração. O texto sai do PDF. Aqui mora a primeira dor real: currículo em duas colunas ou exportado como imagem sai embaralhado ou vazio, e o fluxo precisa detectar isso em vez de mandar lixo para o modelo.
3. Avaliação. O texto extraído vai para o Llama 3 junto com a descrição da vaga, num prompt que pede três coisas em formato fixo: aderência aos requisitos obrigatórios, pontos fortes e lacunas.
4. Resumo executivo. Segunda passagem, curta, que transforma a avaliação num parágrafo legível por quem vai decidir.
5. Registro. Uma linha no Google Sheets por candidato, com link para o arquivo original.

Por que Groq e não outro provedor

Com um documento por execução, o tempo de resposta do modelo é o tempo do fluxo. Rodar Llama 3 na Groq mudou a experiência de "processo em lote que roda de madrugada" para algo que responde enquanto a pessoa ainda está olhando a tela. A qualidade do modelo era suficiente nos dois cenários; a latência não era.

Essa é a parte que costuma ficar de fora das discussões sobre qual modelo é melhor. Para automação de fluxo, latência e custo por execução decidem tanto quanto capacidade.

O que eu faria diferente

Validar a extração antes de gastar token. Mandar texto vazio ou embaralhado para o modelo produz uma avaliação confiante e errada. Um teste simples de tamanho e de presença de palavras esperadas evita isso e sai de graça.

Guardar o texto extraído, não só o resultado. Quando uma avaliação parece estranha, você precisa saber se o erro foi do modelo ou do PDF.

Deixar explícito que é triagem, não decisão. O fluxo ordena a fila de leitura. Quem descarta candidato é pessoa. Isso não é só ética: modelo de linguagem erra, e erro de descarte é invisível — você nunca descobre quem você deixou passar.

O que dá para reaproveitar

O mesmo desenho serve para qualquer entrada de documento não estruturado que precisa virar linha de planilha classificada: nota fiscal, proposta comercial, laudo, formulário digitalizado. O que muda é o prompt e o destino.

Se você tem um processo assim, ele está descrito em automação com IA.