IA automatiza caçada por emprego com 63 mil estrelas no GitHub
Ferramenta open source usa Claude Code para personalizar currículos e cartas de apresentação automaticamente.
Edição: Anderson Gomes
· 5 min de leitura

---
O que é e por que está em alta
O ai-job-search é um framework de busca de emprego com inteligência artificial que executa todo o processo localmente, sem depender de nuvens externas. Criado pelo geofísico dinamarquês Mads Lorentzen após sua demissão em 2025, a ferramenta automatiza desde a avaliação de vagas até a geração de documentos personalizados e preparação para entrevistas. Com 63.114 estrelas no GitHub e posição entre os cinco repositórios mais populares da semana no Trendshift, o projeto se destaca por transformar uma tarefa repetitiva e demorada em um processo semi-automatizado, usando o Claude Code como motor de IA.
Lorentzen aplicou o mesmo workflow contra 69 vagas, obteve 20 convites para entrevistas e foi contratado como engenheiro de IA em junho de 2026. O relato pessoal no README reforça a eficácia prática da ferramenta, que, segundo ele, muitas vezes gerou conversas técnicas positivas com recrutadores em vez de rejeição.
Dados rápidos
- Repositório: ai-job-search-dev/ai-job-search
- Licença: MIT
- Linguagem: Python
- Estrelas: 63.114 (+18.486 na semana)
- Posição: #5 (semanal) e #7 (mensal) no Trendshift
- Data da consulta: 22/10/2026
---
O problema que a IA resolve
Buscar emprego é um processo manual que consome fins de semana inteiros. Profissionais gastam horas ajustando currículos, escrevendo cartas de apresentação e pesquisando empresas, enquanto recrutadores usam sistemas de rastreamento de candidatos (ATS) que filtram automaticamente documentos mal formatados. O ai-job-search elimina essa fricção ao centralizar todo o fluxo em um único pipeline: desde a coleta de vagas em portais locais até a geração de documentos otimizados para cada oportunidade.
A ferramenta também endereça um problema comum na transição de carreira: a dificuldade de adaptar rapidamente um currículo genérico para vagas específicas. Em vez de copiar e colar informações, o framework avalia a compatibilidade entre a vaga e o perfil do candidato, sugerindo ajustes pontuais e gerando versões personalizadas automaticamente.
Como a ferramenta funciona
O framework opera em três etapas principais, cada uma acionada por um comando CLI:
gh repo fork MadsLorentzen/ai-job-search --clone
cd ai-job-search
- /setup: Preenche um perfil detalhado com histórico profissional, habilidades e expectativas salariais. Os dados são armazenados em arquivos rastreados pelo Git, o que exige cuidado com informações sensíveis.
- /scrape: Busca vagas em portais locais (configurados para o mercado dinamarquês, mas adaptáveis) e apresenta as melhores opções com notas de compatibilidade.
- /apply: Avalia a vaga selecionada, gera um currículo em LaTeX e uma carta de apresentação personalizados, ambos revisados por um agente de IA antes da finalização.
O sistema usa o Claude Code como motor de IA, mas o README oferece alternativas para quem prefere outros agentes, como Codex ou Gemini CLI, com adaptações comunitárias disponíveis.
Casos de uso práticos
- Transição de carreira: Profissionais que mudam de área usam a ferramenta para destacar habilidades transferíveis e adaptar documentos a novos setores.
- Busca em múltiplos portais: Automatiza a coleta de vagas em sites como Jobindex e Jobnet, poupando horas de pesquisa manual.
- Personalização em massa: Gera dezenas de versões de currículos e cartas para vagas diferentes, mantendo consistência no estilo mas ajustando conteúdo.
- Preparação para entrevistas: Analisa a descrição da vaga e sugere perguntas técnicas e comportamentais com base nos requisitos listados.
- Revisão automatizada: Um agente revisor critica a estrutura e o conteúdo dos documentos gerados, melhorando a qualidade antes do envio.
O que diferencia das alternativas
Enquanto outras ferramentas de busca de emprego são baseadas em websites ou extensões de navegador, o ai-job-search roda inteiramente no computador do usuário. Isso garante privacidade total dos dados, já que informações sensíveis não são enviadas a servidores externos. Além disso, o framework oferece um pipeline completo — desde a busca até a aplicação — em vez de focar apenas em um aspecto, como geração de cartas.
Outra vantagem é a integração direta com o Claude Code, um agente de IA especializado em tarefas técnicas, que permite avaliações mais precisas de compatibilidade entre vagas e perfis. A licença MIT também facilita a adaptação do código para necessidades específicas ou mesmo a integração com outros sistemas.
Limitações e cuidados necessários
O projeto depende do Claude Code, que não tem versão gratuita — é necessário uma assinatura paga ou créditos de API. Além disso, a geração de documentos em PDF requer uma instalação funcional de LaTeX, com configurações específicas para compilação com lualatex e xelatex. Usuários com instalações mínimas de TeX podem enfrentar erros de dependências.
Outro ponto crítico é o armazenamento de dados pessoais em arquivos rastreados pelo Git. Embora o projeto seja open source, é recomendável usar um repositório privado para evitar exposição acidental de informações. O README também alerta sobre golpes relacionados a supostas versões "premium" ou programas de afiliados, que não existem no projeto oficial.
Por fim, embora o workflow seja projetado para ser genérico, os módulos de busca de vagas são inicialmente configurados para o mercado dinamarquês. Adaptar para outros países exige ajustes manuais, conforme documentado no README.
---
Resumo rápido
- Projeto: Framework open source para busca de emprego com IA
- Licença: MIT
- Linguagem: Python
- Estrelas: 63.114
- Ranking: #5 semanal e #7 mensal no Trendshift
- Risco principal: Dependência de serviços pagos (Claude Code)
---
Fontes
- Python
- MIT
- Repositórios em Alta
- Trendshift

Agentes de IA compartilham conhecimento entre si para evitar retrabalho
· 6 min de leitura

Lightpanda surge como alternativa leve a navegadores headless em IA
· 4 min de leitura


vLLM lidera otimização de inferência de LLMs com PagedAttention e multi-GPU
· 5 min de leitura