ooligo
PT-BR
English en Español es Português (Brasil) pt-BR 日本語 ja Français fr Deutsch de
Assinar
Ferramentas Comparações Workflows Stacks Aprender
Verticais
RevOps Legal Ops Recrutamento e TA
Idioma
English Español Português (Brasil) 日本語 Français Deutsch
GitHub Assinar
claude-skill

Sourcing de candidatos com AI usando Claude

Dificuldade
intermediário
Tempo de setup
45min
Para
recruiter · sourcer · talent-acquisition
Recrutamento e TA

Stack

Uma Claude Skill que pega um perfil de vaga mais uma rubrica de ICP, constrói uma query de AI sourcing contra Juicebox, hireEZ, ou LinkedIn Recruiter, recupera até 200 candidatos, pontua cada um contra a rubrica com evidência citada, e draft outreach personalizado para o top-N — e então para num gate de revisão humana. O recrutador lê a shortlist, edita as mensagens e envia. Substitui o loop de 3 horas de Boolean + scoring + outreach por um loop de revisão de 30 minutos.

Quando usar

  • Você faz sourcing para uma vaga que roda mais de uma vez por trimestre e a rubrica de ICP é estável o suficiente para colocar no papel.
  • Você tem uma rubrica de ICP com âncoras comportamentais por dimensão (não só labels vagos). O template de rubrica no bundle em references/1-icp-rubric-template.md mostra o formato; se você não consegue preencher, ainda não tem uma rubrica que esta skill consiga pontuar.
  • Você tem acesso à API do Juicebox PeopleGPT, hireEZ, ou LinkedIn Recruiter. A skill se recusa a fazer fallback para scraping de URLs públicas do LinkedIn.
  • Um recrutador ou sourcer humano revisa toda shortlist antes de qualquer outreach ser enviado. A skill escreve drafts em disco e para.

Quando NÃO usar

  • Auto-rejeição no loop. A skill ranqueia; não rejeita. Os candidatos “pulados” são surfaceados com motivos para o recrutador anular. Wiring de uma ação reject num threshold de score transforma isso em tomada de decisão automatizada e dispara obrigações do EU AI Act Annex III high-risk mais obrigações de bias audit do NYC LL 144 dentro de um ano antes do uso. Se você precisa disso, faça um bias audit, não esta skill.
  • Scoring em proxies de classe protegida. Tier de escola como dimensão standalone, origem do nome, presença de foto, penalização por gaps de emprego, idade inferida pelo ano de graduação, “culture fit” sem âncoras comportamentais. A fairness checklist da skill se recusa a rodar se algum desses aparecer na rubrica. Não edite a checklist para fazer uma rubrica enviesada passar.
  • Recomendações de faixa salarial. NYC LL 32-A, Colorado, Califórnia e Washington exigem faixas postadas e obrigações de bias audit em decisões automatizadas de pay. Use uma ferramenta de benchmarking de comp, não uma skill de sourcing.
  • Buscas one-off de C-suite. Uma busca retida para um indivíduo nomeado específico ou um exec tightly-defined sai mais rápido feita por um humano com network. A skill é feita para sourcing repetível de IC e nível manager, onde a calibração da rubrica paga o custo de setup.
  • Reference checks ou backchannel research. Postura de consentimento diferente. Workflow diferente.

Setup

  1. Solte o bundle. Coloque apps/web/public/artifacts/candidate-sourcing-claude-skill/SKILL.md no diretório de skills do Claude Code (ou nas custom Skills do claude.ai).
  2. Preencha a rubrica. Copie references/1-icp-rubric-template.md para um arquivo por vaga sob seu próprio repo. Substitua todo {placeholder}. A skill captura o SHA-256 da rubrica em seu audit log por run, então edições subsequentes são visíveis em retro.
  3. Configure o canal de fonte. Adicione sua chave de API do Juicebox ou hireEZ na config da skill. Para LinkedIn, configure credenciais da Recruiter API — a skill se recusa a fazer scraping de URLs públicas de perfil.
  4. Escreva as do-not-poach e exclude lists. Um CSV de domínios de clientes (do-not-poach) e um CSV de URLs exclude_list (recentemente rejeitados, em silent period, com opt-out). O pré-filtro determinístico no passo 3 da skill aplica esses antes do LLM ver qualquer candidato.
  5. Faça dry-run numa vaga fechada. Rode numa vaga que você fez sourcing manual no trimestre passado. Compare o top-25 da skill com seu top-25 manual. Calibre as âncoras da rubrica se a skill calibrar diferente — as âncoras, não a query de busca, geralmente são o que está errado.

O que a skill realmente faz

Seis passos, em ordem. A ordem importa: filtros determinísticos e pré-flight de fairness vêm antes do ranking do LLM, porque soltar um LLM em cima de um pool contaminado produz output rápido, confiante e inutilizável.

  1. Valida a rubrica contra references/2-fairness-checklist.md. Para se a rubrica contém proxies de classe protegida. A escolha de falhar antes da retrieval em vez de depois é deliberada — uma rubrica enviesada carregada na API de uma ferramenta de sourcing já deixa um registro que conta como processamento automatizado sob GDPR Art. 22.
  2. Constrói a query de busca no formato nativo do canal. Cap em 5 sinônimos por dimensão; cap no pool recuperado em 200. Pools maiores degradam o ranking porque o contexto do modelo enche de candidatos de baixa relevância.
  3. Pré-filtro determinístico. Dropa matches do exclude_list, empresas do-not-poach, mismatches de localização e perfis com mais de 18 meses de obsolescência. Esses são filtros auditáveis; o LLM não os reabre.
  4. Ranking baseado em rubrica. Pontua 1-5 em skill, nível, padrão de empresa, response-likelihood. Toda nota acima de 1 cita uma string verbatim do perfil. Sem citação → nota 1. A exigência de citação é o que mantém o modelo aterrado no texto do perfil em vez de inferir a partir de nome, foto ou escola.
  5. Gate de revisão humana. Escreve shortlist.md e arquivos outreach/<id>.md por candidato. Para. A skill não define nenhuma ação send.
  6. Audit log. Anexa uma linha JSONL por run com run_id, rubric_sha256, tamanhos de pool, canal, modelo. Sem PII. É isso que torna o run defensável sob NYC LL 144 ou questionamento do EU AI Act.

O formato da shortlist e o layout de evidência por candidato vivem em references/3-shortlist-format.md no bundle. O formato é fixo porque os consumidores downstream — recrutador, hiring manager, audit reviewer — precisam de colunas previsíveis.

Realidade de custo

Por shortlist de 25 a partir de um pool de 200 candidatos, no Claude Sonnet 4.5:

  • Custo de retrieval — depende do canal. O PeopleGPT do Juicebox conta contra sua cota mensal de queries (planos starter de 200 buscas estouram rápido se você roda múltiplas vagas por semana). Unlocks-per-month do hireEZ é o constraint que prende lá. A API do LinkedIn Recruiter tem suas próprias cotas de InMail e busca por seat. Nada disso muda com a skill no loop; você gasta a mesma cota de canal que gastaria fazendo Boolean manual.
  • Tokens de LLM — tipicamente 80-120k tokens de input (rubrica + 200 excerpts de perfis de candidatos + instruções da skill) e 8-15k tokens de output (shortlist + 25 drafts de outreach). No Sonnet 4.5 isso é aproximadamente $0.50-0.80 por shortlist. O mês inteiro de um sourcer rodando ~80 shortlists chega em $40-65 em custo de modelo.
  • Tempo do recrutador — o ganho está aqui, não no custo de modelo. Boolean manual + scoring + outreach para 25 candidatos são 2-3 horas. Revisar a shortlist da skill e editar os drafts são 25-40 minutos, que é o que torna o workflow vale a pena rodar.
  • Tempo de setup — 45 minutos para a rubrica e exclude lists se a rubrica já existe em alguma forma; mais se a rubrica é nova (caso em que structured interviewing é o pré-requisito, não esta skill).

Métrica de sucesso

Acompanhe três números por vaga por mês, no ATS:

  • Taxa de resposta ao outreach — deve igualar ou exceder a baseline manual do recrutador. Se cair, os drafts de outreach estão genéricos — geralmente a rubrica está grosseira demais, não o modelo.
  • Taxa de shortlist-to-screen pass — a fatia de candidatos da shortlist que o hiring manager concorda que valem um screen. Deve ser ≥70% numa vaga estável. Abaixo disso, a rubrica de ICP está descalibrada; re-rode numa vaga fechada e calibre.
  • Tempo de role-open até primeiro screen qualificado — a métrica de throughput que a skill foi feita para mover. A redução de 3 horas para 30 minutos aparece aqui, não no gasto de modelo.

vs alternativas

  • vs Gem AI Sourcing — Gem possui o workflow do recrutador end-to-end (UI de sourcing, sequências, analytics, integração com ATS via Ashby e outros). Escolha Gem se você quer um produto gerenciado e seu time vai morar na UI dele. Escolha esta skill se você quer a rubrica, lógica de pré-filtro e audit log no seu próprio repo, version-controlled, com o modelo trocável.
  • vs ranking nativo de AI do hireEZ — o AI Match do hireEZ é bom em retrieval; o gap está na camada da rubrica. Com esta skill você mantém o hireEZ como canal de retrieval e traz sua própria rubrica + scoring com evidência citada por cima. Se os defaults do hireEZ batem com seu ICP, você não precisa desta skill.
  • vs Boolean manual + scoring em planilha — manual é certo para buscas one-off ou de exec, onde a rubrica está na cabeça do recrutador e escrevê-la é overhead que não paga de volta. A skill paga seu custo de setup em vagas que repetem.
  • vs script DIY em Python contra as APIs do LinkedIn / Juicebox — mesma qualidade de ranking se você construir o prompt com cuidado, mas você também constrói a fairness checklist, o audit log e o gate de revisão humana sozinho. O bundle entrega esses prontos.

Pontos de atenção

  • Amplificação de viés — guardado pela fairness checklist em references/2-fairness-checklist.md, que para o run se a rubrica contém proxies de classe protegida. O audit log captura rubric_sha256 por run para que a rubrica usada numa dada data seja reproduzível sob review do EU AI Act ou NYC LL 144.
  • Dados desatualizados de LinkedIn / Juicebox — guardado pelo filtro determinístico no passo 3 (dropa perfis com mais de 18 meses de obsolescência) e pela dimensão response-likelihood no scoring (que pesa freshness). Candidatos em cold storage não tomam espaço dos que estão ativamente procurando.
  • Exposição a ToS do LinkedIn — guardado pela recusa de fazer scraping de URLs públicas de perfil. A skill usa a Recruiter API, Juicebox ou hireEZ, que carregam seu próprio licenciamento de dados. Se linkedin_recruiter é selecionado e a API não está configurada, a skill aborta com setup-error em vez de cair em fallback.
  • Drift de auto-send — guardado pelo gate de revisão humana (passo 5) e pela ausência de qualquer ação send na skill. Drafts são escritos em arquivos outreach/<id>.md para o recrutador colar no ATS / outbox da ferramenta de sourcing. AI-drafted-and-sent sem revisão produz volume sem qualidade e estraga a candidate experience.
  • Transparência de comp — drafts de outreach nunca citam um número; eles referenciam a banda como “faixa competitiva divulgada no screen” para que o recrutador permaneça a fonte de afirmações de pay-band (NYC LL 32-A, Colorado, Califórnia, Washington pay-transparency requirements).

Stack

O bundle da skill vive em apps/web/public/artifacts/candidate-sourcing-claude-skill/ e contém:

  • SKILL.md — a definição da skill
  • references/1-icp-rubric-template.md — preenchimento por vaga
  • references/2-fairness-checklist.md — checks de pré-flight (não edite para fazer rubricas enviesadas passarem)
  • references/3-shortlist-format.md — o formato literal de output

Ferramentas que o workflow assume que você já usa: Claude (o modelo), Juicebox ou hireEZ (o canal de retrieval), Ashby (o ATS para write-back uma vez que o recrutador aprovou um candidato). Gem é a alternativa de build-vs-buy se você não quer possuir a rubrica e o audit log você mesmo.

Editar esta página no GitHub

Arquivos deste artefato

Baixar tudo (.zip)