AI Career Copilot: análise de mercado e Project Tutor com IA

Visão geral

O AI Career Copilot é um projeto de portfólio em evolução criado para responder a uma pergunta prática de carreira: quais habilidades devo priorizar para atuar em Dados e Engenharia de IA?

A aplicação começa com a análise de vagas e a extração de habilidades demandadas. A partir dessa evidência, ela organiza uma única trilha de estudo que respeita pré-requisitos técnicos — ou seja, a demanda do mercado define a prioridade, mas não faz um tema avançado aparecer antes da sua base.

A camada mais recente do projeto é o Project Tutor: um assistente integrado à aplicação que explica decisões, código, dados e roadmap do próprio repositório.

• Repositório: peixotojeff/projectjefferson
• Stack atual: Python, Streamlit, CSV, Gemini API e testes automatizados com unittest.

Problema que o projeto resolve

Quem está migrando ou começando em Dados e IA encontra listas extensas de ferramentas, cursos e tendências, mas nem sempre consegue responder:

• quais habilidades aparecem de fato nas vagas;
• qual sequência de aprendizado faz sentido;
• o que já possui como evidência no perfil profissional;
• como explicar tecnicamente um projeto de portfólio durante uma entrevista.

O projeto trata essas perguntas como um fluxo único: mercado de trabalho → trilha com dependências → evidências do perfil → aprendizado guiado pelo Tutor.

Como funciona

Vagas coletadas → frequência de skills → trilha com pré-requisitos
                                      ↓
                  evidências explícitas do perfil → gaps de evidência
                                      ↓
              fontes seguras do projeto → Project Tutor → resposta explicativa

1. Análise de vagas e baseline de mercado

O pipeline lê dados de vagas e produz artefatos como frequência de habilidades, resumo por função e relatório de mercado. A baseline atual consolida vagas de Engenharia de IA do Brasil e do exterior, deixando explícitos o recorte e as limitações dos dados.

Essa etapa transforma descrições de vagas em uma base reproduzível para priorizar temas como Python, LLMs, RAG, avaliação, CI/CD e MLOps.

2. Trilha única orientada pelo mercado

Em vez de separar a experiência em modos de “mercado”, “estudo” e “projeto”, a aplicação mantém uma única trilha. A ordenação combina dois critérios:

1. frequência das habilidades nas vagas;
2. dependências pedagógicas e técnicas entre módulos.

Assim, um tópico avançado com alta demanda não pode antecipar fundamentos necessários. Habilidades demandadas que ainda não possuem material aparecem como conteúdo pendente, mantendo o backlog de aprendizado visível.

3. Gap analysis baseado em evidências

O projeto compara as habilidades de mercado com um inventário estruturado extraído do currículo fornecido. Cada habilidade recebe um status claro:

• demonstrated: há evidência explícita no documento analisado;
• adjacent: há experiência relacionada, mas não evidência direta da habilidade;
• gap: não há evidência explícita no documento.

Um gap não é uma afirmação de incapacidade. É apenas uma limitação da fonte analisada. Para preservar esse limite, a análise não usa LinkedIn ao vivo, memória de conversa ou arquivos não autorizados para completar o perfil.

Project Tutor: IA com contexto controlado

O Project Tutor foi criado para tornar o próprio projeto explicável. Ele recebe perguntas sobre implementação, dados, decisões e roadmap, mas não lê o computador de forma irrestrita.

A arquitetura atual segue este fluxo:

Arquivos permitidos → recuperação lexical local → contexto com orçamento fixo
→ Gemini API → resposta com referências de caminhos de fonte

Antes de chamar o modelo, uma busca lexical determinística seleciona os arquivos mais relevantes dentro de um limite de caracteres. Isso reduz o contexto enviado à API sem introduzir, prematuramente, embeddings ou banco vetorial.

O resultado é uma primeira versão auditável de recuperação de contexto. Ela não é RAG vetorial: ainda possui limitações com sinônimos e relações semânticas. Uma evolução para busca semântica está planejada, condicionada a casos de avaliação e comparação de custo.

Decisões de engenharia e privacidade

Algumas decisões importantes do projeto foram documentadas como ADRs e fases de desenvolvimento:

• Allowlist de fontes: o Tutor só pode usar README, documentação, código Python, dados e relatórios explicitamente autorizados.
• Proteção de segredos: .env, credenciais, metadados Git e arquivos não relacionados ficam fora da base do Tutor.
• Roteamento automático por complexidade: perguntas simples, intermediárias e avançadas usam tiers configurados por variáveis de ambiente; a interface não expõe uma escolha manual de modelo.
• Feedback minimizado: o aluno pode marcar se entendeu, se não entendeu ou se precisa de exemplo. São armazenados apenas sinal de feedback, fontes selecionadas e verificações de qualidade — não a pergunta, a resposta completa ou texto livre do usuário.
• Estudo no mesmo chat: o módulo guiado abre uma pergunta no mesmo histórico da conversa. As últimas mensagens ficam apenas na sessão do navegador e não viram evidência do projeto nem são persistidas como conteúdo de estudo.

O que aprendi construindo este projeto

Este projeto conecta competências de Dados e IA em uma aplicação concreta:

• transformar dados de vagas em uma baseline de habilidades;
• modelar regras de priorização que respeitam dependências;
• separar evidência, inferência e ausência de evidência em uma análise de perfil;
• aplicar recuperação de contexto com fontes controladas;
• criar limites práticos para custo, privacidade, segredos e respostas de IA;
• registrar decisões, testes e trade-offs para tornar a evolução do produto explicável.

Estado atual e próximos passos

O projeto já possui pipeline de análise, baseline de mercado, trilha guiada, gap analysis baseado em evidências e Project Tutor com recuperação lexical local.

Os próximos passos planejados incluem ampliar a coleta e atualização de vagas, criar visualizações de tendências, avaliar a recuperação com casos curados e, somente depois disso, experimentar uma recuperação semântica com embeddings ou banco vetorial.

Explicação para entrevista: “Construí uma aplicação que usa dados de vagas para priorizar uma trilha de aprendizado em Dados e IA. Além da análise, implementei um Project Tutor em Streamlit e Gemini que só responde com base em fontes permitidas do repositório. Antes de adotar RAG vetorial, criei uma busca lexical local e testes para medir recuperação, custo e limites de privacidade.”

Publicado por Jefferson Peixoto em 17 de julho de 2026.