Qualquer LLM ordena o melhor CV. O Huntchy sabe a quem este cliente diz que sim.
Mesma vaga, mesmos candidatos. Vê o que um LLM em bruto te dá — depois a camada que só existe porque o Huntchy aprende com resultados reais. Depois testa-a num match cujo final já conheces.
Melhor engenheiro. Kafka limpo, 7 anos. Sem banca. Quer €520/d. Só remoto.
Candidato B
6 anos Java/Spring. Dois projetos de banca (SEPA, fraude). €450/d. Sem problema com presencial.
Candidato C
Forte, mas 3 funções em 4 anos. Quer €500/d.
Um LLM em bruto
lê o texto
Huntchy
lê os resultados
◆ O que o ChatGPT / qualquer LLM te diz
Candidato A — melhor match
Perfil mais forte: 7 anos, arquitetura mais limpa, Kafka mais profundo. É o que melhor cumpre o nível sénior e a stack central. O B está um degrau abaixo tecnicamente; o C muda muito de emprego.
O que leu: a vaga + três CVs. É tudo o que tem — o melhor engenheiro contra as palavras na página. O que qualquer recrutador obtém de graça em 30 segundos.
◆ O que o Huntchy te diz
Candidato B — ganha a submissão
O A é o melhor engenheiro. O B é aquele que este cliente aceita. Submetes o A, queimas a vaga; submetes o B, fechas. Não é o CV — é o que o Banco Atlântico já fez mesmo antes.
▾ A camada para lá do LLM — três coisas que só o Huntchy tem
◆
Preferência revelada do cliente
O Banco Atlântico rejeitou os últimos 3 candidatos de fora do setor — mais fortes no papel do que o A. A vaga diz "Java"; o comportamento diz "banca, inegociável."
✕✕✕→✓
dos resultados · não do CV
€
A tarifa que fecha
Fecha Java Sénior a €420–480. O A quer €520 — acima de todas as colocações que já fizeram. O melhor engenheiro morre na tarifa.
B €460
A €520
de 11 colocações
⇄
O candidato aceita o cliente
O A só faz remoto; a função é 2 dias presencial. O A já recusou duas funções presenciais. O A provavelmente diria que não de qualquer forma.
só remoto→2 dias presencial→✕
do sinal do candidato
◆ O que aconteceu mesmo
O cliente escolheu o B. Nunca entrevistou o A — chumbou-o no CV, "banca a menos." A escolha do Huntchy, oposta à do LLM. Certa porque aprendeu com as últimas 11 vezes.
Um LLM ordena contra a vaga. O Huntchy ordena contra o que este cliente já aceitou mesmo. Essa distância é o produto — a única coisa que um prompt melhor não consegue copiar.
◆ O teste honesto
Dá-lhe um match cujo final já conheces.
Escolhe uma função real em que trabalhaste e em que sabes quem o cliente escolheu — e porquê. Os casos difíceis são os melhores: aqueles em que o cliente escolheu alguém que não era o mais forte no papel. Se a leitura do Huntchy bater certo com o que aconteceu mesmo, a premissa aguenta-se.
Candidato A
Candidato B
Candidato C · opcional
O que sabes sobre este cliente (o combustível da camada 2)
Esta é a parte que um LLM nunca tem. O que é que este cliente de facto aceita ou rejeita, para lá da vaga? Teto de tarifa? Domínios inegociáveis? Rejeições passadas?
A ler o match contra o que sabes do cliente
Exemplo resolvido. Estás a ver a leitura ilustrativa porque a função e pelo menos dois candidatos não foram ambos preenchidos. Acrescenta acima uma função real + 2-3 candidatos e corre outra vez — vai ler os teus dados ao vivo.
◆ A leitura do Huntchy
A camada justificou-se?
?
Bateu certo com o que aconteceu mesmo? Revela o teu resultado acima — o Huntchy escolheu quem o cliente escolheu?
?
Viu algo que o CV sozinho não mostrava? O "porquê" — foi uma razão que não estava na vaga?
?
Um LLM em bruto tê-lo-ia falhado? Se o ChatGPT tivesse dito o mesmo, a camada ainda não se justifica. Se tivesse escolhido errado — esse é o fosso.
Se acertou no teu final real — a premissa é real, com os teus dados, não os meus.
Se falhou — acabaste de aprender exatamente onde a camada precisa de trabalho. Barato. Hoje.
Ao vivo. O callHuntchy() faz post a uma Netlify Function (netlify/functions/huntchy.js) que chama o Claude com o prompt da camada 2 — ponderando preferência revelada, teto de tarifa e encaixe dos dois lados acima da força em bruto do CV, e marcando o que infere vs. o que lê. A chave da API fica do lado do servidor. Corre com netlify dev (vê o README).
A Parte 1 vende o mecanismo · a Parte 2 testa-o com os teus dados reais.
O Huntchy assiste, nunca decide. Mostra o encaixe e o que confirmar, nunca quem cortar.