Como construímos um agente de IA para recrutamento com LangGraph e Claude

O cliente tinha um ATS (Applicant Tracking System) robusto mas subutilizado — os recrutadores passavam mais tempo navegando menus do que recrutando. A ideia era simples: e se eles pudessem simplesmente conversar com o sistema?

O que parece simples esconde uma série de desafios técnicos reais: latência de LLMs, operações que demoram minutos, múltiplos usuários simultâneos, isolamento entre tenants, e a necessidade de não bloquear a interface enquanto o agente "pensa".

Por que LangGraph e não LangChain puro

LangChain é ótimo para chains simples — entrada, processamento, saída. Mas agentes reais precisam de estado, de decisões condicionais, de loops e de recuperação de erros. LangGraph modela o agente como um grafo de estados, o que permite fluxos muito mais complexos e controlados.

• Cada nó do grafo é uma ação atômica: buscar vagas, avaliar candidatos, criar job description
• Edges condicionais definem qual caminho tomar com base na intenção detectada
• Estado persistido entre mensagens da mesma sessão
• Retry automático com backoff exponencial em falhas de LLM

O problema da latência: RabbitMQ como solução

LLMs são lentos. Uma operação de "avaliar 50 candidatos" pode levar 3-4 minutos. Se isso fosse síncrono, o usuário ficaria esperando com a tela travada. A solução foi desacoplar completamente: a API recebe o comando, coloca na fila do RabbitMQ com prioridade e retorna imediatamente. Um worker consome a fila e envia o progresso via callback HTTP ou WebSocket.

Multi-LLM: fallback automático entre Claude, Gemini e GPT

Depender de um único provedor de LLM em produção é um risco operacional. Implementamos uma camada de abstração que tenta Claude primeiro (melhor raciocínio), cai para Gemini em caso de timeout ou erro de rate limit, e tem GPT como última alternativa. O recrutador nunca vê essa camada — recebe a resposta independente de qual modelo rodou.

Voice-first: Google Speech-to-Text + TTS

Uma das features mais usadas foi a entrada por voz. O recrutador fala o comando, o Twilio captura o áudio, o Google Speech-to-Text transcreve, o agente processa e responde com TTS. O ciclo completo — da fala à resposta falada — fica abaixo de 4 segundos na maioria dos casos.