Prompts de ChatGPT para personalizar currículo sem inventar nada

Você já usa ChatGPT ou Claude para revisar código e escrever mensagens de commit, então colar uma vaga e o seu currículo (CV) no mesmo chat parece o próximo passo óbvio. O resultado fica bem escrito. O problema aparece nos detalhes: um bullet que ganhou uma porcentagem que você nunca mediu, um cargo promovido um nível, uma ferramenta que você nunca rodou. Os prompts de ChatGPT para personalizar currículo abaixo existem para impedir isso. Cada um dá ao modelo uma tarefa estreita, proíbe fatos novos e produz uma saída que você consegue conferir linha por linha. Eles funcionam igual no Claude, no Gemini ou em qualquer outro modelo capaz.

Este post cobre os prompts e as travas. Para o método em si, como ler uma vaga, mapear sua experiência e manter o resultado honesto, leia como personalizar seu currículo para a descrição de uma vaga. Os prompts aqui assumem que você tem um currículo principal, a versão completa com todos os cargos e projetos, já que o modelo só consegue selecionar a partir do que você entrega.

Por que prompts de ChatGPT para personalizar currículo precisam de travas

Um modelo de linguagem completa texto. Peça para ele “melhorar meu currículo para esta vaga” e ele produz o que os dados de treinamento sugerem que um currículo personalizado parece: verbos confiantes, números redondos, uma lista de habilidades que espelha a vaga. Ele não tem como saber quais desses detalhes são verdade no seu caso, e não vai parar para perguntar.

Três decisões de design resolvem a maior parte disso.

Uma tarefa por prompt. Extrair, mapear, reescrever e conferir são trabalhos separados. Um único prompt de “faça tudo” deixa o modelo contrabandear uma métrica inventada para dentro de uma reescrita enquanto você está lendo a lista de palavras-chave.

Texto original entra, texto original sai. Todo prompt de reescrita pede o bullet original ao lado do novo. Você compara o par em segundos. Um prompt que devolve só a versão nova esconde a mudança.

Uma proibição explícita de fatos novos, com lista. “Não invente nada” é vago demais para um modelo. “Não adicione números, ferramentas, empregadores, cargos, datas, formação ou certificações que não estejam no currículo principal” é uma regra que ele consegue seguir, e uma regra que você consegue conferir.

Rode os quatro prompts abaixo em ordem. Cole seu currículo principal onde está escrito [cole o currículo principal] e a vaga onde está escrito [cole a descrição da vaga].

Prompt 1: extraia os requisitos em uma tabela

O guia de personalização linkado acima descreve quatro grupos para separar uma vaga. Este prompt faz o modelo fazer a separação, com dois acréscimos que um modelo de chat costuma pular: citações ao pé da letra e contagem de repetições.

Você está extraindo requisitos de uma descrição de vaga. Não infira,
resuma nem adicione requisitos que não estejam no texto.

Devolva uma tabela em Markdown com estas colunas:
1. Requisito, citado ao pé da letra do anúncio
2. Tipo: obrigatório, desejável, responsabilidade ou termo de domínio
3. Quantas vezes aparece no anúncio
4. A frase de onde veio, citada

Regras:
- Cite a grafia e as maiúsculas exatas do anúncio (por exemplo
  "PostgreSQL", não "Postgres").
- Se o anúncio for ambíguo sobre algo ser obrigatório ou desejável,
  marque como "incerto". Não chute.
- Não comente sobre o meu encaixe. Eu ainda não mostrei meu currículo.

Descrição da vaga:
[cole a descrição da vaga]

A última regra importa. Se o currículo está no mesmo chat, o modelo começa a cruzar antes de você pedir, e a tabela se inclina para os requisitos que você por acaso atende.

Prompt 2: mapeie sua experiência para cada requisito

Agora o modelo vê o currículo principal pela primeira vez. O trabalho dele é encontrar evidência, com uma regra dura: lacuna continua lacuna.

Abaixo estão uma tabela de requisitos e o meu currículo principal. Para
cada requisito, encontre a evidência mais forte no currículo.

Devolva uma tabela com:
1. Requisito (da tabela)
2. Evidência: o bullet ou a linha do meu currículo, citado palavra por
   palavra
3. Tipo de encaixe: direto (mesma ferramenta ou habilidade citada),
   adjacente (mesma habilidade, ferramenta diferente; cite as duas) ou
   lacuna (nada no currículo)
4. Onde deve entrar na versão personalizada: resumo, bullets de um
   cargo específico, lista de habilidades, ou omitir

Regras:
- Lacuna é uma resposta válida. Não preencha uma lacuna esticando um
  bullet nem sugerindo que eu adicione experiência que não listei.
- Não reescreva nada ainda.
- Se um bullet sustenta dois requisitos, liste-o duas vezes.

Tabela de requisitos:
[cole a tabela do Prompt 1]

Currículo principal:
[cole o currículo principal]

Leia as linhas de lacuna antes de continuar. Se a vaga lista dez habilidades obrigatórias e a tabela mostra seis lacunas, o certo é procurar outra vaga, e nenhum prompt resolve isso.

Prompt 3: reescreva os bullets no vocabulário da vaga, sem fatos novos

É aqui que os modelos inventam. O prompt abaixo restringe a tarefa a bullets selecionados, exige pares de antes e depois e explica o que conta como fato novo.

Reescreva os bullets abaixo para que usem o vocabulário do anúncio onde
a minha experiência sustenta isso. Mantenha cada bullet fiel ao
original.

Para cada bullet, devolva:
- ORIGINAL: o bullet como eu escrevi, sem alterações
- REESCRITA: a nova versão
- MUDANÇAS: uma lista de uma linha do que você mudou e por quê
  (palavras, ordem, ênfase)

Regras:
1. Mantenha todo número, data, nome de ferramenta, empregador, cargo e
   formação como está escrito. Se o original não tem número, a
   reescrita não tem número.
2. Espelhe a grafia que o anúncio usa para uma ferramenta só se o
   original cita a mesma ferramenta. "Postgres" pode virar
   "PostgreSQL". "MySQL" não pode.
3. Para encaixes adjacentes, mantenha a minha ferramenta e pegue
   emprestada a categoria. "Construí pipelines de eventos no RabbitMQ"
   pode virar "Construí pipelines de streaming de eventos (RabbitMQ)".
   Não pode mencionar Kafka.
4. Não mude palavras de senioridade. "Contribuí com" continua
   "contribuí com"; não vira "liderei".
5. Não junte bullets nem adicione bullet.
6. Verbos simples. Nada de "alavanquei", "impulsionei" ou "sinergia",
   nem "spearheaded" ou "leveraged" em inglês.

Requisitos do anúncio: [cole as linhas correspondentes do Prompt 2]

Bullets para reescrever:
[cole os bullets]

A regra 6 é para o leitor humano. Uma recrutadora que vê “alavanquei” e “impulsionei” em bullets consecutivos lê o currículo como saída de máquina, e o ganho em palavras-chave não compensa isso.

Prompt 4: uma autoverificação que sinaliza afirmações inventadas

Abra um chat novo para este. Um modelo convidado a avaliar as próprias edições na mesma conversa tende a defendê-las. Uma sessão nova vê dois documentos e nada mais.

Você está auditando um currículo personalizado contra o currículo
principal do qual ele foi construído. Encontre toda afirmação na versão
personalizada que o principal não sustenta.

Devolva uma tabela com:
1. Texto personalizado (citado)
2. Texto mais próximo no principal (citado), ou "nenhum"
3. Problema: número novo, número alterado, ferramenta nova, ferramenta
   trocada, cargo alterado, data alterada, formação alterada,
   senioridade inflada ou afirmação sem respaldo
4. Gravidade: alta (um fato que uma checagem de referências poderia
   contradizer) ou baixa (redação)

Confira estes pontos em especial:
- Todo número, porcentagem, valor em moeda e duração na versão
  personalizada precisa aparecer no principal.
- Todo nome de ferramenta, linguagem e plataforma precisa aparecer no
  principal.
- Todo empregador, cargo, período e formação precisa bater com o
  principal caractere por caractere.
- Sinalize qualquer frase cujo sentido seja mais amplo que a fonte.

Se não encontrar nada, diga "Nenhuma afirmação sem respaldo encontrada"
e liste as cinco mudanças que você examinou com mais atenção.

Currículo principal:
[cole o currículo principal]

Currículo personalizado:
[cole o currículo personalizado]

A última instrução impede o modelo de devolver uma tabela vazia só para te agradar. Se ele precisa mostrar o trabalho, lê com mais cuidado.

Modos de falha, e como pegar cada um

Mesmo com os prompts acima, você vai ver estes. Cada um tem uma checagem mecânica que leva menos de um minuto.

Métricas inventadas. O modelo adiciona “reduzi a latência em 40%” a um bullet que dizia “reduzi a latência”. Pegue isso listando todo número da versão personalizada e procurando cada um no principal. Uma regex de dígitos (\d) em um editor de texto encontra todos; qualquer número sem correspondência volta para a redação original.

Datas ou cargos alterados. Uma reescrita derruba o mês de “mar 2022” ou transforma “Software Engineer II” em “Senior Software Engineer”. Pegue isso colando as linhas de cabeçalho dos dois currículos (cargo, empregador, datas) em duas colunas e comparando. Datas e cargos precisam ser idênticos, caractere por caractere.

Ferramentas trocadas. Você escreveu MySQL; a vaga diz PostgreSQL; a reescrita diz PostgreSQL. Pegue isso extraindo todo termo técnico com maiúscula da versão personalizada e conferindo cada um contra o principal. O Prompt 4 faz isso, e uma leitura rápida da seção de habilidades também.

Enchimento de palavras-chave. A lista de habilidades cresce de doze itens para trinta, cada um tirado da vaga, metade sem nenhum bullet por trás. Uma recrutadora percebe de relance. Pegue isso exigindo que cada habilidade da lista apareça em pelo menos um bullet. O guia de palavras-chave para currículo cobre onde as palavras-chave entram e quantas é demais.

Senioridade inflada. “Ajudei a projetar” vira “arquitetei”. Pegue isso procurando na versão personalizada por liderei, fui dono, arquitetei e conduzi (ou lead, led, owned, architected e drove, se o currículo é em inglês) e conferindo se o principal usou cada um.

Escopo ampliado. “Mantive o serviço de pagamentos” vira “fui dono da plataforma de pagamentos”. Nenhuma palavra isolada é falsa, e a frase é. A regra “mais amplo que a fonte” do Prompt 4 existe para este caso. É o mais difícil de pegar com regex, então leia cada bullet reescrito uma vez com o original ao lado.

Qual IA é melhor para personalizar currículo?

Se você está escolhendo uma IA para personalizar currículo, qualquer modelo atual de um grande provedor dá conta destes prompts. O trabalho de personalizar é seleção e redação, e a diferença entre um resultado bom e um ruim vem da estrutura do prompt e da sua revisão. A posição do modelo no ranking importa menos que qualquer um dos dois. Eu não rodei um benchmark entre modelos para esta tarefa e não vi nenhum confiável publicado, então não vou ranqueá-los.

Duas coisas importam.

Saída estruturada. Os prompts acima pedem tabelas e pares rotulados. Modelos grandes hospedados devolvem como pedido. Modelos pequenos, incluindo os que você consegue rodar em um notebook pelo Ollama, penam com saída estruturada desse tipo. As notas de design do Resume Matcher registram a mesma constatação para o próprio formato de edição: modelos menores têm dificuldade de produzir edições estruturadas válidas, e o resultado é uma mudança rejeitada. Se você quer um modelo local, comece com um de tamanho médio e espere ter que repetir.

Custo por chamada. Cada um dos quatro prompts envia seu currículo inteiro. Com uma assinatura de chat para consumidor, esse custo é fixo. Com acesso via API, um modelo maior custa mais por chamada para uma tarefa que um menor consegue fazer. Como referência, a página Configurações do Resume Matcher sugere estes padrões: GPT-5 Nano para OpenAI, Claude Haiku 4.5 para Anthropic, Gemini 3 Flash para Google e Gemma 3 4B para Ollama. Você pode digitar qualquer nome de modelo que o seu provedor ofereça. Cada um desses padrões é um modelo pequeno, o que combina com uma tarefa que exige mais obediência a regras do que prosa.

Qual modelo do Claude é melhor para personalizar currículo?

A mesma resposta vale. Claude Haiku 4.5 é o padrão que a página Configurações do Resume Matcher sugere para a Anthropic. A tarefa é edição estruturada dentro de regras rígidas, e um modelo menor custa menos por chamada para isso. Se você já paga por um modelo maior do Claude e prefere a prosa dele, use; os prompts e as checagens são os mesmos.

Quando copiar e colar prompts para de escalar

Os quatro prompts funcionam bem para uma candidatura. Na quinta, o atrito aparece. Você cola o mesmo currículo principal em quatro prompts, depois cola a saída em um documento, depois roda a auditoria, depois corrige os dois números inventados, depois exporta um PDF cuja formatação você ajustou à mão da última vez. Cada candidatura custa vinte minutos de copiar e colar, e o currículo principal vive em um histórico de chat onde você não encontra a versão do mês passado.

Um harness elimina a cópia e transforma as regras dos prompts em código. O Resume Matcher é o que eu mantenho: gratuito, open source sob a licença Apache 2.0 e usado por mais de 200 mil candidatos. Ele roda na sua máquina com o modelo que você já tem. As partes relevantes para este post:

• O modelo propõe edições; o código confere. O modelo devolve mudanças pontuais, cada uma com o texto original citado, e o código verifica se a citação bate com o currículo antes de aplicar. É a regra de antes e depois do Prompt 3, imposta por código.
• Campos travados. Seu nome, dados de contato, empregadores, cargos, datas, instituições e formação não podem ser alterados pelo modelo. Edições que miram esses campos são rejeitadas.
• Números novos são revertidos. Uma passagem final compara todo número de uma linha reescrita com a fonte. Qualquer número que não estava lá antes manda a linha de volta para o original. É a checagem de números do Prompt 4, automatizada.
• Revisão de antes e depois. Você vê um diff de cada mudança e a contagem das de alto risco, depois escolhe Confirmar e salvar ou Rejeitar e regenerar para a prévia inteira. Não existe aceite por mudança, então se uma edição está errada você regenera.
• Uma exceção deliberada. O modelo pode adicionar uma habilidade à sua lista se a vaga cita essa habilidade pelo nome como obrigatória ou desejável. Essas adições são sinalizadas como alto risco na prévia para você poder rejeitar. É o único lugar em que a ferramenta adiciona conteúdo que você não escreveu, e está lá porque bater com uma habilidade citada é o objetivo de personalizar. Apague qualquer uma que ela adicionar e que você não consiga sustentar com um bullet.
• Verbos simples, por código. Depois de personalizar, uma passagem local remove 59 expressões batidas, “spearheaded” e “leveraged” entre elas, a menos que a própria vaga as use.
• Currículos principais e templates. Você mantém até cinco currículos principais, um por trilha de carreira, e a personalização nunca os sobrescreve. Sete templates exportam um PDF baseado em texto, impresso a partir de HTML real por um navegador headless, para que um parser consiga ler cada palavra.

Para conectar o modelo que você já usa, veja traga sua própria chave de API. Anthropic, OpenAI, Gemini, DeepSeek, OpenRouter, Groq, Azure AI Foundry e Ollama funcionam, assim como qualquer servidor local compatível com a API da OpenAI.

Seja com os prompts ou com o harness, a regra é a mesma: o modelo reescreve, e você confere contra o principal. Um modelo não tem como saber o que você fez. Você tem.

Se isso ajudou

Se estes prompts te pouparam um ou dois bullets ruins, uma estrela no Resume Matcher no GitHub ajuda outros candidatos a encontrá-lo. Você pode me seguir, Saurabh Rai, no GitHub, no X e no LinkedIn.