CV-Matcher (ATS Predictor Neural)

Plataforma em FastAPI para diagnóstico preditivo de aderência profissional. Realiza extração de texto de currículos em PDF, otimização semântica, cálculo de similaridade vetorial via embeddings NVIDIA e auditoria neural com modelos DeepSeek avançados.

🚀 Funcionalidades Refatoradas

• Upload e Processamento Seguro: Validação de magic bytes (%PDF), controle de tamanho máximo de upload (10MB) e proteção contra XSS no front-end.
• Fluxo Assíncrono via BackgroundTasks: O pipeline de análise roda em background, com polling em tempo real no dashboard visualizando o andamento etapa por etapa.
• Persistência Robusta em SQLite: Armazenamento seguro de vagas e do histórico de análises em data/ats.db.
• Auditoria Preditiva Precisa: Integração validada com o catálogo NVIDIA (deepseek-ai/deepseek-r1 e deepseek-ai/deepseek-v3) e fallback robusto para meta/llama-3.3-70b-instruct.
• Configurações Centralizadas: Gestão profissional de variáveis de ambiente com pydantic-settings.
• Observabilidade e Qualidade: Logging estruturado JSON, proteção contra abusos via rate limiting (slowapi) e suíte completa de testes automatizados (pytest).

📁 Estrutura do Projeto

cv-matcher/
├── app/
│   ├── config.py          # Central de configurações (pydantic-settings)
│   ├── database.py        # Conexão e persistência SQLite
│   ├── logger.py          # Logging estruturado em JSON
│   ├── main.py            # Rotas FastAPI e controle de pipeline
│   ├── static/
│   │   ├── app.js         # Lógica assíncrona do dashboard (polling, validações)
│   │   └── style.css      # Design System (Tema Dark Ocean)
│   └── templates/
│       └── index.html     # Interface do Dashboard
├── data/
│   └── ats.db             # Banco de dados SQLite gerado automaticamente
├── tests/
│   └── test_api.py        # Suíte de testes automatizados
├── requirements.txt       # Dependências de produção fixadas
├── requirements-dev.txt   # Dependências de desenvolvimento e teste
├── Dockerfile             # Imagem otimizada para produção
├── docker-compose.yml     # Orquestração para deploy na nuvem
├── .env.example           # Modelo de variáveis de ambiente
└── README.md

💻 Execução Local

Opção 1: Ambiente Virtual (Python 3.11+)

1. Clone o repositório e crie o ambiente virtual:

   python -m venv .venv
   source .venv/bin/activate  # Linux/macOS
   # .venv\Scripts\activate   # Windows PowerShell

2. Instale as dependências:

   pip install -r requirements.txt
   pip install -r requirements-dev.txt

3. Configure as variáveis de ambiente (copie .env.example para .env):

   cp .env.example .env
   # Edite o arquivo .env inserindo sua NVIDIA_API_KEY

4. Inicie o servidor:

   uvicorn app.main:app --reload

5. Acesse http://localhost:8000.

Opção 2: Docker Compose

docker compose up --build

Acesse http://localhost:8000.

☁️ Deploy na Oracle Cloud VM

1. Na sua VM da Oracle Cloud (Ubuntu/Oracle Linux), certifique-se de ter o Docker e Docker Compose instalados.
2. Clone o repositório para a VM.
3. Crie e configure o arquivo .env na raiz do projeto com sua NVIDIA_API_KEY e defina APP_ENV=production.
4. Inicie o contêiner em modo detached:

   docker compose up -d --build

5. Configure as regras de firewall da VM (Ingress Rules na Oracle Cloud VCN e ufw/iptables local) para liberar a porta 8000 (ou configure um proxy reverso como Nginx apontando para localhost:8000).

🧪 Testes e Qualidade

Para rodar a suíte de testes automatizados e validação de código:

# Executar testes
pytest -v

# Verificar linting e formatação com ruff
ruff check .