Reverse Matching Philosophy

# Source: notebook/Talent_Scout_3000x.ipynb
template = """
Eres un Mentor de Carrera Tecnológica y experto en empleabilidad joven.
Analiza el perfil de este estudiante.

Pregunta: {question}
"""

# Notice the focus on PROJECTS, not years:
pregunta = "¿Qué proyectos destacados o experiencia académica tiene este estudiante?"

# Source: notebook/Talent_Scout_3000x.ipynb (Cell 4)
from pydantic import BaseModel, Field

class PerfilEstudiante(BaseModel):
    # Personal Data
    nombre: str
    email: str
    ubicacion: str
    
    # Academic Profile (not job titles!)
    universidad: str
    carrera: str
    ciclo_actual: str  # e.g., "7mo Ciclo"
    
    # Talent Assessment
    stack_principal: list = Field(
        description="Top 5 technologies they know"
    )
    proyectos_destacados: list = Field(
        description="Academic projects, thesis, or freelance work"
    )
    
    # Evaluation
    tipo_perfil: str = Field(
        description="Backend, Frontend, Data, Fullstack, or Admin"
    )
    potencial_contratacion: str = Field(
        description="Why hire this person as an intern?"
    )

template_estudiantes = """
Eres un Experto en Empleabilidad Joven y Reclutamiento IT.

REGLAS DE EXTRACCIÓN (Enfoque en Potencial):

1. ACADÉMICO:
   - Busca el ciclo actual (ej. "VI Ciclo", "7mo", "Egresado").
   - Universidad: Extrae el nombre principal.

2. PROYECTOS (Clave para juniors):
   - Busca secciones como "Proyectos Académicos", "Freelance" o "Experiencia".
   - Extrae nombres de proyectos concretos (ej. "Sistema de Biblioteca").
   - NO pongas nombres de empresas genéricas, busca QUÉ HIZO.

3. TIPO DE PERFIL:
   - Si sabe Python + Pandas -> "Data".
   - Si sabe React + Node -> "Fullstack".
   - Si sabe Java + Spring -> "Backend".
"""

query = "Estudiantes con proyectos en Python y APIs RESTful"
results = chain.invoke(query)

REQUIREMENTS:
- 5+ years in software development
- Computer Science degree from top university
- Previous startup experience

query = "Estudiantes que hayan ganado hackathons o competencias técnicas"

# Focus on skill demonstrations, not pedigree
query = """
Estudiantes con proyectos en desarrollo fullstack,
sin importar la universidad de procedencia
"""

# Source: notebook/Talent_Scout_3000x.ipynb (Cell 4)
import glob
import pandas as pd
from langchain_core.output_parsers import JsonOutputParser

# Setup structured parser
parser = JsonOutputParser(pydantic_object=PerfilEstudiante)

# Build extraction chain
chain_extract = prompt_extract | llm | parser

# Process all CVs
resultados = []
archivos = glob.glob("cvs_estudiantes_final/*.pdf")

for pdf in archivos:
    # Load PDF
    loader = PyPDFLoader(pdf)
    pages = loader.load()
    texto_completo = "\n".join([p.page_content for p in pages])
    
    # Extract structured data
    data = chain_extract.invoke({
        "context": texto_completo,
        "format_instructions": parser.get_format_instructions()
    })
    
    resultados.append(data)
    print(f"Procesado: {data['nombre']} -> {data['tipo_perfil']}")

# Create talent database
df_talent = pd.DataFrame(resultados)

Procesado: FERNANDA PAREDES (9no Ciclo) -> Data
Procesado: XIMENA RIOS (9no ciclo) -> Fullstack
Procesado: NICOLAS PAREDES (7mo Ciclo) -> Fullstack
Procesado: LUCIANA CORDOVA (8vo ciclo) -> Fullstack
Procesado: FERNANDA MENDOZA (8vo Ciclo) -> Fullstack

# Old-school boolean search
if "5 years" in cv and "Senior" in cv and "Java" in cv:
    return "Qualified"
else:
    return "Rejected"

# Semantic understanding + context-aware analysis
query = "Students who have built production-quality web applications"
relevant_cvs = retriever.invoke(query)  # Vector similarity search
analysis = llm.analyze(relevant_cvs)    # LLM evaluates quality

# Actual output from the system:
result = {
    "nombre": "XIMENA RIOS",
    "ciclo_actual": "9no ciclo",
    "stack_principal": ["Python", "FastAPI", "Java", "React", "Spring Boot"],
    "proyectos_destacados": [
        "API RESTful para gestión financiera (FastAPI)",
        "Automatización de reportes Excel (Python + Pandas)"
    ],
    "potencial_contratacion": """
        Estudiante avanzado (9no ciclo) con experiencia práctica en 
        la creación de APIs RESTful (FastAPI) y automatización de tareas.
        Su manejo de tecnologías tanto de Backend (Java, Spring Boot) 
        como Frontend (React) la hace versátil para equipos fullstack.
        Alto potencial de aprendizaje rápido y adaptabilidad.
    """
}

# Source: notebook/Talent_Scout_3000x.ipynb (Cell 2)
# Student-focused CV structure

roles_tech = [
    "Practicante Pre-Profesional",  # Intern
    "Estudiante de Ing. Software",  # Student
    "Junior Python Developer",
    "Asistente de TI",
    "Data Analyst Trainee"
]

logros_tech = [
    "Desarrollo de un Sistema de Biblioteca Virtual",
    "Creación de una API RESTful para gestión financiera",
    "Primer puesto en Hackathon universitaria",
    "Automatización de reportes en Excel",
    "Implementación de base de datos relacional"
]

# Focused on PROJECTS, not titles
pregunta = "¿Qué proyectos destacados o experiencia académica tiene?"
# NOT: "¿Cuántos años de experiencia tiene?"

template = """
Eres un Mentor de Carrera Tecnológica.
Evalúa este estudiante basándote en:
1. Proyectos técnicos realizados
2. Stack tecnológico demostrado
3. Capacidad de aprendizaje
4. NO en años de experiencia
"""