Sistemas com LLMs, do protótipo ao uso diário.
Construo sistemas de IA que rodam em produção e são usados todo dia: agentes em tempo real, RAG multifonte e pipelines de extração com verificação independente do modelo. Pego o problema no começo e fico com ele até a operação.
Como eu penso um projeto de IA.
- 01
Arquitetura antes da ferramenta.
Fluxo, dados e pontos de falha vêm antes da escolha de modelo ou framework.
- 02
O modelo é um extrator falível.
O que importa passa por uma verificação que não depende dele, e todo erro reportado vira regra, check e teste.
- 03
Observabilidade desde o primeiro dia.
Sem o rastro de cada chamada, não dá para saber por que um agente errou.
- 04
Qualidade, latência e custo medidos juntos.
Otimizar um deles sem olhar os outros costuma piorar o sistema.
Ferramentas do dia a dia
Python · FastAPI · PostgreSQL · pgvector · LiteLLM · MCP · OpenAI API · Anthropic Claude API · Deepgram · LiveKit · Prefect · Redis · Rust · C# / .NET · SQL Server · Docker · Next.js · n8n
Da automação à IA em produção.
- 2023
Automação de tarefas administrativas com Python: extração de dados e envio automático de e-mails.
- 2024
Backend .NET e SQL Server com alto volume: busca do próximo lead em uma base com mais de 2 milhões, com resposta em até 1 segundo.
- 2026
Sistemas de IA em produção: agentes em tempo real, RAG multifonte e extração com verificação independente.