Formação Inteligência Artificial

As 5 etapas da adoção de IA23:51

Classifica a adoção de IA pelos devs em cinco níveis, de L0 (hater) a L4 (fábrica com pipelines autônomos), e defende sair do modo babá (L2) para o de gerente (L3), citando o Devin disparado por tickets do Linear.

Os mitos da produtividade25:06

Sustenta que código escrito por IA não é sinônimo de produtividade, lista nove ganhos reais (testes, padrões, segurança, revisão) e alerta que a pressão por entrega cresceu e quem não se adaptar perde espaço.

Nosso papel mudou definitivamente11:27

Defende que o novo dev mistura analista de negócio e líder técnico, com o caso de um plano de contas de ERP escolar com atribuição automática por palavra-chave; o resultado vem de modelo, harness, técnica e conhecimento.

O que mudou no SaaS com a chegada da IA?18:40

Percorre 80 anos de computação até a IA e defende que o software passa a captar a intenção do usuário: o núcleo determinístico fica, a interação muda, com o harness como novo navegador e o MCP como nova API.

Fundamentos das LLMs16:08

Explica a LLM como gerador de tokens sobre a arquitetura transformer: tokenização (no OpenAI Tokenizer, comparando inglês e português), embeddings, atenção, temperatura e top-k, e por que o cache baixa o custo.

Modelos para codificação10:53

Compara doze modelos para código por preço e contexto (Fable 5, Opus 5, GPT-5.6 Sol, Terra e Luna, Kimi K3, GLM 5.2) e usa o ranking do Agent Arena e o OpenRouter para escolher o modelo de planejar e o de executar.

Degradação de contexto05:28

Mostra pelo teste MRCR do GPT-5.4 que a precisão cai de 97% para 37% perto de 1M tokens, que a compactação perde informação, e recomenda quebrar a tarefa e trabalhar na faixa de 300 a 400 mil tokens.

Reasoning04:24

Explica o reasoning como tokens internos de raciocínio, herdeiro do chain of thought: o preço por token não muda, mas o volume sim; high ou xhigh para planejar, medium para executar uma especificação clara.

Modelos locais10:19

Defende que modelo local só compensa por conformidade, escala ou aprendizado, dado o custo do hardware (um kit de H100 a US$ 230 mil), e demonstra o Ollama rodando Qwen3-VL 2B pela CLI e por API num script TypeScript.

Fundamentos12:48

Define harness como tudo ao redor do modelo (contexto, tools, guardrails) e prova, chamando o DeepSeek V4 Flash pelo OpenRouter num script TypeScript, que a LLM é stateless e não acessa arquivos sozinha.

Desenhando o funcionamento17:43

Desenha o harness por dentro: contexto com papéis user e assistant, sessões trocadas por /clear e /resume, system prompt com as tools e o loop agêntico de tool call e tool return corrigindo um hello world.

Precificação16:05

Compara planos e preços de Claude Code, Codex, Cursor, GitHub Copilot, Devin, Trae, Antigravity e Kiro; recomenda Codex e Claude Code pelos limites que resetam e por fabricarem o modelo, com Cursor em terceiro.

Comparando Claude Code e Codex18:25

Roda o mesmo prompt de painel de clima com a API Open-Meteo no Claude Code (Sonnet 5) e no Codex (GPT-5.6 Terra), ambos em reasoning médio, e compara tempo, tokens (67 mil contra 22 mil), visual e código.

A importância dos guias e sensores22:27

Context engineering é dar à LLM a informação certa na hora certa: guias (comandos, padrões, arquitetura, antipadrões) antecipam o erro e sensores (testes, linters, navegador, logs, banco) permitem autocorreção.

Estruturando o user harness13:55

Monta no diagrama o user harness em volta do harness: rules no AGENTS.md ou CLAUDE.md, sempre carregadas; skills carregadas sob demanda, como a Impeccable; e MCPs ou CLIs que expõem tools de Slack, Linear e GitHub.

O que acontece quando não temos rules?12:31

Sem rules, o Codex monta um painel de clima com a API Open-Meteo que funciona, mas joga tudo num arquivo, sem testes e quebrando responsabilidade única. A aula defende rules como memória de longo prazo do projeto.

A importância do AGENTS.md11:26

Cria com IA um AGENTS.md na raiz do monorepo com pastas, portas e comandos de instalar, rodar e testar. Defende rule como restrição e "como este projeto faz", e sugere symlink do AGENTS.md para CLAUDE.md.

Definindo as rules do projeto39:16

Escreve rules separadas em .agents/rules ligadas ao AGENTS.md: padrões de código vindos de Clean Code e Refactoring, testes FIRST com 80% de cobertura em Vitest e Playwright, React, pastas, Node e TypeScript.

O impacto das rules no código14:47

Roda o mesmo prompt do painel de clima com as rules: o código sai em camadas e no padrão, mas sem testes até a regra de testes ser reforçada com tag de crítico e menção no AGENTS.md. Custo: 60 mil tokens contra 44 mil.

Como as skills funcionam?10:40

Skill é uma rule carregada sob demanda em três níveis: frontmatter sempre no contexto, SKILL.md quando acionada e recursos conforme a necessidade. Rule fica para restrição que vale sempre, skill para know-how ocasional.

Economizando tokens com a skill Caveman08:13

Mostra o skills.sh para escolher skills auditadas e instala a Caveman com npx skills add no projeto. No modo ultra, o Codex responde de forma telegráfica enquanto implementa a troca entre Celsius e Fahrenheit.

Dando um salto na UI/UX com a skill Impeccable11:11

Instala a Impeccable e pede um visual futurista para o app de clima; ela gera PRODUCT.md e DESIGN.md e refaz o layout. No redesign sóbrio para enterprise, abre um painel local para escolher a direção visual.

Migrando rules para skills09:06

Usa o skill-creator para converter a rule de React numa skill do projeto, com exemplos em references e dez boas práticas novas. Reforça no AGENTS.md o uso dela no front-end e cria um componente de erro com ela.

Estrutura dos MCPs04:14

Explica o Model Context Protocol: o harness é o host e abre clientes que falam com servidores. Compara stdio, para ferramentas locais, com HTTP Streamable, para apps em nuvem, e nota CLIs substituindo MCPs locais.

Implementando MCPs Stdio13:17

Escreve com Bun e o SDK oficial um MCP stdio que gera número aleatório, com parâmetro de limite validado por Zod, e registra no Claude Code com claude mcp add. O Codex ajuda a trocar a API depreciada server.tool.

Implementando MCPs HTTP Streamable07:46

Converte o MCP de número aleatório para HTTP Streamable com Express numa rota POST /mcp e registra no Claude Code via http. Defende o MCP remoto como a nova API do software, com o harness no papel de navegador.

Caso prático: AeroBusca18:48

O Codex gera uma busca de voos Florianópolis e São Paulo com Express, Postgres no Docker e pg-promise, e depois um MCP HTTP sobre os services. No Claude Code, o MCP acha a ida e volta mais barata que cabe numa reunião.

Prompts sucessivos, Plan Mode ou Spec-Driven Development?10:40

Compara três técnicas: prompts sucessivos para exploração e ajustes pontuais, Plan Mode para tarefas médias e SDD para entregas de ponta a ponta, quebradas em tarefas de contexto isolado que podem rodar em paralelo.

Estruturando as etapas do processo de desenvolvimento (com skills)44:31

Percorre as seis skills e templates do processo: criar-prd, criar-techspec e criar-tasks no planejamento, executar-task, executar-qa e executar-review na execução, com portas dinâmicas para rodar em worktrees paralelas.

Spec-Driven Development na prática1:02:44

Faz o painel de clima de ponta a ponta: PRD, tech spec e cinco tasks com GPT-5.6 Sol em xhigh, implementação com Luna, e QA e review automáticos com Playwright. Misturar modelos fechou a feature por menos de 2 dólares.

Qual é o tamanho ideal das tasks?18:01

Compara as cinco tasks em janelas limpas com todas seguidas na mesma janela: a sequência reaproveita cache e gastou muito menos tokens, mas arrisca compactação e acumula skills. O tamanho certo é um balanço.

Paralelismo: fazendo 3 tarefas ao mesmo tempo com worktree53:56

Cria três git worktrees e roda o SDD em paralelo para Celsius/Fahrenheit, troca de idioma e autocomplete, planejando com Opus e GPT-5.6 Sol e implementando com Terra e Luna. Os merges com conflito ficam com o Codex.

Construindo um agente do zero: criando o CLI17:31

Define agente como harness mais LLM e começa um do zero em TypeScript com Bun: chamada HTTP à Responses API do OpenRouter com GPT-5.6 Luna, CLI com readline e extração da resposta final em meio aos itens de reasoning.

Construindo um agente do zero: montando a janela de contexto19:25

Monta a janela de contexto como array de mensagens user, assistant e system, usa o system prompt como guardrail (só português, só programação) e cria os comandos /clear e /context com contagem aproximada de tokens.

Construindo um agente do zero: chaveando o modelo e o reasoning13:57

Adiciona ao harness os comandos /model e /reasoning para trocar em tempo de execução entre GPT-5.6 Luna, MiniMax M3 e DeepSeek V4 Flash via OpenRouter, ajustar o esforço de raciocínio e ver tokens e custo com /log.

Construindo um agente do zero: conectando tools na LLM22:48

Explica function calling e o loop agêntico e registra uma tool bash no harness: o código detecta a function_call, executa o comando com execFileSync e devolve o resultado até o agente corrigir um helloWorld.js quebrado.

Introdução ao Mastra06:37

Apresenta o Mastra, framework TypeScript para montar o harness de agentes, as formas de instalação (standalone com npm create mastra ou como biblioteca com adaptadores) e o Mastra Studio, e o recomenda para produção.

Mastra Studio13:49

Cria um projeto com npm create mastra e explora no Mastra Studio o agente de clima de exemplo: chat com tool calls, scorers que avaliam as respostas, métricas de tokens e custo, traces, logs e teste isolado de tools.

Storage15:33

Cria um agente de atendimento (CX Agent) e troca o storage padrão em arquivo (LibSQL) por PostgreSQL em Docker com @mastra/pg, mantém o DuckDB na observabilidade e inspeciona via psql as tabelas que o Mastra cria.

Memória14:04

Mostra que sem Memory o agente não persiste threads e mensagens e configura working memory com escopo resource e template de perfil (id, nome, email), reaproveitando os dados do usuário entre conversas.

Título das threads08:27

Explica o resourceId como chave da working memory (recomenda usar o id do usuário) e ativa generateTitle na memória com um modelo barato, o GPT-5.4 nano, e instruções próprias para titular as conversas em português.

Tools37:14

Cria tools com createTool e schemas Zod que consultam o PostgreSQL via pg-promise: identificar o cliente por nome e email, listar faturas em atraso e gravar o consentimento LGPD, com o prompt encadeando as chamadas.

Fundamentos12:44

Explica quando o RAG ainda compensa diante de modelos com 1 milhão de tokens de contexto, como em grandes acervos sem ligação explícita (livros), e apresenta os dois pipelines: ingestão (chunking e embeddings) e busca.

com Pedro Nauck

Pipeline07:03

Detalha o pipeline de ingestão: converter as fontes para Markdown, quebrar em chunks, gerar vetores com um modelo de embedding como o text-embedding-3-small e gravar num banco vetorial que precisa ser atualizado.

com Pedro Nauck

Busca com RAG04:42

Compara uma pergunta respondida só pelo treinamento do modelo com a busca com RAG, que vetoriza o prompt, recupera os chunks semelhantes no banco vetorial e enriquece o contexto, e mostra as APIs de RAG do Mastra.

com Pedro Nauck

Chunking04:33

Discute como o tamanho do chunk afeta precisão e contexto e compara estratégias (tamanho fixo, por frase, por parágrafo, por estrutura, semântica, hierárquica), recomendando tamanho fixo com overlap de 10% a 25%.

com Pedro Nauck

Embedding02:59

Explica embedding como a representação vetorial que aproxima textos de significado parecido, o que permite buscar por sentido e não por palavra exata, como 'azul' e 'blue' ficando próximos no espaço vetorial.

com Pedro Nauck

Vector Databases05:01

Mostra que a maioria dos bancos já oferece busca vetorial (PgVector, MongoDB, Redis 8 com vector sets), destaca o Redis para buscas rápidas e as APIs do Mastra para criar índices, inserir e consultar vetores.

com Pedro Nauck

Implementação1:04:26

Implementa um RAG com Mastra sobre os oito livros de Harry Potter em Markdown: chunking recursivo com overlap, embeddings em lote, índice em LibSQL e um agente Sorting Hat com createVectorQueryTool que cita os trechos.

com Pedro Nauck

Qual é o problema com a gestão de conhecimento?11:44

Parte das limitações da memória humana e da história das memórias externas, do Memex e do Zettelkasten à web, à wiki e ao Second Brain de Tiago Forte, para mostrar que o difícil é manter a organização atualizada.

Conheça o LLM Wiki20:17

Apresenta o LLM Wiki de Andrej Karpathy: a LLM mantém uma wiki em Markdown a partir de fontes imutáveis em raw/, no formato OKF do Google, com index, log e as operações ingest, query e lint.

Estruturando o processo no AGENTS.md12:37

Percorre um template de AGENTS.md que une o LLM Wiki à especificação OKF v0.2: papel de raw/ e wiki/, frontmatter dos conceitos, regras de citação, as operações ingest, query e lint e o formato de index e log.

INGEST: Ingerindo fontes de conhecimento da área de marketing08:29

Usa o Codex com GPT-5.6 Luna para ingerir em etapas dez documentos fictícios de marketing da NexoERP, gerando resumos de fontes, entidade e conceitos com frontmatter OKF, links cruzados, índice e log.

QUERY: criando anúncios05:50

Só com o contexto da wiki, uma query gera a estrutura de anúncio para pequenas empresas, salva como novo conceito, e depois cinco variações de anúncio para Instagram em Story e Post feitas em HTML e CSS.

QUERY: criando artigos de blog03:28

Pede à wiki três artigos de blog sobre as dores dos clientes, e o agente gera em wiki/output textos com meta description e público sobre planilhas, saldo versus fluxo de caixa e conciliação bancária.

QUERY: criando uma landing page05:18

Gera em HTML e CSS uma landing page da NexoERP para médias e grandes empresas a partir da wiki, usando um modelo barato (GPT-5.6 Luna), e ajusta o AGENTS.md para que os artefatos fiquem sempre em wiki/output.

LINT: reparando a estrutura05:12

Uma query vira o conceito de plano de geração de leads e o lint valida frontmatter e links, acha um HTML fora de wiki/output, corrige e evolui o AGENTS.md para pastas de saída datadas em ISO 8601.

Um pouco sobre a história23:20

Conta como o OpenClaw de Peter Steinberger nasceu de um gateway de WhatsApp e passou o Linux em estrelas, e quais forças o tornaram viável: modelos de tarefa longa, VPS barata, APIs maduras e canais de chat.

com Pedro Nauck

Comparação com outras ferramentas19:57

Separa a CLI de código efêmera (Claude Code, Codex) do runtime sempre ligado (OpenClaw, Hermes) e defende usar o segundo para orquestrar e automatizar, não para programar. Mostra o ditado por voz no Wispr Flow.

com Pedro Nauck

Complexidade arquitetural28:09

Desmonta o harness de agente autônomo em seis dimensões (loop, canais, memória em camadas, skills, segurança, observabilidade) e o compara a sistemas operacionais, bancos de dados e sistemas distribuídos.

com Pedro Nauck

Visão geral: Hermes27:16

Apresenta o Hermes Agent da Nous Research: memória em USER.md, MEMORY.md e SQLite com FTS5, skills criadas pelo uso, cron em linguagem natural, kanban e aprovação de comandos perigosos, com placar contra o OpenClaw.

com Pedro Nauck

Instalação do Hermes24:20

Instala o Hermes pelo script curl, configura o OpenRouter com DeepSeek V4 Pro, liga um bot do Telegram via BotFather com allowlist de usuário e escolhe provedores de ferramenta como Firecrawl, TTS e geração de imagem.

com Pedro Nauck

Visão geral: OpenClaw29:25

Explica o OpenClaw por dentro: gateway local que embute o runtime pi, control plane por WebSocket, adapters de canal, plugins, memória em arquivos SOUL/USER/MEMORY, ClawHub de skills e custo de rodar numa VPS pequena.

com Pedro Nauck

Configurando e usando o Slack no Hermes50:24

Liga o Hermes ao Slack por manifesto, com uma sessão por thread e transcrição de áudio, instala o MCP do Linear, testa o kanban e usa as skills do cmux para o agente abrir painéis e comandar Claude Code e Codex à vista.

com Pedro Nauck

Configurando e usando o Linear no Hermes1:31:27

Monta o fluxo ponta a ponta: issue nova no Linear dispara webhook (via ngrok e um proxy em Bun) para o Hermes, que cria tarefa no kanban, abre worktree e painel no cmux e conduz o Claude Code até o PR.

com Pedro Nauck

Palestra sobre paralelismo com Compozy1:19:47

Rodrigo Branas defende que o ganho com IA vem de processo: guias e sensores no projeto, PRD, tech spec e tarefas enxutas para não arrastar tokens. Ao vivo, o Compozy executa as tarefas no Codex enquanto ele planeja outra feature em paralelo.

com Waldemar Neto, Rodrigo Branas

Palestra sobre Second Brain1:51:50

Pedro Nauck explica o LLM Wiki de Karpathy (ingerir muitas fontes, compilar em markdown e consultar) e o distingue de RAG e de second brain de empresa. Mostra seu CLI kb com o QMD, virando um código em grafo no Obsidian e ingerindo um canal do YouTube.

com Waldemar Neto, Victor Kuster, Pedro Nauck

Como a IA mudou a forma de programar?1:38:25

Live em que Rodrigo Branas conta como programa com IA: spec-driven em entregas pequenas, contexto enxuto e sensores de validação. Defende que os modelos de ponta já superam a maioria dos devs e que o valor do dev passa a ser entender o problema.

com Wheslley Rimar Bezerra, Dennis Rojas Pereira, Rodrigo Branas

Sendo um dev na era da IA1:37:56

Conversa em que Rodrigo Branas fala de emprego, planos e custos de ferramentas para devs e desenha ao vivo como janela de contexto, tool calls, rules, skills e plan mode funcionam. Defende prompts específicos, tarefas pequenas e limpar o contexto.

com Alisson Suassuna, Rodrigo Branas

Dominando Context Engineering39:40

Palestra que corrige um bug de desconto no Claude Code com um prompt vago e um preciso, e mostra no /context a queda de 10 mil para mil tokens. Explica tool call, MCP, subagentes, plan mode, spec-driven, rules e skills para conter a degradação do contexto.

A IA não vai roubar seu emprego, mas outro dev que usa IA vai56:14

Palestra que defende que o dev será trocado por quem usa IA melhor e que a técnica pesa mais que ferramenta e modelo. Mostra memória curta, média e longa (README, rules, PRD, tech spec, tarefas) e compara prompt vago e detalhado num painel de bitcoin.