Blog

Publicações

14 publicações

Pontes Criativas entre Domínios: Como Automatizar Conexões Inesperadas

Criatividade, no fundo, é conectar coisas que ninguém conectou antes. Quando alguém percebe que a estrutura de um átomo se parece com a de um sistema solar, isso é uma ponte criativa entre física nuclear e astronomia. Quando alguém aplica princípios de evolução biológica para otimizar algoritmos, isso é outra. A pergunta que me intrigou foi: dá para automatizar esse processo? Dá para um sistema olhar para dois domínios de conhecimento separados e encontrar conexões estruturais entre eles? A re

13 de mai. de 2026pythonaicreativity

Entropia como Motor de Aprendizado: Quando a IA Sabe que Não Sabe

Como uma IA sabe que não sabe algo? Parece filosófico, mas é um problema prático com solução matemática. Se o sistema tem uma crença com 50% de chance de ser A e 50% de ser B, ele está genuinamente incerto. Se tem 95% A e 5% B, está quase certo. A diferença entre esses dois estados é quantificável com uma única métrica: entropia de Shannon. E essa métrica pode ser usada como motor de aprendizado: alta entropia significa "preciso aprender mais sobre isso". Uso entropia como combustível do siste

13 de mai. de 2026pythonaimath

Serviços Auxiliares e o Aprisionamento por Acoplamento

Uma squad constrói um worker de relatório. Faz sentido: ela precisa de relatórios. Com o tempo, o worker começa a conhecer o schema do banco da squad, os identificadores internos do domínio, as regras de formatação específicas daquele negócio. O worker e o serviço que o invoca ficam tão entrelaçados que qualquer manutenção em um exige conhecimento do outro. Agora só essa squad consegue mexer nos dois. E, quando outra squad precisa de relatórios, ela constrói o próprio worker do zero, com os mesm

12 de mai. de 2026

WorldNodes: Organizando Conhecimento em Mundos que Evoluem

Como organizar o conhecimento de uma IA que conversa sobre programação, culinária, investimentos e história no mesmo dia? Se você jogar tudo em um único grafo, vira uma sopa onde "Python" (linguagem) se mistura com "Python" (cobra) e "receita" (culinária) se confunde com "receita" (médica). A solução que encontrei é separar o conhecimento em mundos temáticos que evoluem independentemente, cada um com seu próprio grafo, centroide vetorial e maturidade. Chamo esses mundos de WorldNodes. Cada um

12 de mai. de 2026pythonaiarchitecture

Distribuições de Hipóteses: Modelando Incerteza em vez de Respostas Absolutas

A maioria dos sistemas de IA trata conhecimento como binário: sabe ou não sabe, verdadeiro ou falso. Mas pergunte a qualquer especialista "qual a melhor linguagem de programação?" e a resposta será "depende". Não existe uma resposta certa, existem múltiplas hipóteses com probabilidades diferentes dependendo do contexto. Como modelar isso computacionalmente sem perder a nuance? A estrutura que uso é uma HypothesisDistribution: um conjunto de até 8 hipóteses competindo entre si, cada uma com sua

12 de mai. de 2026pythonaimath

Fusão Automática de Mundos: Quando Dois Contextos se Tornam Um

Dois mundos no seu grafo de conhecimento falam sobre a mesma coisa mas com nomes diferentes. Um se chama "Machine Learning" e outro "Aprendizado de Máquina". Ambos têm triplas sobre redes neurais, gradient descent e overfitting. Manter os dois separados é desperdício: duplica informação, fragmenta contexto, e impede que inferências cruzem os dados de ambos. A solução é detectar automaticamente quando dois mundos convergiram e fundi-los em um só, combinando seus grafos de forma inteligente. Imp

12 de mai. de 2026pythonaialgorithms

Inferência Simbólica sobre Grafos: Transitividade, Herança e Contradições em Python

Se Paris é a capital da França, e a França fica na Europa, então Paris fica na Europa. Você fez essa inferência em milissegundos sem pensar. Mas como ensinar uma máquina a fazer o mesmo de forma confiável? LLMs até conseguem, mas de forma probabilística: às vezes acertam, às vezes inventam, e você nunca sabe qual dos dois aconteceu. A alternativa é implementar regras de inferência simbólica sobre um grafo de conhecimento, onde cada dedução é rastreável, explicável e determinística. Eu implemen

12 de mai. de 2026pythonaireasoning

Sistema de Curiosidade Autônoma: IA que Busca o que Não Sabe

A maioria das IAs só fala quando você pergunta. São reativas por natureza: input entra, output sai, fim. Mas e se a IA olhasse para o próprio grafo de conhecimento, percebesse que tem lacunas, formulasse perguntas sobre essas lacunas, pesquisasse na web e integrasse os resultados sozinha? Sem ninguém pedir. Só porque detectou que não sabe algo que deveria saber. Eu implementei esse comportamento usando entropia como sinal de ignorância. A cada 60 segundos, o sistema varre todas as crenças do g

12 de mai. de 2026pythonaiautomation

Modelando um Portfólio de Criptomoedas - Posições, P&L em Tempo Real e Price Alerts!

O usuário comprou 0.3 BTC a 50 mil em janeiro e 0.2 BTC a 70 mil em março. Quanto ele está lucrando? Depende. Se você modelou como saldo ("o usuário tem 0.5 BTC"), não tem como responder porque perdeu a informação de preço de cada compra. Se modelou como posições separadas, a resposta é imediata: a primeira compra está com lucro de X%, a segunda com prejuízo de Y%. Essa decisão de modelagem no dia zero determina se o sistema vai funcionar ou virar uma bola de gambiarras. Guia de tópicos: *

9 de mai. de 2026cryptobackendarchitectureprogramming

WebSockets em Go na Prática - Streaming de Dados, Reconnect e Fan-out com Goroutines!

Dez criptomoedas. Atualizações a cada segundo. Salvar no banco, verificar alertas de preço e repassar para todos os clientes conectados no frontend ao mesmo tempo. Quando montei esse pipeline pela primeira vez, a conexão com a Binance caía a cada 2 horas e o sistema simplesmente parava de receber dados sem ninguém perceber. O preço no frontend congelava e só descobríamos quando um usuário reclamava. O problema não era abrir a conexão WebSocket, isso qualquer tutorial ensina. O problema era mante

9 de mai. de 2026gowebsocketrealtimeprogramming

Repository Pattern com Múltiplos Bancos - PostgreSQL e InfluxDB no Mesmo Projeto!

Três milhões de registros de preço em 30 dias. Era isso que acontecia quando eu monitorava 10 criptomoedas a cada 10 segundos e jogava tudo no PostgreSQL. As queries de "me dá o histórico dos últimos 7 dias" começaram a demorar 4 segundos, e criar índices e particionar tabelas só adiava o inevitável: banco relacional não foi feito para séries temporais em alta frequência. A solução foi usar dois bancos, cada um para o que faz melhor. Mas aí veio o desafio real: como organizar o código para que e

9 de mai. de 2026godatabasebackendprogramming

Dependency Injection em Go com Google Wire - Guia Prático de Injeção de Dependências Automática!

Oitenta linhas de main.go só para instanciar repositórios, use cases e controllers na ordem certa. Adicionou um parâmetro novo no construtor do AuthUseCase? Parabéns, agora precisa atualizar o main, o teste de integração e aquele outro lugar que você esqueceu. Esse era o meu dia a dia antes de usar o Google Wire. O projeto tinha 10 controllers, 8 use cases e 12 repositórios, e conectar tudo manualmente virou um trabalho que consumia mais tempo do que escrever lógica de negócio. Neste artigo vou

9 de mai. de 2026godependencyinjectionbackendprogramming

Clean Architecture em Go na Prática - Guia Completo de Separação de Camadas com Projeto Real!

Já abriu um projeto de 6 meses atrás e não conseguiu entender onde ficava a lógica de negócio? Eu já. Controller com 200 linhas fazendo query no banco, validação, cálculo e formatação de resposta tudo junto. Qualquer mudança quebrava 3 coisas que não tinham relação aparente. O problema não era o código em si, era a falta de separação clara entre o que é regra de negócio e o que é detalhe técnico. Este artigo mostra como resolvi isso num projeto real de crypto tracker usando Clean Architecture em

9 de mai. de 2026gocleanarchitecturebackendprogramming

Menos Prompts, Mais Software — Como Transformar Fluxos de IA em Código Real

Todo time que trabalha com LLMs chega num ponto parecido: você começa descrevendo o que quer que o modelo faça num arquivo .md. Um fluxo aqui, uma instrução ali, talvez uma cadeia de passos com condicionais. Funciona. O problema é que esse .md vira um prompt que roda dezenas, centenas, às vezes milhares de vezes por dia e cada execução consome tokens, adiciona latência e aumenta a conta no final do mês. A pergunta certa não é "como eu escrevo um prompt melhor". É: o que impede esse fluxo de vi

7 de mai. de 2026