AI Platform
Camada de agentes, gateway MCP em Go e busca na base de conhecimento.
Eliseu Santos · Aracaju
Oi, eu sou o Eliseu.
const eliseu = agent({ role: 'Tech Lead · AI Platform', focus: ['agentes', 'MCP', 'RAG'], stack: ['Go', 'Python', 'TypeScript'], guardrails: { evals: true, rollout: 'gradual' }, ship: () => 'produção, com testes e review',});// sem confiança? passa pra uma pessoa handoff → atendente
tools.call
01 Como trabalho com IA
Da issue ao pull request
Em cima de um gateway MCP em Go que eu idealizei roda um agente que pega uma issue e abre o PR.
-
01
Issue
Alguém do time abre uma issue do jeito de sempre: o problema e o que precisa estar pronto no fim.
-
02
Contexto
Antes de mexer no código, o agente lê a documentação e os ADRs do serviço. Sem esse contexto ele chuta.
-
03
Ferramentas via MCP
Repositório, CI e logs chegam ao agente pelo gateway MCP. Ele só enxerga as ferramentas liberadas para ele.
-
04
Pull request
O agente abre o PR com a mudança, os testes e uma descrição do que fez.
-
05
Review
Uma pessoa do time revisa como revisaria qualquer outro PR e decide se entra.
02 Plataforma
Onde eu mexo no dia a dia
Agente só funciona se banco, fila e deploy estiverem funcionando. Antes de chegar na IA eu passei por todas essas camadas.
Backend
Serviços em Go e NestJS, mensageria com RabbitMQ.
Infra
Kubernetes com ArgoCD e Datadog para saber o que está acontecendo.
Multi-tenant
Vários clientes no mesmo sistema, com identidade centralizada e feature flag por cliente.
Frontend
Foi onde passei a maior parte da carreira, de React a design system.
Liderança
Padrão de arquitetura, review, ADR e acompanhar o crescimento de cada pessoa do time.
03 Escrita
Artigos recentes
Escrevo sobre o que aparece no trabalho: IA no dia a dia do time, estabilidade, arquitetura e carreira.
RAG no navegador custa 23 MB de download: como eu decidiria entre WebGPU e backend
Montei uma busca semântica que roda inteira no navegador, com WebGPU e fallback para WASM. O servidor de inferência sai da conta, mas entram 23 a 45 MB de modelo, o aparelho do usuário e um modelo treinado em inglês. Um guia curto de quando vale.
Meio segundo de tela congelada: a main thread é o gargalo do seu produto de IA
Rodei a mesma conta na main thread e num Web Worker: a tela congelou até 617 ms de um lado e ficou em 16,8 ms do outro, gastando a mesma CPU. Parsear stream, markdown e JSON de LLM no lugar errado custa experiência e, no fim, token.
Streaming UI pra LLM: o que a tela do agente faz quando a conexão cai no oitavo token
Montei uma demo em que a resposta do modelo cai no meio, de propósito. Cancelar, retomar e mostrar o erro são decisões de produto, e quando a tela aprova uma ação do agente elas viram contrato da plataforma de IA, com idempotência no backend.
04 Trajetória
Por onde passei
>_ contato
Quer conversar?
Pode ser sobre um projeto, uma consultoria ou só para trocar ideia sobre agentes em produção. Costumo responder em até dois dias úteis.