
Setive: como preparar Windows e WSL sem sobrescrever o ambiente do desenvolvedor
Planejamento puro, idempotência, verificação real e desfazer seguro: decisões de engenharia do Setive e os limites já comprovados em testes.
Blog
Notas técnicas sobre arquitetura, produtos digitais, IA e entrega de software.
Assinar por RSS
Planejamento puro, idempotência, verificação real e desfazer seguro: decisões de engenharia do Setive e os limites já comprovados em testes.

Como um configurador em Next.js transforma respostas em um site estático exportável, sem backend obrigatório, mantendo preview e produção na mesma fonte de verdade.
Como cercar um componente probabilístico com invariantes determinísticas de crédito, privacidade, idempotência, leases e custo em um produto com IA.
ScriptC compila TypeScript para binários nativos via LLVM e só embute um engine JavaScript quando você opta pelo modo dinâmico. Analisei onde ele se encaixa, o que ele não substitui e quando eu o usaria.

Código ficou mais barato de produzir com coding agents. Isso não tornou arquitetura, legibilidade e testes menos importantes — mudou onde esses princípios precisam ser aplicados.
Kimi K3 e K2.8 empurram coding agents para contexto enorme. Isso é útil, mas um repositório inteiro no prompt não substitui seleção, ferramentas, testes e um bom harness.
Kimi, Jev, Agents API e novos coding agents deixam uma coisa clara: o diferencial está migrando do modelo isolado para o harness, as ferramentas e a verificação.
Jev propõe uma camada diferente para agentes: decisões tipadas, probabilidades e confiança. O interessante não é substituir LLMs, mas parar de usá-los para tudo.
O que mudou no meu entendimento de MCP: protocolo stateless, autorização, tools, ambientes privados, Tasks e por que conectar um agente a sistemas reais é um problema de arquitetura e segurança.
Como desenhei uma pipeline local para dados corporativos sensíveis: Excel irregular, normalização, IA local, regras verificáveis, correção humana e Power BI sem transformar chatbot em fonte da verdade.
Depois de anos em JavaScript e Node.js, decidi colocar Python e FastAPI na minha stack de IA. Não por moda: por escolher a melhor fronteira para cada ecossistema.
A arquitetura e os trade-offs por trás do DevAgent: um agente que lê uma tarefa, altera o código, executa testes e entrega um pull request revisável.
Como construí o Praxis: uma única árvore de objetivos renderizada como mapa 2D, lista e constelação 3D, com progresso derivado, ciclos bloqueados, colaboração e IA opcional.
O que aprendi construindo a Flora Psicologia: SEO técnico, conteúdo sem sensacionalismo, agendamento simples, dados sensíveis e uma arquitetura pensada para confiança em vez de gatilho comercial.
Como modelei o Eurologado: IA para redigir e organizar, regras estruturadas para validar, versionamento, evidência e trilha de auditoria em um domínio regulatório.
Bastidores do portal do Estúdio Dupla Face: planta interativa, coordenadas responsivas, RLS, documentos privados com URL assinada e um site que continua de pé quando o banco falha.
Como modelei um e-commerce de impressão 3D sob demanda com preview no navegador, aprovação auditável, vinte bounded contexts e testes focados no risco físico da produção.
Como construí a Digital Tech MS: precificação configurável no servidor, orçamento, pedido imutável, aprovação de arte e um fluxo de produção que trata erro físico como risco de negócio.
Bastidores do PulseWatch: health checks, estados, thresholds, alertas multi-canal, isolamento multi-tenant e as decisões que evitam transformar monitoramento em ruído.
O que aprendi migrando um SaaS de marketing analytics para uma arquitetura orientada a eventos com Kafka, Go, ClickHouse e PostgreSQL sem parar o produto.
Como projetei meu portfólio para provar decisões de engenharia, contar casos reais e transformar experiência técnica em confiança antes da primeira conversa.