Engenheiro de IA focado em produção. Construo sistemas que continuam mensuráveis e verificáveis quando o LLM falha: agentes, RAG, avaliação, observabilidade e produtos de IA aplicados a problemas reais.
Minha stack principal é Python, FastAPI, LangGraph, PyTorch, PostgreSQL, Qdrant e Neo4j.
🔨 Forgehand — engenharia de agentes
Plataforma multiagente para entrega de software com fan-out paralelo, execução
durável, gates humanos e um judge LLM subordinado a verificações objetivas como
pytest, ruff e mypy.
- Operação: circuit breakers de custo, tempo e tentativas; tracing OTel/Langfuse
- Confiabilidade: checkpoints em PostgreSQL e retomada após interrupções
- Evidência: piloto reproduzível com metodologia e limitações
🚗 AutoDiag — IA em um produto vertical
Diagnóstico OBD2 para veículos 2015+, distribuído como pacote Python. Combina protocolo automotivo, CLI, FastAPI, SSE, SQLite e análise opcional por LLM.
- Experimente sem hardware:
pip install autodiag && autodiag scan --demo - Produto: leitura de DTCs/PIDs/VIN, histórico e interface web local
- Distribuição: pacote publicado no PyPI
🇧🇷 mcp-dados-br — dados públicos para agentes
Servidor MCP com ferramentas para consultar IBGE, Banco Central, INMET, Câmara dos Deputados e Senado Federal a partir de assistentes de IA.
- Instalação:
uvx mcp-dados-br - Adoção: publicado no PyPI, MCP Registry e Smithery
- Engenharia: cache, retry, transporte stdio/HTTP, testes offline e Docker
| Área | Projeto | Evidência principal |
|---|---|---|
| RAG mensurável | Enterprise RAG System | Busca híbrida, scores por estágio, Recall@K/MRR e API interativa |
| Fine-tuning | LoRA TweetSumm | T5 + LoRA, ablação de rank, ROUGE e demo no Hugging Face |
| GraphRAG | TechScout AI | Grafo + busca textual/vetorial, baseline versionado e demo |
| Saúde pública | SRAG Health Monitor | Relatórios epidemiológicos auditáveis, API, worker e guardrails |
| Engenharia de LLMs | llm-course | Curso aberto em português com 19 módulos e laboratórios reproduzíveis |
| GovTech | vigia-licitacoes | Monitor do PNCP com regras YAML, deduplicação e alertas no Telegram |
- Avaliação antes de afirmação: datasets e baselines versionados, Recall@K, MRR, ROUGE e análise explícita das limitações
- Degradação graciosa: backends simulados e caminhos determinísticos para executar e testar sem depender de modelos externos
- Produção verificável: testes automatizados, CI, Docker, health checks, retries e execução durável
- Observabilidade: custo, latência, falhas e decisões rastreados por execução
Forward Deployed AI Engineering: transformar problemas de negócio em sistemas de IA confiáveis, observáveis e mensuráveis.