Laravel Lab 3ª Edição — Planner AI 2026

Destaques

• Modelagem do banco: goals, diagnoses, diagnoses_items com pilares (técnico/estratégico/comportamental) e tipos (doing well/need to improve), tabelas auxiliares de status e steps de Kanban (backlog/to do/doing/done), sem multi-tenancy porque cada usuário é seu próprio tenant.
• Stack rodando em Docker via Sail com PHP 8.5, Postgres com extensão pgvector (MySQL Community ainda não tem coluna vetorial nativa), Tailwind CSS v4 100% em CSS (sem tailwind.config.js) e Livewire 4 com classe, view e estilo unificados por padrão (o antigo Volt incorporado ao core).
• Uso deliberado e limitado de IA no código: Claude Code para gerar models (fillable, casts, relacionamentos) a partir das migrations, sempre revisado manualmente antes do commit — diferenciando explicitamente vibe coding de arquitetura AI-first.
• Primeira integração de IA real: pacote Prisma (multi-provider — OpenAI, Anthropic, Gemini, Ollama, Mistral, Grok, DeepSeek etc.), agente de diagnóstico com GPT-5 Mini e saída estruturada (ObjectSchema) retornando descrição do diagnóstico e IDs dos itens prioritários por pilar.
• Prompt engineering aplicado a sistemas: diferenciação entre modelos reativos e modelos de raciocínio, gestão de atenção/contexto (contexto não é memória) e compactação semântica para preservar significado com menos tokens.
• Pipeline de embeddings: transcrição local de 450+ horas de conteúdo com Whisper (modelo turbo, ~6GB de VRAM), chunking de 800 caracteres com overlap respeitando limites de palavra, geração em lote (20 chunks por chamada) via text-embedding da OpenAI, armazenamento em tabela lesson_embeddings com pgvector e trait HasNeighbors.
• Arquitetura multi-agente no padrão ReAct: agente "mentor" com chain-of-thought explícito que chama obrigatoriamente três subagentes especialistas (técnico, estratégico, comportamental) como ferramentas, sintetizando um plano de 12 semanas com hábitos, tarefas únicas e tarefas de estudo, com regras de fidelidade (não inventar aulas) e unicidade de conteúdo.
• Custo real mostrado ao vivo: diagnóstico e geração de plano de ação completo custaram poucos centavos de dólar no billing da OpenAI (GPT-5.1 Mini a US$0,25 por milhão de tokens de input e US$2 por milhão de output).
• UX de carregamento no Livewire 4 via classes data-loading e wire:loading.attr/wire:loading.target, aplicadas nos botões de ação para feedback visual sem código adicional.

Profundidade técnica

O sistema foi desenhado como AI-first desde a modelagem: em vez de tratar a IA como um recurso acoplado, o diagnóstico e o plano de carreira são gerados por agentes que fazem parte do fluxo determinístico da aplicação, com saída estruturada via schema (ObjectSchema do Prisma) para eliminar o parsing frágil de texto livre que caracterizava integrações mais antigas. A decisão de usar Postgres com pgvector em vez de MySQL foi motivada pela ausência de coluna vetorial nativa na versão Community do MySQL — trade-off assumido conscientemente, incluindo a discussão sobre operar dois bancos (MySQL relacional e Postgres vetorial) em paralelo quando necessário, com o cuidado de não tentar fazer joins entre eles. O pipeline de RAG evita o erro comum de jogar transcrições inteiras no prompt: os chunks são gerados com overlap para preservar continuidade semântica, o embedding é gerado em lote para reduzir chamadas de API, e a arquitetura multi-agente ReAct separa a orquestração (agente "mentor" com raciocínio encadeado e chamada obrigatória de ferramentas) da especialização (três subagentes por pilar), controlando custo e tempo de resposta via max_steps limitado. A escolha de modelo por tarefa (GPT-5 Mini para diagnóstico e geração de plano, com menção a Gemini Flash para cenários que exigem baixa latência) reflete uma prática central do evento: não existe um único modelo ideal, e a arquitetura precisa orquestrar múltiplos provedores conforme custo, latência e qualidade exigidos por cada etapa do fluxo.

Faça parte do Clã

Quer aprofundar integração de IA, arquitetura Laravel e construção de sistemas de produção com esse mesmo nível de detalhe? Conheça o Clã Beer and Code.