Laravel Lab 4ª Edição: Construindo uma IA que Joga Contra Você

Destaques

• Setup de projeto Laravel 13 com Laravel Boost (guidelines, agent skills, MCP server) e conexão do Claude Code aos MCPs do Serena (indexação/busca de código) e do Context7 (documentação de bibliotecas).
• Uso do Claude Code em modo de planejamento para gerar histórias de usuário a partir da descrição do jogo, com perguntas de esclarecimento via AskUserQuestion.
• Modelagem de banco de dados para o jogo Troca: cores de fichas, cartas de cotação e trocas, compartimentos, partidas, turnos, inventário e tipos de participante, com uso de tabelas auxiliares em vez de enum direto no banco.
• Execução autônoma de dez fases de desenvolvimento planejadas previamente, entregando autenticação, dashboard, arena e fluxo completo de partida em Livewire 4 em cerca de uma hora e meia.
• Evolução do oponente de IA de nível fácil para médio via reengenharia de prompt e de contexto, com depuração ao vivo das chamadas de ferramentas (AIOpponentService) e comparação entre modelos GPT-5 mini e nano.
• Streaming do raciocínio da IA para a interface usando a diretiva wire:stream do Livewire, mostrando tools chamadas e decisões em tempo real.
• Pipeline de embeddings com o Laravel AI SDK (text-embedding-3-large) para indexar estratégias do jogo e alimentar a IA via RAG, com discussão de técnicas de chunking (por documento inteiro vs. por tamanho com overlap).
• Deploy em produção em VPS da Cloud Prime via painel de deploy integrado ao GitHub, cobrindo provisionamento de stack Laravel, PostgreSQL e SSL.

Profundidade técnica

O núcleo técnico da imersão foi tratar a IA como uma peça de arquitetura, não como atalho de produtividade. A modelagem do jogo Troca exigiu mais tabelas e relacionamentos do que um CRM comum, o que forçou decisões conscientes sobre normalização (cores e status em tabelas auxiliares com enum de aplicação, nunca enum direto no banco) e sobre como representar estado de partida, turno e inventário separadamente. O trade-off mais discutido foi o de contexto: passar o JSON bruto do banco para o modelo generativo produz respostas ruins porque a IA não tem, e não precisa ter, conhecimento da estrutura interna do sistema; a melhora real veio de moldar as saídas das ferramentas (tool calls) para o vocabulário do domínio do jogo, e não do sistema de arquivos. Isso ficou evidente na comparação entre modelos menores (nano) e intermediários (mini) executando a mesma sequência de ferramentas, onde a perda de peso das regras no prompt gerava jogadas inválidas. Na camada de RAG, a escolha de gerar um embedding por documento completo, em vez de chunking por tamanho fixo com overlap, foi justificada pelo tamanho e especificidade de cada arquivo de estratégia, com a ressalva de que documentos maiores (como processos jurídicos) exigem quebra em blocos menores e relacionamento um-para-muitos no banco.

Faça parte do Clã

Esse tipo de imersão prática, com arquitetura discutida em tempo real e não em slide, é a rotina de quem já está no Clã Beer and Code. Conheça o Clã Beer and Code Nível 1 e entre para o ambiente onde devs Laravel constroem, erram e evoluem juntos, todos os dias.