Laravel Lab — Beer and Code (Agosto 2025)

O Laravel Lab de agosto reuniu a galera do Beer and Code para dois dias de mão na massa puro: construir, do zero, um SaaS de ensino de inglês via WhatsApp com agente de IA. Foi a primeira vez que o BrainCode testou esse formato imersivo, e o resultado foi bem concreto: nada de slide de teoria, o projeto foi modelado, codado e testado ao vivo, erro e tudo.

Destaques

• Modelagem do banco em Postgres seguindo o método MALT (Modelagem, Ações, Lógica, Testes): tabelas de roles, levels, users, english_journey_logs, messages, tests e questions, todas normalizadas e com relacionamentos pensados a partir do usuário como centro do domínio.
• Dados de seed fixos (admin/student) direto nas migrations em vez de seeders — por recomendação prática de produção, para não depender de dependências de desenvolvimento em deploy.
• Uso do PHPStorm MCP e do Claude CLI como "estagiário" para gerar models com fillable e relacionamentos a partir das migrations já escritas — sempre com revisão humana linha a linha, nunca aceitando código sem entender.
• Arquitetura de comunicação: Laravel como única porta de entrada (API com Sanctum), chamando o N8N por trás — o N8N nunca fica exposto à web, o que fecha uma camada de segurança inteira.
• Comparação ao vivo entre modelos (GPT-5, GPT-4.1, GPT-5 nano) mostrando que troca de modelo exige reajuste de prompt — o mesmo prompt que funcionava num modelo quebrou tool calling e ficou em loop de retry noutro.
• Discussão de guardrails no N8N: retry on fail, limite de tentativas de chamada de tool, e fallback de modelo como técnica para manter o agente dentro do resultado esperado.
• Uso do Langfuse para versionamento e observabilidade de prompt, diferenciando claramente do papel de um RAG (que serve para quebrar contexto grande, não para guardar prompt).

Profundidade técnica

A discussão foi além do básico de CRUD: entrou em decisões de arquitetura como Sanctum vs Passport (token simples de app vs OAuth para integrações entre serviços), quando vale a pena usar RAG de fato (ex.: puxar trechos de roteiro de filme para gerar exercícios de inglês contextualizados) e como tools de IA (endpoints que o modelo pode chamar) resolvem tanto o problema de contexto quanto o de execução de ações no sistema. Também apareceram armadilhas reais de produção: falha de conexão MCP ao vivo, modelo re-tentando uma tool cinco vezes sem sucesso, necessidade de ajustar prompt por modelo, e o cuidado de nunca vazar chave de API (com exemplo real de fatura salgada da Anthropic por vazamento em vídeo do YouTube).

Faça parte do Clã

Se você quer ter acesso a encontros como esse, mentoria técnica direta com quem já errou (e pagou caro) essas decisões de arquitetura, e uma comunidade de devs Laravel que realmente entrega em produção, o caminho é entrar no Clã Beer and Code. É lá que o conteúdo aprofunda de verdade e o network vira resultado prático na sua carreira.