Destaques
- Pipeline de conhecimento do VirguIA: todas as aulas do Beer and Code foram transcritas localmente com Whisper (RTX 4080 Ti) em segmentos JSON, depois quebradas em chunks de 800 caracteres com overlap de 400 caracteres antes de virarem embeddings — a estratégia que Claudião chamou de padrão de mercado para cerca de 95% dos casos.
- A primeira versão do VirguIA (n8n + Postgres/pgvector) alucinava porque a busca vetorial simples, sem reranking, trazia 10 a 30 chunks ruidosos para o agente raciocinar em cima — exemplo citado: uma pergunta sobre GitHub Actions retornava aulas de deploy genéricas.
- Migração da base de embeddings para o Vector Store da OpenAI com a tool
file search: reduziu o tempo de resposta de 2-3 minutos para segundos porque a OpenAI já resolve enriquecimento de query, busca vetorial e reranking dentro da própria ferramenta hospedada (o que os participantes chamaram de programmatic tool calling). - Reranking foi tema recorrente: Cohere (citado como "Correre") funciona mal com queries cruas do usuário e funciona melhor quando uma LLM primeiro reescreve a query; Jina foi apontado por Luciano como alternativa superior em qualidade e janela de contexto.
- Observabilidade com Openlayer (usada na Creditas) permite rastrear passo a passo cada chamada do agente, medir de 0 a 1 se os documentos recuperados de fato respondiam à pergunta do usuário, e identificar a origem exata de uma alucinação (caso citado: prazo de empréstimo inventado em 45 meses).
- VirguIA passou a usar "skills" (chamadas de ferramenta que retornam prompts especializados por intenção, ao estilo Claude Code) em vez de empurrar tudo para o prompt principal, o que enxugou o prompt e gerou salto de qualidade mensurável.
- Guardrails de saída e regras de transbordo (escalonamento para humano) foram discutidos como necessários em domínios regulados: revalidar contra o banco antes de responder custa latência e dinheiro, mas evita respostas inventadas em contexto financeiro.
- Para agentes de venda/pedido (SKU, estoque), a recomendação foi busca híbrida: tentar busca determinística (LIKE, BM25/Elasticsearch) primeiro para termos exatos e cair para busca semântica só quando a query é vaga, além de usar uma LLM pequena para normalizar pedidos ruidosos (abreviações como "FD" e "GL") em JSON estruturado antes da busca.
▪ Exclusivo Clã
O resumo completo é dos membros.
Você viu uma amostra. A versão completa — com o código, a gravação e a discussão desse encontro — fica dentro do Clã Beer and Code, junto com um encontro novo ao vivo toda semana.
Entrar no Clã e desbloquear
▪ Clã Beer and Code
Faça parte do Clã. Construa o que importa.
Engenharia de IA virou profissão, e se aprende construindo, não assistindo. O Clã Beer and Code é o ambiente onde isso acontece ao vivo, toda semana: RAG, agentes, observabilidade e LLMOps em projetos reais, ao lado de quem já está em produção. É pago, é assinatura, e é exatamente o ambiente que estes encontros dão uma amostra.
Entrar no Clã