AI Engineer · Aberto a remoto

IA que cita
a fonte.
E sabe dizer
“não sei”.

Sou Rafael Prado. Construo sistemas de IA aplicada em Python — RAG com citação verificada contra o texto de origem e agentes que resolvem uma tarefa de ponta a ponta. Antes disso, cinco anos de web full-stack, que sigo entregando pela SparkWeb.

Ver projetos de IA GitHub
RAGCitação verificada contra a fonte
AgentesCrewAI + Claude em pipeline tipado
5+ anosDe web full-stack antes da IA
crivo · due diligence

PerguntaExiste cláusula de não concorrência? Por quanto tempo?

Sim. O contrato prevê não concorrência por 24 meses após o encerramento, limitada ao território nacional.

Fonte citada Contrato de Aquisição — Cláusula 8.2, p. 14
citação conferida no texto de origem fora do escopo → o sistema se abstém
✦ Zero resposta sem fonte
10/10 Abstenções corretasEm perguntas fora do domínio
Stack que uso
no dia a dia
Python FastAPI Claude API CrewAI ChromaDB BGE-M3 Pydantic v2 pytest Docker Streamlit Deepgram ElevenLabs
Rafael Prado
AI Engineer
Quem faz

Rafael
Prado

Passei cinco anos entregando sites e sistemas full-stack. Hoje construo a camada que faltava neles: IA que responde com fonte e reconhece o limite do que sabe.

O que me interessa em IA aplicada não é apenas conectar APIs. No Crivo, isso significa provar cada citação; no Fluencto, medir o tempo real entre a fala do usuário e a resposta em áudio; no AIR, preservar contratos tipados entre agentes. Em todos eles, a demonstração vem acompanhada dos limites e das métricas.

Em paralelo sigo à frente da SparkWeb, entregando sites institucionais e landing pages pra clientes em todo o Brasil — agora com IA integrada a cada etapa, da pesquisa e da copy à revisão de código.

Python RAG & busca vetorial Sistemas multi-agente Engenharia de contexto Avaliação de LLM FastAPI WordPress UX/UI
Projetos de IA

O que eu construí em IA

Três projetos de código aberto que exploram desafios diferentes: confiabilidade em RAG, latência em voz e coordenação entre agentes. Cada case mostra arquitetura, evidências e também o que ainda está em validação.

Voice AI · Em validação de latência

Fluencto

Recepcionista de voz para clínicas que entende o paciente, consulta agenda e serviços por tool calling e responde com áudio natural — tudo em uma sessão WebSocket.

O desafio

Em uma conversa por voz, uma resposta correta que chega tarde ainda parece errada. O projeto precisa coordenar transcrição, raciocínio, consulta ao banco e síntese sem bloquear o fluxo — mantendo o histórico consistente mesmo quando o usuário interrompe a fala.

Arquitetura em tempo real

  1. Streaming ponta a ponta. O navegador envia PCM16 por AudioWorklet; Deepgram, Claude e ElevenLabs trabalham em fluxo, sem esperar a resposta inteira.
  2. Ferramentas com contexto. O agente consulta serviços, profissionais, agenda e FAQ em SQLite por tool calling.
  3. Barge-in consistente. Uma nova fala cancela LLM e TTS, limpa o player e preserva um histórico válido.
  4. Latência observável. Cada etapa é medida no relógio do áudio para separar endpointing, primeiro token, primeira frase e primeiro som.

Estado honesto: a mediana medida antes da correção mais recente foi de aproximadamente 3,2 s. A pré-conexão foi implementada, mas ainda precisa ser validada no notebook e sincronizada com o repositório antes da demo pública.

RAG · Em desenvolvimento ativo

Crivo

RAG para due diligence contratual, com citações verificadas contra o texto de origem.

O problema

Em análise de contrato, resposta sem citação de documento, cláusula e página não vale nada — e um LLM inventa com confiança. Indexar um PDF é a parte fácil; o difícil é entregar prova de que o sistema não alucinou.

Como resolvi — quatro barreiras contra alucinação

  1. Abstenção por limiar. Se o score dos trechos recuperados não passa do mínimo, o sistema não responde.
  2. Contexto numerado e prompt fechado. Cada trecho entra com documento, cláusula e página; o prompt proíbe conhecimento externo.
  3. Verificação literal da citação. Fuzzy matching ≥ 0,90 do trecho citado contra o texto de origem — não passou, não sai.
  4. Rastro completo. A interface mostra o texto-fonte inteiro com a passagem citada destacada.
Sistema multi-agente

Autonomous Incident Resolver

Sistema multi-agente (CrewAI + Claude) que lê um log de erro em produção, encontra a causa raiz, audita o código e entrega um patch testado — com relatório de incidente gerado de ponta a ponta.

O problema

A triagem de incidente consome o tempo mais caro do time: ler stack trace, correlacionar requisições, achar a linha, escrever a correção e o teste que prova que ela funciona.

Como resolvi — três agentes, um hand-off tipado

  1. LogAnalyst. Faz a triagem estilo SRE: isola os frames da aplicação e correlaciona request IDs até identificar o gatilho.
  2. CodeAuditor. Confirma a hipótese e caça defeitos latentes no caminho do código, além do crash reportado.
  3. PatchEngineer. Transforma a auditoria em um patch mínimo, converte erro de negócio em resposta 4xx e escreve o teste de regressão.

Os hand-offs entre agentes são objetos Pydantic tipados, não texto livre — é o que impede a informação de degradar de uma etapa para a outra.

Os três repositórios estão abertos — com arquitetura, testes, decisões técnicas e limitações documentadas.

Ver o GitHub completo
Como trabalho

IA é ferramenta. Engenharia é o trabalho.

O mesmo processo em seis etapas, seja um sistema de RAG ou um agente multi-etapa. A IA acelera todas elas — nenhuma delas ela decide sozinha.

01

Entender o problema

Antes de qualquer prompt: o que precisa ser verdade para a solução servir, e o que acontece se ela errar.

02

Recorte e dados

Que dado entra, de onde vem, como é dividido — e, principalmente, o que o sistema não pode responder.

03

Protótipo rápido

IA como par de programação para chegar a algo rodando em dias, não em semanas — e descobrir cedo o que não funciona.

04

Arquitetura e contratos

Schemas e tipos explícitos entre as etapas. É na fronteira entre componentes que a informação se perde — em software e em pipeline de IA.

05

Avaliação

Golden set, testes automatizados e métricas de acerto e de abstenção. Sem isso é demo bonita, não é sistema.

06

Entrega e observação

Docker, logs e o que precisa ser acompanhado depois do deploy. Entregar é o começo da manutenção, não o fim do projeto.

Disponível para novos desafios

Vamos conversar sobre o próximo desafio?

Estou aberto a posições de AI Engineer — remotas ou híbridas — e a projetos de IA aplicada em que arquitetura, avaliação e produto precisam caminhar juntos.

Para sites e landing pages, a SparkWeb continua atendendo normalmente.

Interesse AI Engineering e IA aplicada
Formato Remoto ou híbrido