Backend Engineer com experiência em chatbots, APIs REST, classificação de textos e processamento de dados. Cursando MBA em Engenharia de Software com IA e construindo soluções inteligentes para cenários reais.
from langchain_openai import ChatOpenAI
from langgraph.graph import StateGraph, MessagesState, START
llm = ChatOpenAI(model="gpt-4o")
# Agente de IA com LangGraph
def assistant(state: MessagesState):
response = llm.invoke(state["messages"])
return {"messages": [response]}
workflow = StateGraph(MessagesState)
workflow.add_node("agent", assistant)
workflow.add_edge(START, "agent")
agent = workflow.compile()Atuo no desenvolvimento de soluções back-end com Python, com ênfase em IA aplicada, APIs robustas e automações. Minha jornada inclui projetos com LangChain, LangGraph, RAG, Redis, Celery e Kubernetes — sempre transformando estudo em entregas práticas.
Backend Engineer · 4MDG
MBA em Engenharia de Software com IA, OpenSpec, Redis, Docker, FastAPI, Django, PostgreSQL e AWS
São Paulo, SP
Projetos de chatbots inteligentes e agentes com IA
APIs REST robustas e sistemas backend
Análise de dados e processamento de informações
Projetos em nuvem e big data
Projetos de aprendizado e tutoriais
Uma trilha de padrões para construir aplicações com LLMs, do primeiro template a pipelines completos.
Como separar estrutura fixa do prompt e variáveis dinâmicas para criar prompts reutilizáveis, fáceis de manter e mais testáveis.
Construção de um pipeline em etapas, em que a saída de uma chain alimenta a próxima, ideal para fluxos com tradução, resumo e transformação.
Como fazer o modelo devolver um objeto Pydantic validado em vez de texto livre, pronto para regras de negócio e APIs.
Como classificar a entrada e mandar cada pedido para a chain especializada naquele assunto, com uma rota padrão e regras de negócio.
Como executar ao mesmo tempo as etapas que não dependem umas das outras e reduzir o tempo de resposta do pipeline.
Como usar exemplos dentro do prompt para guiar tom, tamanho e estrutura das respostas, em vez de descrever o estilo em regras.
Como buscar os trechos certos da sua documentação e usá-los como contexto, para o modelo responder com informação real e admitir quando não sabe.
Como fazer a aplicação lembrar a conversa com LangGraph e transformar o RAG num assistente que entende perguntas de acompanhamento.
Uma estrutura de pastas simples para evoluir projetos de IA com organização: entry points, módulos de prompt e configuração de chains.
Recursos do Claude para automatizar trabalho e criar agentes especializados.
Guia prático de Agent Skills: como o Claude decide quando usar uma skill, como criar a sua primeira e as boas práticas para escrever skills eficientes.
Tem algum projeto interessante, oportunidade de trabalho ou quer apenas bater um papo sobre IA e desenvolvimento? Sinta-se à vontade para entrar em contato!
