Guilherme Braga.

Desafio

Escrever regras LSP no Senior G5 é um processo lento por natureza: a linguagem tem idiossincrasias (tamanho máximo de linha, sintaxe de Para, cursores SQL_Criar vs Senior2, funções JSON específicas de HCM vs ERP), a documentação oficial é dispersa, e erros de compilação costumam ser crípticos. Consultores gastam horas procurando a forma correta de uma função em múltiplas apostilas e fóruns internos.

Solução

Um agente conversacional em Chainlit com três modos (/lsp, /api, /soap) que combina chat com Claude, base de conhecimento vetorial (FAISS + embeddings da documentação Senior), validadores sintáticos próprios para detecção dos erros clássicos (linha > 255 caracteres, concatenação em parâmetros, Para no formato errado) e geração de relatórios HTML para e-mail.

O agente aprende a diferença entre contextos: se a dúvida é sobre um cursor SQL, puxa exemplos de SQL_Criar; se é sobre JSON, diferencia as funções do HCM das do ERP; se é sobre integração HTTP, monta o esqueleto com tratamento de erro correto.

Impacto

• Referência interna para desenvolvimento de regras em projetos Senior que o autor atende.
• Serviu de laboratório para a arquitetura que depois virou o senior-mcp (MCP server público).
• Motivou a criação do Oracle Senior — o capítulo IV deste dossiê.

Desafio

A Velsis precisava orquestrar centros de custo, pedidos e retornos entre o ERP Senior G5 e a plataforma Argo — um ciclo diário com janelas apertadas de reprocessamento e volume alto de transações. A integração precisava ser observável: quando alguma chamada falhasse, o time precisava saber exatamente qual pedido, qual campo e qual endpoint.

Solução

Regras LSP consumindo endpoints REST do Argo com autenticação Bearer, parsing JSON com as funções nativas do HCM, tratamento explícito de erros HTTP (4xx/5xx distinguidos no log), e mecanismo de reprocessamento idempotente para picos de rejeição. Monitoramento de consumo de hits da API no dia a dia — um dashboard interno para a operação acompanhar limites.

Impacto

• Ciclo diário em produção estável, com reprocessamento automático de rejeições transientes.
• Redução significativa do tempo de diagnóstico em incidentes (log estruturado por pedido).

Desafio

A documentação do Senior HCM é extensa e fragmentada — apostilas, threads internas, exemplos de regras LSP, schemas de tabelas (R034xxx, R030xxx…), layouts SOAP. Quando um consultor precisa da resposta correta em 10 segundos, nenhuma ferramenta pública entrega. E editores de código que conversam com Claude Desktop/Cursor não têm acesso nativo a esse corpus.

Solução

Servidor HTTP implementando o protocolo MCP (StreamableHTTP stateless transport) com cinco ferramentas expostas: senior_search, senior_get_chunk, senior_catalog, senior_stats, senior_reindex. Busca híbrida em PostgreSQL + pgvector, combinando similaridade de vetores (Voyage embeddings, 1024 dims) com full-text search TSVector — 75/25 para documentação, 65/35 para LSP. Autenticação Bearer, rate-friendly, pronto para produção.

Impacto

• Deployado em produção em seniormcp.gbbragadev.com/mcp.
• Conectado ao Claude Desktop e Cursor de outros consultores Senior via MCP.
• É o cérebro por trás do Oracle Senior deste dossiê.

Desafio

O módulo de cercas virtuais (geofence) do Senior X para Ponto Mobile é funcional, mas a experiência de desenhar múltiplas cercas, visualizar sobreposições e validar endereços contra a malha existente é pouco fluida. Gestores passam tempo demais nessa operação que deveria levar minutos.

Solução

Extensão para Chrome que injeta uma camada adicional sobre a tela de cercas do SeniorX: desenho livre no mapa (polígonos arbitrários), importação de coordenadas em lote (CSV/GPX), detecção de sobreposição, e exportação direta no formato que o backend do SeniorX aceita. Totalmente JS puro — nenhum build step, instalável diretamente pelo chrome://extensions.

Impacto

• Redução de minutos por cerca configurada em operações com dezenas de filiais.
• Ferramenta usada em atendimentos via Getwork para clientes do ecossistema Senior.

Desafio

Câmeras IP ONVIF em pequenas propriedades geralmente têm três problemas ao mesmo tempo: detecção de movimento que dispara falso positivo o tempo todo, ausência de contexto visual (alerta vazio), e canais de notificação que ninguém acompanha. O dono quer saber o que apareceu — pessoa, carro, animal — e que seja avisado no WhatsApp em português natural.

Solução

Stack completa: descoberta de câmeras ONVIF na rede local, FTP server embutido pra captura, processamento assíncrono com Celery, análise via Claude Vision API (prompt cuidado para distinguir pessoas/veículos/animais/objetos), notificação por WhatsApp via Baileys com mensagem natural em português. App Android nativo para configuração no campo + dashboard web Next.js + chatbot conversacional para consultas históricas.

Impacto

• Sistema distribuído real com múltiplos clientes (mobile + web + IoT + gateway).
• Casos de uso práticos em monitoramento rural e residencial.
• Demonstra arquitetura de produção: filas, workers, cache, API gateway.

Desafio

Produtores rurais no Oeste do Paraná consomem informação climática em horários específicos — ao amanhecer, antes da pulverização, antes da colheita. Apps genéricos de clima não entregam isso: ou exigem que o usuário abra e consulte (atrito), ou mandam notificações desconectadas do contexto da lavoura.

Solução

Plataforma que entrega briefings personalizados por WhatsApp, respeitando horário preferido e contexto (cultura, fase do ciclo, localização GPS). Onboarding progressivo em linguagem natural, scheduler em cron com deduplicação de eventos, geocoding reverso, integração com Open-Meteo, Asaas para pagamento e uma camada LLM opcional (Claude Sonnet) para comandos livres (“vai chover amanhã antes das 8?”).

Impacto

• MVP em produção com usuários pagantes.
• Roadmap mapeado até v5 com alertas contextuais e cotações regionais.
• Exemplo de aplicação de IA conversacional como feature — não como produto.

Desafio

Treinar um LoRA Flux decente sobre o rosto de uma pessoa exige conhecimento técnico (captioning, hiperparâmetros, gestão de VRAM), infra GPU adequada e compliance com LGPD (dados sensíveis, fotos de rosto). A experiência B2C típica nessa categoria é tosca: uploads diretos, zero pipeline, sem deletar dataset após treino.

Solução

SaaS full-stack moderno: onboarding no Next.js 15 com Clerk, upload validado para Cloudflare R2, fila de treino com Celery disparando worker GPU isolado (RunPod, kohya_ss), geração posterior via ComfyUI. Compliance LGPD by-design: dataset é deletado ao fim do treino, só o peso LoRA persiste. Stripe para pagamentos, documentação em infrastructure-as-code Docker.

Impacto

• Exercício completo de arquitetura SaaS B2C moderna com GPU dedicada.
• Experiência real com orquestração de workers GPU em cloud.

Desafio

Assistentes de voz em VR tendem a quebrar o presence: ou a latência mata a conversa, ou o wake-word falha em ambiente ruidoso, ou o personagem é uma caixa flutuante sem embodiment. Fazer um agente realmente conversacional dentro do Quest 3 exige orquestrar wake-word local, STT, LLM, TTS em streaming, barge-in (interrupção do usuário) e animação do personagem em hand-tracking, tudo sob 200ms de fim-a-fim para a resposta começar.

Solução

App nativo Quest 3 em Unity 6 URP com personagem 3D (Nebula), detecção de wake-word via Porcupine (“jarvis”), captura de áudio para Whisper large-v3, inferência com Claude Sonnet 4.6 e TTS streaming via ElevenLabs (voz Fernanda em pt-BR). Barge-in implementado em nível de microfone para interrupção natural. Backend em voice-api.gbbragadev.com.

Impacto

• Prototipagem avançada de interfaces conversacionais imersivas.
• Backend de voz reutilizado como base do Oracle Senior deste dossiê.