Se tudo o que você faz é publicar artigos, um CMS completo é superfície de ataque e manutenção de que você não precisa. Foi assim que migrei um site para S3 + CloudFront usando o Claude Code, com permissões mínimas, pipelines de stage e prod e sem access keys no GitHub.
Usamos vocabulário cognitivo para descrever esses sistemas, e isso cria expectativas que depois se quebram em produção. Aqui revejo os conceitos básicos — LLM, MCP, AGI —, o que acontece de fato dentro de um transformer, por que o reasoning não é um módulo novo, e as métricas do Artificial Analysis que uso para medir em vez de discutir.
Continue lendo: O que é realmente um LLM — e como medi-lo com o Artificial Analysis →
As AI dev tools são ótimas para um PoC, mas colocar em produção é outra história. Aqui compartilho minha abordagem de AI SDLC e as boas práticas que aplico, com base na minha experiência.
Continue lendo: AI SDLC: um compêndio de boas práticas para desenvolver com IA →
Um complemento escrito do zerogap.uk/agents — onde compartilho as arquiteturas RAG, os agentic patterns de orquestração e como escolher o certo para o seu problema.
Um design possível para uma infraestrutura de agente de nível de produção na AWS: ECS Fargate, CI/CD no GitLab com avaliação automatizada, ingestão com Lambda, observabilidade autohospedada com Phoenix, uma única instância RDS com pgvector, DR multirregião pilot light e um ciclo de melhoria contínua — com custos mensais.
Continue lendo: Arquitetura de um agente — infraestrutura em produção →
Um padrão para que usuários do SharePoint trabalhem com dados do back-end sem expor segredos nem confiar no cliente: uma extensão SPFx obtém um token do Entra ID em silêncio, uma Azure Function valida o JWT e grava no Azure Table Storage.
Continue lendo: SPFx, Azure Functions e Table Storage com Entra ID →
O HyperAgent Cognition Engine é uma arquitetura dual de hyper-agent em que dois pipelines cognitivos completos — um Solver e um Critic — trabalham juntos, combinando pensamento lateral, raciocínio de especialistas no domínio, verificação independente e refinamento iterativo em um único sistema coerente.
Um checklist prático para proteger sistemas de IA: escolher entre LLMs e lógica determinística (e quando usar MCP), proteger os inputs, sanitizar as saídas, isolar agentes e ferramentas, usar modelos locais com segurança e avaliar e observar continuamente.
Hoje você pode construir sites modernos só com Python, tanto no frontend quanto no backend, e integrar IA para criar experiências avançadas. Mostro como fazer isso com segurança, usando como exemplo um gerador de histórias para crianças.
Continue lendo: Site completo com Python: frontend e backend com IA →
Como configurar um servidor MCP (Model Context Protocol) remoto via Streamable HTTP com autenticação segura no Okta e DPoP, protegido por um reverse proxy em Python.
Continue lendo: Como configurar um servidor MCP com Okta e um reverse proxy em Python →
