Castanheira
AI Engineer &
agentes, LLMs e sistemas em produção
Desenvolvedor focado em agentes de IA e LLMs — NestJS, Python, LangChain e LangGraph. Construo RAG multi-tenant, orquestração de sub-agentes, guardrails de segurança e observabilidade. Maringá, PR.
Vamos conversar →// trabalho selecionado
Projetos
Cast Code
→ CLI multi-agent para o dia a dia de engenharia
Agente de CLI com sub-agentes e skills: commits, branch-split, PRs, pesquisa na web e revisão de código num fluxo completo.
Tracecast
→ Observabilidade open-source para agentes de IA e LLMs
Framework open-source para acompanhar gastos, criar evaluators por projeto e seguir tracings completos de agentes.
PR Analyzer
→ Review automático orientado ao PRD da task
Agente que analisa o código com base no PRD da task e gera comentários de revisão com foco em qualidade, padrões e segurança.
Cast Skills
→ Skills para acelerar, baratear e explicar código gerado por IA
Pacote de skills para melhorar entrega de código feito por agentes — velocidade, custo e clareza do que foi desenvolvido.
Agentes multi-tenant + RAG
→ Backend de agentes com treinamentos e bases isoladas por módulo e cliente
Backend multi-tenant de agentes de IA com treinamentos distintos por módulo e empresa, e bases RAG particionadas no Qdrant.
Agente de vendas multi-agent
→ Orquestração de 3 sub-agentes do pitch à coleta de dados
Agente de vendas em LangGraph com 3 sub-agentes especializados, function calling e gerenciamento de contexto conversacional.
Validação de documentos
→ Visão computacional para classificar e validar documentos brasileiros
Modelo ConvNeXt para classificar tipo de documento brasileiro, validar autenticidade e apontar possíveis fraudes.
// notas e artigos
Blog
// ferramentas
Stack
Inteligência Artificial
Backend & Infra
// como trabalho
Processo
Diagnóstico antes de código
Perfil analítico e investigativo: descubro se o problema está no prompt, no código, no dado ou na regra de negócio — antes de escalar o modelo.
Segurança e qualidade no agente
Guardrails, testes (Pytest), prevenção de prompt injection e evaluators de alucinação entram no design, não só no pós-deploy.
Produção e observabilidade
Docker, logs, tracing, custo de tokens e MLOps desde o dia 1. Sistema que sobrevive a operação real, não só ao demo local.
// disponível agora
construir
algo.