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

O SOC é o sistema de saúde ocupacional que quase toda empresa grande usa — exames ocupacionais, ASOs, convocações, licenças médicas, afastamentos. O Senior HCM, do outro lado, precisa desses dados no módulo SESMT para fechar o eSocial, acionar o afastamento na folha e manter a conformidade com a NR-7. Sem integração, o time de DP passa o dia digitando ASO e convocação à mão, duas vezes.

Solução

Regras LSP consumindo os WebServices SOAP do SOC (ExportaDadosConvocacao, ExportaDadosWsVinc, retornos de ASOs e licenças), parsing de XML com as funções nativas do HCM, gravação idempotente nas tabelas do SESMT e tratamento explícito de erros — cada falha gera log rastreável por funcionário e por tipo de evento. Reprocessamento automático para ASOs transientes rejeitados, e rotina agendada que roda de madrugada cobrindo as movimentações do dia.

Impacto

• Elimina digitação manual de ASO, convocação e licença médica no Senior.
• Fluxo do SESMT passa a refletir em tempo (quase) real o que já está no SOC.
• Padrão de integração reutilizado em outras empresas do ecossistema Senior que também usam SOC — virou um módulo reutilizável em LSP, não um script único.

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

Desenvolver regra LSP hoje depende do editor nativo de regras do Rubi/Sapiens (G5/G7) rodando dentro do ambiente do cliente: abre a IDE, compila, executa, lê o erro, ajusta, repete. Loop preso ao workstation, sem diff rápido entre versões, sem checagem fora do horário do cliente e sem forma de validar código gerado por IA antes de mandar pro humano. Customização crítica sobe pra produção com cobertura manual.

Solução

Editor web standalone em index.html puro com CodeMirror 6 (carregado via esm.sh, sem build step) servido por um FastAPI em Uvicorn na porta 8003. O backend expõe três endpoints: /api/lsp/compile (compila e devolve diagnósticos estruturados com severity/line/code/message), /api/lsp/validate (validação contínua em background enquanto o dev digita) e /api/lsp/template (gera esqueleto por contexto). O editor tem seletores de Produto, Módulo e Tipo de regra, keymap Ctrl+Enter para compilar, tema GitHub-dark e contagem de erros, avisos e infos em tempo real. Fora do fluxo humano, a mesma API é consumida pelo agente LSP autoral: Claude escreve a regra e pede ao compilador que valide antes de entregar.

Impacto

• Tira o editor de regras LSP do caminho crítico pra testar uma rotina — compila em qualquer máquina, sem IDE aberta no cliente.
• Permite pair coding real com IA: o agente tem feedback determinístico, não alucinado.
• Base para camada futura de CI (pipeline validando cada push de regra customizada) e testes unitários de regra LSP chamando a API direto do Jest/Pytest.

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 de navegador que identifica o token de sessão do usuário logado no Senior X e injeta uma camada de funcionalidades que o release oficial ainda não contempla. No caso de Cercas, virou desenho livre de polígonos, importação em lote (CSV/GPX), detecção de sobreposição e exportação direta — mas o mesmo mecanismo serve para qualquer rotina: entrega de feature em um dia sem depender do ciclo de produto da Senior. Totalmente JS puro, sem build step, instalável direto 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.
• Padrão reutilizado para resolver outras dores pontuais de clientes que não podem esperar o próximo release oficial.

Desafio

Criador de conteúdo no formato vertical (Shorts, Reels, TikTok) vive num ciclo cansativo: escrever roteiro, gravar voz, cortar vídeo, timar legenda, padronizar identidade. Ferramentas de IA existem pra cada uma dessas etapas, mas nenhuma liga as pontas — o creator vira o orquestrador manual. O mercado pede volume e frequência que só automação entrega.

Solução

Pipeline ponta-a-ponta que recebe um tema e devolve vídeo vertical finalizado. Claude escreve roteiro em beats curtos, XTTS v2 faz TTS em pt-BR com voz clonada do próprio creator, Whisper gera legendas com timing exato, SDXL compõe imagens de fundo coerentes com cada beat, FFmpeg e MoviePy montam o vídeo final. FastAPI + Celery orquestram o fluxo, renderização roda numa RTX 3090 local. Domínio registrado em clipia.com.br.

Impacto

• MVP técnico validado: pipeline completo funcionando de tema livre até .mp4 renderizado.
• Base sólida para operação regular de conteúdo — escolhido como o SaaS que tem mais chance de virar produto final de fato entre os experimentos.
• Mercado em momento certo: creators pequenos precisam de volume, e produção 100% IA começa a ser aceita pelo algoritmo das plataformas.

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

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 navegável com onboarding, scheduler e pipeline de mensagens rodando ponta a ponta.
• Roadmap mapeado até v5 com alertas contextuais e cotações regionais.
• Exemplo de aplicação de IA conversacional como feature — não como produto.

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.