Gymnasia é um aplicativo móvel construído com React Native e Expo que funciona como um personal trainer inteligente. O app permite criar e gerenciar rotinas de treino, acompanhar a dieta e medidas corporais, e conta com um chatbot com IA que atua como assistente de treino.
O projeto segue uma filosofia local-first: toda a funcionalidade principal funciona offline, armazenando os dados localmente no dispositivo do usuário.
Rotinas de treino
Crie rotinas personalizadas com exercícios, séries, repetições e pesos. Cada rotina pode ser categorizada (força, cardio, flexibilidade, etc.) e personalizada com ícones. Durante o treino, um temporizador de descanso com alerta sonoro avisa quando continuar.
Biblioteca de exercícios
Repositório aberto de exercícios com imagens geradas por IA mostrando a execução correta, tanto na versão masculina quanto feminina. Os exercícios incluem grupo muscular, equipamento necessário, dificuldade e instruções detalhadas. Os usuários também podem criar exercícios personalizados.
Assistente de IA
Chat integrado com modelos de linguagem (compatível com OpenAI, Anthropic e outros provedores) que funciona como personal trainer virtual. O chatbot tem acesso ao contexto das suas rotinas e pode sugerir exercícios, responder dúvidas de técnica ou ajudar a planejar seu treino.
Acompanhamento de dieta
Registro diário de refeições com cálculo de calorias e macronutrientes (proteínas, carboidratos e gorduras). Permite configurar objetivos nutricionais personalizados.
Medidas corporais
Acompanhamento de peso e outras medidas corporais com histórico temporal para visualizar seu progresso.
O projeto é um monorepo gerenciado com npm workspaces contendo:
O app móvel utiliza AsyncStorage para persistência local e Expo SecureStore para chaves API. As imagens dos exercícios são servidas do repositório GitHub e cacheadas no dispositivo.
O projeto é open source e está disponível no GitHub.
Se você gostou do projeto, considere dar uma estrela no GitHub.
Aprenda como funcionam as redes neurais do zero com um exemplo prático de regressão linear. Tutorial passo a passo que explica neurônios artificiais, inicialização de parâmetros, funções de perda e erro quadrático médio (EQM) com código Python.
Aprenda a implementar elicitação em servidores MCP (Model Context Protocol) com FastMCP. Tutorial completo passo a passo para criar um agente inteligente de reservas de viagens que solicita informações do usuário de forma interativa. Inclui código de servidor e cliente, configuração de ambientes virtuais com uv, e exemplos práticos de elicitação para coleta de dados do usuário em tempo real.
Aprenda a construir servidor e cliente MCP com durabilidade para tarefas de longa duração. Tutorial completo do Model Context Protocol com persistência de dados usando SQLite, gerenciamento de tarefas em background e monitoramento em tempo real. Implemente migração de dados, processamento em lote e treinamento de modelos ML que sobrevivem a reinicializações do servidor. Código Python com FastMCP, recursos, ferramentas e padrões de durabilidade para aplicações enterprise.
Agentes de IA, impulsionados por LLMs, prometem transformar aplicações. Mas eles são meros executores hoje ou futuros colaboradores inteligentes? Para atingir seu verdadeiro potencial, precisamos superar barreiras críticas. Esta palestra investiga os três quebra-cabeças que definirão a próxima geração de agentes: 1. Planejamento Avançado (O Cérebro): Os agentes de hoje frequentemente tropeçam em tarefas complexas. Exploraremos como, além das chamadas de funções básicas, as arquiteturas cognitivas permitem planos robustos, antecipação de problemas e raciocínio profundo. Como fazê-los pensar vários passos à frente? 2. UX Revolucionária (A Alma): Interagir com um agente não pode ser uma fonte de frustração. Discutiremos como transcender o chat tradicional em direção a interfaces humanas em loop — UX colaborativa, generativa e acessível. Como Projetar Experiências Engajadoras? 3. Memória Persistente (O Legado): Um agente que esquece o que aprendeu está fadado à ineficiência. Analisaremos técnicas para capacitar agentes com uma memória significativa que vai além do seu histórico, permitindo que aprendam e tornando cada interação mais inteligente. Com exemplos práticos, não apenas entenderemos a magnitude desses desafios, mas também levaremos ideias concretas e uma visão clara para ajudar a construir os agentes do futuro: mais inteligentes, intuitivos e verdadeiramente capazes. Você se juntará a nós na jornada para desvendar o próximo capítulo dos agentes de IA?
Aprenda a criar um sistema de IA para executar eficientemente em um dispositivo
Os espaços do Hugging Face nos permitem executar modelos com demos muito simples, mas e se a demo quebrar? Ou se o usuário a deletar? Por isso, criei contêineres docker com alguns espaços interessantes, para poder usá-los localmente, aconteça o que acontecer. Na verdade, se você clicar em qualquer botão de visualização de projeto, ele pode levá-lo a um espaço que não funciona.
Dataset com piadas em inglês
Dataset com traduções de inglês para espanhol
Dataset com filmes e séries da Netflix
