Os 6 desafios em aberto da engenharia de contexto
Harrison Chase (LangChain): a arquitetura de agentes convergiu, mas os agentes proativos e sempre ligados trazem seis novos desafios.
Quer saber como está construído por dentro? Os dois agentes estão explicados passo a passo em Gymnasia: arquitetura de um agente de IA que roda no celular.
Baixar APK para Android
Apps de academia existem muitos, e de dieta também. O que muda aqui é o que ela carrega dentro: um agente de IA que faz de personal trainer.
E não é um chat pendurado ao lado do app para tirar dúvidas soltas. É um agente com acesso real aos seus dados: você diz «monta uma rotina de empurrar para três dias» ou «anota que comi dois ovos e uma torrada» e ele faz, busca na biblioteca de exercícios, escreve na dieta do dia, lê as suas medidas para decidir e lembra do que você contou na semana passada.
A segunda coisa que a torna diferente: esse agente roda inteiro no seu celular. Não há nenhum servidor meu por onde os seus dados passem, porque não há servidor. O app chama diretamente o fornecedor de IA com uma chave que você fornece, e todo o resto, decidir o que fazer, executar e guardar, acontece dentro do telefone. O seu peso, a sua dieta e as suas rotinas não saem dali.
É o agente com quem você fala. Opera o app através de um catálogo de tools: busca exercícios e alimentos, lê e escreve a sua dieta, cria rotinas, anota medidas e guarda o que você conta sobre si para ter presente na conversa seguinte. A sua capacidade de agir é exatamente essa lista, nem uma coisa a mais.
É BYOK (bring your own key): a chave de API é fornecida por você e fica guardada no dispositivo, então você escolhe qual fornecedor usar e controla quanto gasta. O system prompt é baixado remotamente com uma cópia embutida de reserva, de modo que pode ser corrigido sem publicar uma versão nova e o app continua funcionando sem conexão.
Deslize o grafo na horizontal para o ver inteiro.
O segundo agente, independente do primeiro: você tira uma foto do prato e ele devolve calorias e macronutrientes. Se houver um código de barras na foto, ele lê e consulta o OpenFoodFacts, então nos produtos de supermercado os números são os reais e não uma estimativa a olho. Nada é guardado na sua dieta até você aprovar.
Deslize o grafo na horizontal para o ver inteiro.
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.
Acompanhamento de dieta
Registro diário de refeições com cálculo de calorias e macronutrientes (proteínas, carboidratos e gorduras), objetivos nutricionais personalizados e leitura de códigos de barras contra o OpenFoodFacts.
Medidas corporais
Acompanhamento de peso e outras medidas corporais com histórico temporal para visualizar seu progresso.
O aplicativo não tem backend: os dois agentes são executados inteiramente no celular, então os dados do usuário nunca saem do dispositivo. 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.
Se quiser mais informação sobre como o app é feito, os dois grafos acima explicados passo a passo, o laço de tools, a escolha de fornecedor e por que o system prompt vive em remoto, está tudo em Gymnasia: arquitetura de um agente de IA que roda no celular.
Harrison Chase (LangChain): a arquitetura de agentes convergiu, mas os agentes proativos e sempre ligados trazem seis novos desafios.
Explico o guia da Anthropic «Prompting Claude Opus 5.5»: esforço, raciocínio, agentes sem supervisão, recusas, avisos, t...
Como evitar que uma nova tentativa duplique o que uma tool salva: identidade estável por operação, registro com estados ...
Vamos conversar.
maximofn@gmail.com
Especialista em Machine Learning e Inteligência Artificial. Desenvolvo soluções com IA generativa, agentes inteligentes e modelos personalizados.
Apresentação interativa em 3D sobre o que é uma software factory: como os agentes se encadeiam, como delegar a aprovação e por onde começar.
Apresentação interativa em 3D sobre o agente do Gymnasia: onde vivem os dados, do prato ao dado, tools, duplicados, limites de saúde e testes.
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.
Vamos conversar.
maximofn@gmail.com
Especialista em Machine Learning e Inteligência Artificial. Desenvolvo soluções com IA generativa, agentes inteligentes e modelos personalizados.
Dataset com piadas em inglês
Uso: Fine-tuning de modelos de geração de texto humorístico
Dataset com traduções de inglês para espanhol
Uso: Treinamento de modelos de tradução inglês-espanhol
Dataset com filmes e séries da Netflix
Uso: Análise de catálogo Netflix e sistemas de recomendação