Pular para o conteúdo principal
Voltar ao início

Conquistas em destaque

Os trabalhos que considero mais importantes — os destaques, sem precisar ler tudo.

2026-11

Projeto

p95 do tempo de servidor abaixo de 19 ms em todos os endpoints, com 10.001 funcionários em produção

Um app web, feito como take-home, em que uma gestora de RH mantém os salários de cerca de 10.000 funcionários em sete países e responde quatro perguntas sobre remuneração sem planilha: estatísticas salariais por cargo e país, totais da folha por país e departamento, comparação de um cargo entre países e outliers por compa-ratio. Cada pergunta é uma única consulta SQL enxuta cujas linhas vão para uma função pura, dinheiro é guardado em unidades menores inteiras mais o código da moeda, e um único pacote de contrato em Zod é compartilhado pela API em NestJS e pelo app em React, que sobem juntos como um só serviço no Railway. Medido contra o deploy no ar, todo endpoint — lista, filtros, busca e as quatro perguntas — mantém o p95 do tempo de servidor abaixo de 19 ms em 100 requisições sequenciais, sendo o mais lento o de outliers, com 18,34 ms, contra um orçamento de 500 ms.

TypeScript · NestJS · React · Mantine · TanStack Router · TanStack Query · SQLite · Drizzle · Zod · Vitest · Playwright · pnpm · Railway

SiteCódigo

2022

Folhas Que Salvam

Liderou uma equipe que impactou mais de 90 pessoas

Liderou e orientou uma equipe de voluntários no projeto educacional ambiental Folhas Que Salvam, criando políticas da organização e procedimentos de controle interno que garantiram a validade jurídica e a transparência financeira do projeto, e definindo métricas de resultado que aumentaram a constância e a qualidade das entregas semanais — um trabalho que impactou mais de 90 pessoas.

2026-09

CodeSquare

Simulação de crédito da CAIXA: ~2 min à mão (estimativa do correspondente) → 15 s em testes ao vivo com dados reais de compradores; todo campo do formulário preenchido a partir dos documentos, conferido por 8 regras de pré-envio

O Gestão Nova Casa é uma ferramenta interna para um correspondente CAIXA Aqui, o parceiro que conduz quem compra um imóvel pelo processo de financiamento da CAIXA. A equipe solta os documentos do comprador no app; um LLM extrai os dados, o app monta o cadastro do comprador, confere tudo contra um catálogo de 8 regras de pré-envio (dígito verificador do CPF, CEP contra endereço, validade do comprovante de renda, renda extraída contra renda declarada, renda muito variável, idade máxima, prazo máximo, comprometimento de renda) e, com um clique, um agente controla o Chrome na própria máquina do atendente para rodar a simulação de financiamento da CAIXA e salva o resultado, que o site da CAIXA não guarda — assim ninguém redigita nada. A CAIXA muda o layout do site com frequência, mas não os campos, como o correspondente confirmou, então o agente preenche o formulário lendo a tela inteira em vez de depender de seletores fixos; quando não encontra um campo ou a CAIXA recusa um, ele para, o atendente completa aquele passo à mão e o agente continua. O Daniel considera esse ciclo a decisão mais interessante do projeto: quando falta um dado, o agente pede ao atendente que o preencha no sistema e retoma o fluxo, rodada após rodada, até a simulação ficar completa. Uma simulação que o correspondente estima em cerca de 2 minutos à mão levou 15 segundos em testes ao vivo com o correspondente, com dados reais de compradores, e, quando os documentos chegam completos, todo campo do formulário é preenchido a partir deles, nunca da conversa com o comprador. O Daniel escolheu o modelo de extração medindo quatro deles em 16 documentos reais de clientes (82 campos): o escolhido leu 89% dos campos corretamente, com 2 erros silenciosos (um valor errado com confiança de 0,9 ou mais), a cerca de US$ 0,05 por comprador, contra um modelo com a mesma precisão que nunca responde "ilegível" e cometeu mais que o triplo de erros silenciosos. Como nenhum modelo leu todas as fotos certo — os quatro erraram a mesma data de nascimento com alta confiança —, ele desenhou a extração para ser verificada, não só lida: todo campo termina ou confirmado por uma checagem que não pode errar (dígitos verificadores de CPF e CNH, a conta do holerite), ou visto por uma pessoa com o documento ao lado, e as 13 leituras erradas de CPF e CNH do teste falharam no dígito verificador. O Daniel conduziu a descoberta com o correspondente por meio de um questionário que escreveu para ele, modelou sozinho o sistema inteiro a partir das respostas e construiu o sistema todo — o app desktop em Electron e seu agente de navegador, o servidor NestJS com seu gateway de IA, o portal de parceiros e o site de vendas —, tudo menos o nome da marca e a identidade visual, que vieram de uma landing page desenhada pela equipe da CodeSquare. O Daniel saiu da CodeSquare com o sistema em testes de aceitação com o correspondente, num ambiente de homologação; o correspondente o colocou em produção em outubro de 2026 — pelo menos o app desktop e o portal de parceiros; o site de vendas ainda não foi visto no ar —, por isso ele não conhece os números de produção. O Daniel conteinerizou o sistema sozinho: escreveu os Dockerfiles e o docker-compose dos quatro serviços, que conversam por uma rede Docker atrás do Caddy como proxy reverso e TLS, numa VPS.

TypeScript · Electron · Playwright · NestJS · Drizzle ORM · PostgreSQL · better-auth · Zod · React · TanStack Router · TanStack Start · OpenAI API · Docker · docker-compose · Caddy · CSS Modules · Zustand · TanStack Query

2026-09

CodeSquare

Análise completa do engenheiro: 3-4 dias → menos de 1 dia, num teste lado a lado na prefeitura de Uberlândia (dois engenheiros, o mesmo pedido, um com o sistema)

O Square AI é o sistema de pré-análise com IA da própria CodeSquare para pedidos de alvará de construção: ele confere os documentos do pedido, os índices urbanísticos e as plantas arquitetônicas contra a legislação municipal e devolve um checklist de itens conformes / não conformes / não aplicáveis / inconclusivos, com evidências e um parecer sugerido — a IA não aprova nem reprova; quem decide é o engenheiro. O Daniel construiu tudo menos a coleta da legislação e o índice de RAG: a API, o executor da fila, a extração de PDF e DWG, as checagens determinísticas de regras, a análise por fases com LLM restrita por JSON Schema e uma fase de revisão que filtra alarmes falsos. As plantas em DWG, um formato fechado, são convertidas com o LibreDWG para um formato que o sistema consegue ler, então regras como a profundidade e a área máximas de uma sacada ou a área mínima de um banheiro são conferidas na própria planta. A planta é lida duas vezes — por um LLM e pelo leitor do LibreDWG, casadas pelos nomes dos cômodos que os projetistas escrevem —, e um cômodo em que as duas leituras não concordam, ou desenhado fora da convenção, é marcado como "não é possível verificar" e fica para o engenheiro, que pode explicar como lê-lo; essa explicação alimenta uma lista de palavras-chave por tipo de cômodo que cresce com o uso do sistema. Num teste na prefeitura de Uberlândia, dois engenheiros analisaram o mesmo pedido, um com o sistema e outro sem: apontar ao engenheiro o que verificar reduziu uma análise completa de 3-4 dias para menos de um dia. O sistema foi apresentado numa licitação pública e aguarda orçamento para ser implantado.

Python · PostgreSQL (pgvector) · MinIO/S3 · PyMuPDF · LibreDWG · LLM with JSON Schema · Docker

2026-09

Projeto

Currículo adaptado: ~2 horas → 3 minutos

Um Corpus de carreira que trata a trajetória profissional como código versionado: Afiliações e Realizações guardadas em markdown validado por schema, lidas por um loader tipado e renderizadas para cada público. O Daniel escreveu as três skills de agente que o movem — a capture o entrevista para registrar uma Realização sem nunca inventar um número, a generate transforma uma vaga numa Seleção estruturada que um template fixo renderiza em PDF pelo Tectonic, e a recon produz um dossiê verificado sobre uma empresa-alvo e uma abordagem direta a quem decide. O modelo nunca escreve LaTeX e nunca afirma um fato que não esteja no Corpus: uma Seleção malformada não renderiza, em vez de produzir em silêncio um documento diferente, e uma Realização sem métrica fica como rascunho explícito, em vez de virar uma afirmação enfeitada. Produzir um currículo adaptado a uma vaga passou de cerca de duas horas de pesquisa e escrita para três minutos. O site público é um dos destinos de renderização desse mesmo Corpus.

Next.js · React · TypeScript · Tailwind CSS · Framer Motion · Tectonic (LaTeX) · Node.js

SiteCódigo

2026-10

Projeto

8 de 8 cenários de caos terminam com o hash de livro-razão do oráculo

Desenhou, dirigiu e arquitetou um sistema que mantém um livro-razão de transações bancárias por usuário sincronizado com a Plaid e que continua correto quando algo falha no meio do caminho, com cada decisão registrada em 13 ADRs. Os 8 cenários de caos, rodados como processos reais — SIGKILL no meio da paginação e no meio do commit, cada webhook entregue 10 vezes, dois workers concorrentes, 30% das chamadas à Plaid respondendo 500 ou estourando o tempo —, terminam com o mesmo hash de livro-razão da verdade de referência do provedor.

TypeScript · Next.js · Cloudflare Workers · Node.js · PostgreSQL · Prisma · pnpm · Turborepo · Vitest

Código

2026-10

Projeto

23 de 24 buscas trouxeram a nota certa em primeiro, entre 14 notas reais, com as perguntas escritas antes de as notas serem salvas; do plano à produção em 2 dias

Desenhou e dirigiu o scholia, um segundo cérebro auto-hospedado para agentes de IA: um servidor MCP remoto em que o Claude salva notas destiladas das conversas (decisões, dados com fontes, posições, perguntas em aberto) e as pesquisa antes de responder, com uma busca híbrida que junta a similaridade do pgvector e a busca textual do Postgres por reciprocal rank fusion. Agentes de IA o implementaram sob a direção do Daniel, do primeiro commit ao deploy em produção no Railway com OAuth do GitHub, em 2 dias. Testado na base de conhecimento real dele (14 notas em português, 13 delas destiladas de uma semana de conversas sobre política), com 24 perguntas escritas antes de qualquer nota ser salva, 12 por significado e 12 por termo exato ou sigla, pelo mesmo agente que escreveu as notas: a nota certa veio em primeiro em 23 e entre as 3 primeiras em todas as 24. O limite mínimo de similaridade foi calibrado em pontuações reais e ficou desligado, porque notas relacionadas e não relacionadas se sobrepunham. O Daniel conta isso como RAG: a busca híbrida é a etapa de recuperação que o Claude roda antes de responder.

Python · FastMCP · PostgreSQL (pgvector, full-text search) · Voyage AI · OpenAI embeddings · GitHub OAuth · Docker · Railway

Código

2025

CodeSquare

Carregamento do quadro kanban principal: 7 s → 1,5 s (testers da equipe, aba Network do navegador); as 5 equipes de clientes que ameaçaram sair ficaram

Homeet is CodeSquare's own work-management platform — kanban, task manager, timesheet and per-task time tracking, in effect a Jira of its own — used by the software house's client teams. It already existed when Daniel joined in October 2025, and its main kanban board took 7 seconds to load; five client teams had told the co-founders to fix it or they would leave. He found four causes and fixed each. Components called oversized endpoints to read one or two fields — one request per card for the assignee's photo, every project loaded on the home screen — so he wrote narrow endpoints and cached their data in the front end. The SortableJS drag and drop broke under caching and real-time updates, so he replaced it with Atlassian's Pragmatic drag and drop. Every card move sent its own request, so he batched a user's moves into one request per 1.5-second window, the last write winning. Cards were ordered by an increasing integer that let two cards share a position with no tie-break, so each user saw a different order; he replaced it with alphanumeric keys placed between neighbours and recalculated when the gap between two cards runs out. The largest fix was moving business logic out of the browser: card position and the movement history ("so-and-so moved the card to X at this time") were computed inside the board's onDragEnd handler and repeated wherever a card could move, so no one knew every place a change had to touch and every change broke something; he moved them to the NestJS back end and left the front end to render. Main-board load fell from 7s to 1.5s, measured by the team's testers in the browser's Network tab, and browser memory by 30%, also measured by the testers; all five client teams stayed and were still using Homeet when Daniel left in October 2026. The gain was not the main board's alone: by Daniel's account, the system's slow paths — page loads, sending several card moves at once, real-time updates — improved in the same measure, about 79% (the board's 7s → 1.5s), and that system-wide improvement is why the client teams stayed. Daniel also used Redis on Homeet, to cache the kanban board's data.

Next.js · React · NestJS · Prisma · Supabase · Redis · Pragmatic drag · drop · TypeScript · Tailwind CSS · Zustand · TanStack Query

2024

iForth Systems

Tempo de entrega: 4 dias → 1 dia; produção da equipe +200%

Construiu uma cultura de alto desempenho com um ciclo semanal de feedback e ajustes de gestão guiados por dados, reduzindo o tempo de entrega das tarefas principais de 4 dias para 1 dia e aumentando a produção geral da equipe em 200%.