AI ENGINEERING · AGENTIC SYSTEMS · TECHNOLOGY CONSULTING
Estratégia, arquitetura e engenharia para transformar inteligência artificial em produtos e sistemas que geram valor real.
Escritos por Tiago e revisados por quem mantém cada projeto. Isso prova revisão independente de código, não resultado de cliente.
AppSec de IA. Skills, roteiros e guardrails de AppSec para revisar PR. MIT.
Observabilidade. Guia erros, tracing, releases, alertas e LLM em Sentry. MIT.
IA agêntica. Compacta a saída de comandos e escolhe o modelo por subtarefa. Apache-2.0.
Cinco serviços de uma mesma engenharia, para pequenos e grandes negócios. A maioria começa por uma avaliação.
Um olhar independente sobre a iniciativa de IA e a segurança das aplicações, com prioridade clara.
Cada agente nasce de um projeto, junto com o seu time, com escopo fechado e uma pessoa responsável.
Conecta modelos ao ERP e aos sistemas legados com contrato tipado e só as ferramentas que o caso pede.
dev-to-mcp (abre em nova aba)Harness engineering: skills, regras do repositório e servidores MCP, com aprovação humana antes de qualquer escrita.
harness-engineering-stack (abre em nova aba)Busca sobre os seus documentos, medida antes de ligar a geração, e avaliações com perguntas do seu domínio que mostram se cada mudança melhora de verdade.
Busca em documentos internos com dado pessoal, medida com recall@k e MRR antes de ligar a geração.
rag-delivery-lab (abre em nova aba)Cria avaliações com perguntas do seu domínio e guarda um conjunto separado, que nunca entra no ajuste.
rag-delivery-lab (abre em nova aba)Contrate por Consultoria.
Falar sobre um projetoAmeaças modeladas e prompt injection testado antes de ir ao ar. Em produção, erro por domínio e fluxo, e custo por resultado aceito.
Testa prompt injection e, na revisão de PR, bloqueia falha de autorização e segredo exposto com evidência.
ai-code-review (abre em nova aba)Mede o custo por resultado aceito e escolhe o modelo pelo tamanho da tarefa.
downshift (abre em nova aba)Marca erro por domínio e fluxo e filtra dado pessoal antes de o evento sair do dispositivo.
sentry-golden-path (abre em nova aba)Contrate por Avaliação ou Consultoria.
Falar sobre um projetoMentoria em cima do trabalho real e treinamentos com o código e os processos do time.
Individual ou em equipe, em cima do trabalho real, para decidir e usar IA melhor no dia a dia.
Práticos e feitos para o contexto da empresa, para o time sair usando, não só assistindo.
Um olhar independente sobre a iniciativa de IA e a segurança das aplicações, com prioridade clara.
Cada agente nasce de um projeto, junto com o seu time, com escopo fechado e uma pessoa responsável.
Conecta modelos ao ERP e aos sistemas legados com contrato tipado e só as ferramentas que o caso pede.
dev-to-mcp (abre em nova aba)Harness engineering: skills, regras do repositório e servidores MCP, com aprovação humana antes de qualquer escrita.
harness-engineering-stack (abre em nova aba)Busca sobre os seus documentos, medida antes de ligar a geração, e avaliações com perguntas do seu domínio que mostram se cada mudança melhora de verdade.
Busca em documentos internos com dado pessoal, medida com recall@k e MRR antes de ligar a geração.
rag-delivery-lab (abre em nova aba)Cria avaliações com perguntas do seu domínio e guarda um conjunto separado, que nunca entra no ajuste.
rag-delivery-lab (abre em nova aba)Contrate por Consultoria.
Falar sobre um projetoAmeaças modeladas e prompt injection testado antes de ir ao ar. Em produção, erro por domínio e fluxo, e custo por resultado aceito.
Testa prompt injection e, na revisão de PR, bloqueia falha de autorização e segredo exposto com evidência.
ai-code-review (abre em nova aba)Mede o custo por resultado aceito e escolhe o modelo pelo tamanho da tarefa.
downshift (abre em nova aba)Marca erro por domínio e fluxo e filtra dado pessoal antes de o evento sair do dispositivo.
sentry-golden-path (abre em nova aba)Contrate por Avaliação ou Consultoria.
Falar sobre um projetoMentoria em cima do trabalho real e treinamentos com o código e os processos do time.
Individual ou em equipe, em cima do trabalho real, para decidir e usar IA melhor no dia a dia.
Práticos e feitos para o contexto da empresa, para o time sair usando, não só assistindo.
Ferramentas que construímos para o nosso próprio trabalho. O código aberto está no GitHub, para quem quiser ler.
Código aberto · Apache-2.0
Cada subtarefa do agente de código vai para o modelo do tamanho dela, e a saída dos comandos chega compactada.
Código aberto · MIT
Revisão de PR que falha fechada: achado de autorização ou segredo exposto, com arquivo e linha, bloqueia o merge.
Ver no GitHub (abre em nova aba)
Produto próprio · Beta
Quadro branco colaborativo, em português, para desenhar sistemas e arquiteturas de agentes.
Beta, sem link público no momento.
Código aberto · MIT
Servidor MCP em Go para a API do DEV.to: um binário só, sem processo em segundo plano.
Ver no GitHub (abre em nova aba)Código aberto · MIT
Configuração conservadora de Sentry para front-end, com um check que quebra o build quando o exemplo sai dos limites.
Ver no GitHub (abre em nova aba)
Cada etapa responde a uma pergunta e termina com algo na sua mão. O protótipo nasce cedo e só vira produção depois de medido.
Vale resolver isto com IA?
Uma conversa sobre o problema, o time, as ferramentas e os dados envolvidos.
Você recebe Um resumo de uma página: o que entra, o que fica de fora e o tamanho do trabalho.
Você decide se faz sentido seguir.
O que o sistema pode fazer sozinho?
Definimos o que age sozinho, o que espera aprovação e a que dados ele tem acesso. Segurança e custo entram aqui, não no fim.
Você recebe O desenho por escrito: limites, permissões mínimas e como medir o resultado.
Você aprova antes de qualquer implantação.
Funciona com os seus dados e sistemas?
Construímos com o seu time, primeiro como protótipo. A regra fica no código, não no modelo. Ação arriscada espera uma pessoa, e cada ação vira registro.
Você recebe Um protótipo no seu ambiente, com mudanças revisadas por uma pessoa.
Você escolhe o que segue para validação.
Funciona bem o bastante para soltar?
Medimos contra o critério do desenho, com casos do seu domínio que ficam fora do ajuste, e testamos os caminhos de risco.
Você recebe O resultado medido: o que passou, o que falhou e o que muda.
Você libera o uso, ou pede ajustes.
Seu time opera sem nós?
Colocamos em produção, acompanhamos custo e erro no uso real e passamos a operação.
Você recebe O sistema em produção e a documentação das regras.
Você decide se ampliamos, ajustamos ou encerramos.
Tiago Vilas Boas, fundador, em .
Modelo bom resolve a demo. Cada camada abaixo cuida de um jeito diferente de dar errado.
Fluxo conceitual, com pedido de exemplo
“Revise o PR #212 e diga se pode subir.”
Divide o pedido e limita passos e custo.
plano: contexto → diff → regra → decisão
Busca só o que este pedido pode ver, com fonte.
política de AuthZ do repositório
Executa com permissão mínima e entrada validada.
ler_diff(pr=212)
Regra em código, fora do prompt.
orders.ts:36 sem AuthZ · bloqueia
Mede a resposta contra casos conhecidos.
casos de AuthZ · confere
Ação de risco espera uma pessoa.
espera aprovação
Registra contexto, ferramenta, decisão e custo.
rastro completo · custo por tarefa aceita
PR bloqueado, com arquivo e linha, esperando uma pessoa decidir.
Esse caminho, no seu projeto. Dois exemplos:
Para times de engenharia
Revisam cada PR com olhar de segurança e fazem as tarefas de baixo risco do time, sempre abrindo PR para uma pessoa aprovar.
Revisam cada PR com olhar de segurança e fazem as tarefas de baixo risco do time, sempre abrindo PR para uma pessoa aprovar.
34router.get('/admin/orders', async (req, res) => {
35 const orders = await db.orders.findMany();
36 res.json(orders);
Para lojas online
Transformam checkout abandonado e Pix expirado em venda, com uma mensagem escrita para cada cliente e sem atropelar ninguém.
Transformam checkout abandonado e Pix expirado em venda, com uma mensagem escrita para cada cliente e sem atropelar ninguém.
Oi, Ana! O Pix do seu pedido expirou. Gerei um novo para você concluir a compra, válido por 30 minutos.
Opa, valeu! Já paguei.
Pix pago · venda recuperadaSimulação ilustrativa.
Depende do escopo, e não publicamos tabela. Depois da primeira conversa, que não tem compromisso, dá para saber o tamanho do trabalho e combinar o valor.
Depende do escopo e dos dados que existem. Não prometemos prazo antes de entender o problema: ele sai da primeira etapa, junto com o escopo, e você decide se segue.
A Montanha Tech não treina modelos. O que o provedor do modelo faz com os dados depende do contrato dele, por isso conferimos com você a política de treino, de retenção e de onde ele processa antes de ligar qualquer dado, e deixamos isso por escrito.
O agente tem só as permissões de que precisa. A regra fica no código: consentimento, horário e limite de contatos não dependem de o modelo obedecer. Ação arriscada, como liberar um merge, espera a aprovação de uma pessoa, e cada ação fica registrada.
Não precisa estar pronto. A primeira etapa mapeia o que existe, e o que estiver desorganizado entra no desenho como primeiro passo, com o seu aval.
Por uma conversa. Conte o tamanho do time e o que você quer resolver pelo formulário ou por e-mail, e respondemos com perguntas e o próximo passo. A maioria começa por uma avaliação.
Conte o que você quer resolver. A mensagem chega ao Tiago, que responde por e-mail com o próximo passo, sem compromisso.
