Pular para o conteúdo
LabS Atlas
Agentic AI
Entrar

Solutis LabS

Ir para notas que citam esta
atualizado há 25 diasEntre para perguntar ao Labinho sobre esta notaO Labinho é o assistente que responde com as notas e as sessões do LabS e mostra de onde tirou cada resposta.

Solutis LabS é o laboratório interno da Solutis para explorar tecnologias emergentes e preparar a empresa e seus profissionais para as demandas que elas vão trazer.

O nome vem de laboratório. Assim como um laboratório de biologia ou de física investiga as questões do próprio campo, o LabS investiga tecnologias que ainda não viraram demanda corrente, para que, quando virarem, já exista conhecimento acumulado dentro de casa. O papel do laboratório é transformar essas tecnologias em algo com que os Soluters, como são chamados os profissionais da empresa, possam se engajar, evoluir e disseminar.

A metáfora que organiza o programa é a de uma nave, a empresa, impulsionada sempre para a frente por dois propulsores: o LabS e a comunidade. O destino são planetas que representam os temas explorados. Cada planeta é uma Bancada, organizada em torno da tecnologia principal que pesquisa: Generative AI, Digital Assets, AI for Devs e, a mais recente, Agentic AI.

Desbravar, dominar e democratizar

O propósito do LabS se resume em três verbos, os 3 Ds. Desbravar é ir atrás das tecnologias emergentes antes que elas se imponham. Dominar é consolidar o conhecimento sobre elas, com experimentação e construção. Democratizar é disseminar esse conhecimento para cada vez mais pessoas, em sessões, workshops e materiais abertos à comunidade.

Os três andam juntos. Uma trilha de sessões para a comunidade é democratização, e ela só se sustenta porque antes houve exploração e domínio do tema dentro do laboratório.

O que o laboratório produz e como o sucesso é medido

O LabS não desenvolve produto para entregar a cliente. Ele gera conhecimento, e cada área de negócio decide depois, com sua própria estratégia, o que fazer com ele. O único artefato que o laboratório de fato constrói é o Learning Prototype, um protótipo com objetivo de aprendizagem declarado. A postura é agnóstica de tecnologia: entender os conceitos por trás de cada abordagem antes de escolher uma plataforma.

O sucesso não se mede pela profundidade de um produto, e sim pela quantidade de pessoas que o laboratório consegue engajar e colocar em circulação de conhecimento.

Como a participação funciona

Participar não exige conhecimento prévio: as trilhas começam do básico e vão até a construção de um projeto próprio. Os encontros seguem formatos recorrentes, como talks técnicas, sessões de bancada e workshops práticos. São gravados e muitas vezes ganham versões curtas, de cerca de 15 minutos, para consumo assíncrono. Um quadro colaborativo centraliza cronograma, links, slides e materiais de apoio de cada trilha, com endereço fixo e conteúdo atualizado ao longo do tempo.

A prática é puxada por desafios publicados no Mural de Desafios de cada bancada e por uma gamificação em níveis: certificado registrado como badge no passaporte de quem conclui uma trilha, créditos de API para quem constrói e apresenta um projeto, e recompensa em SOL$, a moeda interna, para os destaques. O SOL$ também reconhece outras formas de participação, como acompanhar um workshop inteiro e compartilhar publicamente o que se aprendeu. A competição é meio, não fim: o objetivo declarado é que todos saiam entendendo o tema.

A trajetória em IA que levou à bancada de agentes

A bancada de agentes não partiu do zero. Antes dela, o LabS já experimentava com N8N e LangGraph, ampliou o repertório em avaliação de LLMs e construiu learning prototypes em IA: um voltado a apoiar a qualidade de testes em aplicações, feito em LangGraph, e outro dedicado à especialização de modelos de linguagem na prática. Várias provas de conceito funcionais combinaram ferramentas de automação e LLMs.

Desse percurso ficaram três aprendizados que moldam a frente de agentes: observabilidade desde o primeiro dia de desenvolvimento, que é a prática de AgentOps; o uso de ferramentas como aquilo que torna um modelo funcional; e a gestão cuidadosa de tokens, cujo consumo varia muito conforme o cenário. A stack consolidada nesses projetos reúne APIs de provedores de LLM, bancos vetoriais como o pg_vector e o ecossistema da LangChain, com LangGraph para construir agentes e LangSmith para observar o que eles fazem por baixo do capô.