Especialização de LLM para Linguagem de Programação Proprietária
Ir para notas que citam estaEspecialização de LLM para linguagem de programação proprietária é ensinar um modelo generalista a gerar código correto numa linguagem que ele não conhece, combinando RAG, prompt e agentes.
O problema aparece em plataformas de nicho, como motores de decisão usados para aprovar crédito e definir limites e juros, cuja linguagem de regras (o caso SRL) não tem documentação pública na internet. Sem nunca ter visto essa sintaxe, os modelos de mercado produzem código plausível que mistura Python ou Java e não compila na ferramenta. A especialização segue o método da bancada: a expectativa definida foi gerar código útil em pelo menos 90% dos casos, com ajustes mínimos, e a avaliação pede ao usuário que diga se o código serviu, se pôde usá-lo e se as regras da linguagem estavam completas.
Por que dar a documentação inteira como contexto não funciona
A primeira tentativa foi alimentar o modelo com a documentação oficial completa, de 589 páginas, que mistura explicações de interface com trechos de código. O resultado piorou: o excesso de conteúdo alheio a código provocou envenenamento de contexto, e o modelo perdeu o que era essencial. Uma segunda tentativa, com um recorte de 147 páginas mais focado em código, ainda gerou código que não compilava, porque a própria documentação trazia um ponto final ao fim de cada exemplo, que o modelo passou a reproduzir como se fosse sintaxe.
A virada veio com dados curados: uma planilha em que cada linha traz uma pergunta comum de uso (converter uma data, por exemplo), a função que a resolve, o tipo de retorno e um exemplo de saída. Usada como base de conhecimento de um assistente de chat, ela produziu código compilável para conversão de datas. Curadoria vale mais que volume, mas a cobertura fica parcial, e generalizar para outros domínios da linguagem, como listas e filas, exige repetir o trabalho.
RAG e engenharia de prompt contra uma documentação defasada
Na versão construída como automação, a documentação passou por OCR com Mistral antes da vetorização, porque enviar o documento direto ou usar os extratores nativos da automação trazia ruído. O OCR integrado aceita arquivos de até 1000 páginas e 50 MB; documentos maiores precisam ser divididos. O texto foi vetorizado no Qdrant e consultado por RAG, ajustado trocando modelos e calibrando quantos trechos recuperar.
Só o RAG não bastava, porque a documentação estava desatualizada e sem padrão: cada consultor escrevia os exemplos de um jeito. Com um prazo de cerca de dez dias úteis efetivos, revisar a documentação inteira não era viável, e as correções foram feitas via engenharia de prompt: instruir o modelo a ignorar o ponto final dos exemplos, padronizar o estilo do código e devolver o resultado pronto para copiar e colar na ferramenta. Ajustar os prompts foi a etapa mais difícil do projeto, mais do que dominar a ferramenta de automação (N8N).
Agentes monotarefa e memória de conversa
Um agente genérico tendia a desviar e gerar código em outras linguagens. A solução foi dividir o trabalho em agentes monotarefa, cada um com uma única responsabilidade, coordenados por um agente orquestrador que entende o pedido e aciona o agente certo. O chat recusa perguntas fora da linguagem por meio de guardrails, e o histórico da conversa fica salvo em MongoDB, para que o assistente perceba quando o usuário pede um pequeno ajuste sobre a última resposta em vez de um pedido novo.
Do protótipo ao produto
A jornada passou por assistentes personalizados, vibe coding e, por fim, fluxos em N8N; a versão paralela de chat foi integrada ao protótipo principal em cerca de 15 minutos. Validado com usuários reais da plataforma, o protótipo avançou para uma fase de concepção de produto, em que a pergunta deixa de ser se funciona e passa a ser se tem desempenho, segurança e robustez para adoção. Entram na pauta volume de dados, precisão, custo, a escolha entre N8N, LangGraph ou Spring AI e uma camada de orquestração mais inteligente.