Projeto Final — Agente para Site

Objetivos

• Consolidar o curso em produto demonstrável
• Entregar sistema completo sem frameworks complexos

Da teoria ao portfólio

Você percorreu um caminho longo: entender LLM, consumir API, escrever prompts, montar chatbot, persistir memória e expor tools.

Este projeto final é a prova de que domina a stack — não no slides, no código que roda. Um repositório que você mostra em entrevista, entrega para cliente ou usa como base real.

Não precisa ser perfeito. Precisa ser completo, seguro e documentado.

Escolha UM caso de negócio

Todos exigem a mesma arquitetura — muda só executor da tool.

Como escolher:

Tem dados de pedido no trabalho? Opção B.
Site institucional com dúvidas repetidas? Opção A.
E-commerce pequeno? Opção C.

Uma opção bem feita vale mais que três pela metade.

Entregáveis obrigatórios

/agente-final
├── public/
│   ├── index.html          # chat UI
│   └── style.css
├── src/
│   ├── server.js           # Express/Fastify/PHP router
│   ├── llmClient.js        # wrapper API
│   ├── agent.js            # loop tools
│   ├── tools/
│   │   └── buscarPedido.js
│   ├── db.js               # SQLite ou memória
│   └── prompts/
│       └── agent.system.txt
├── .env.example            # OPENAI_API_KEY=
└── README.md               # como rodar

Checklist funcional

• Frontend envia mensagem, exibe resposta
• Backend nunca expõe API key
• System prompt versionado em arquivo
• Histórico: mínimo últimas 10 mensagens por sessão
• Rate limit: 20 msg/hora/IP (memória ok para demo)
• 1 tool funcionando com dados reais ou mock
• Tratamento de erro 503 amigável
• README com npm install && npm start

Teste de aceitação antes de considerar pronto:

Abra em aba anônima. Pergunte algo que exige tool. Veja dado real/mock na resposta.
Feche o navegador, reabra — histórico da sessão deve persistir (cookie + DB).
Envie 25 mensagens rápido — rate limit deve bloquear com mensagem clara.

Fluxo de implementação (ordem sugerida)

1. Dia 1: llmClient + POST /api/chat texto puro (matérias 2–4)
2. Dia 2: histórico em SQLite (matéria 5)
3. Dia 3: define tool schema + executor mock
4. Dia 4: agent loop com function calling
5. Dia 5: polish UI + rate limit + README

Se travar, volte uma matéria — quase sempre o bloqueio está em prompt, histórico ou executor da tool, não em "falta de framework".

Exemplo mock — pedidos

data/orders.json:

{
  "8842": { "status": "shipped", "tracking": "BR123456789", "customer": "demo" },
  "9011": { "status": "processing", "tracking": null, "customer": "demo" }
}

export function buscarPedido(id) {
  const order = orders[id];
  if (!order) return { found: false };
  return { found: true, ...order };
}

Mock JSON é válido — foco na arquitetura, não em integrar ERP no fim de semana.

Critérios de avaliação (autoavaliação)

Deploy mínimo

• Frontend estático: Cloudflare Pages, Netlify, Vercel
• Backend: Railway, Render, Fly.io, Cloudflare Workers
• Variáveis de ambiente no painel do host

README mínimo que impressiona:

Como rodar localmente
Variáveis necessárias
Como testar a tool
Limitações conhecidas
Próximos passos (RAG, mais tools)

Próximo nível (fora deste curso)

Depois de entregar este projeto, você está pronto para:

• RAG com documentação PDF
• MCP para tools padronizadas
• Multiagentes especializados
• Observabilidade (LangSmith, Helicone — opcional)

Resumo

• Projeto = frontend + backend + LLM + histórico + 1 tool
• Mock JSON é válido — foco na arquitetura
• Documente como rodar — isso é entrega profissional
• Você saiu do ChatGPT para produto com IA

Parabéns por chegar até aqui. O certificado deste módulo reconhece não só teoria — reconhece que você sabe construir. Agora é mão na massa.