Writing
DevOps, observabilidade, backend e IA aplicada em produção.
-
Docker → Kubernetes (K3s) em ambiente multi-tenant DevOps Checklist prático da migração para K3s: rollout, isolamento por tenant e trade-offs que evitaram incidentes. -
Observabilidade para 1.200 servidores: VictoriaMetrics vs Prometheus Observability Quando usar Prometheus puro e quando o VictoriaMetrics traz melhor retenção e custo em escala. -
Exporters Prometheus custom: Aruba, Meraki e Zabbix Observability Como padronizar métricas heterogêneas de rede e observabilidade para consultas consistentes. -
Alertas com deduplicação: GLPI + ServiceNow + Redis DevOps Estratégia para reduzir ruído operacional com idempotência, janelas de correlação e integração ITSM. -
GitOps na prática: ArgoCD + Helm para onboarding de clientes GitOps Como reduzir onboarding de dias para horas com estrutura de repositórios, templates e promoção por ambiente. -
Terraform + Ansible: divisão correta de responsabilidades IaC Estratégia para evitar drift separando provisionamento de infraestrutura e configuração de runtime. -
Microsserviços Node.js + Python com zero incidentes críticos Backend Padrões operacionais repetíveis para confiabilidade em produção com serviços heterogêneos. -
Redis além de cache: deduplicação, idempotência e filas simples Backend Uso pragmático de Redis para integrar sistemas com menor repetição de eventos e melhor controle de concorrência. -
Integrações de pagamentos e mensageria: Stripe + WhatsApp Business API Backend Arquitetura orientada a webhooks com retries, DLQ e rastreabilidade ponta a ponta. -
SQL vs NoSQL na vida real: Postgres, Mongo e Dynamo Backend Guia objetivo de escolha por padrão de acesso, consistência e custo operacional. -
RAG em produção para CRM: LangChain + LlamaIndex AI Arquitetura prática para RAG com foco em recuperação confiável, latência controlada e limites operacionais. -
Observabilidade para LLM/RAG: o que medir e como instrumentar AI Métricas essenciais de latência, custo e qualidade para operações de IA com visibilidade ponta a ponta. -
MLflow na prática: versionamento, tracking e deploy AI Fluxo pragmático com MLflow para registrar experimentos, promover modelos e reduzir risco em produção. -
Avaliação de RAG sem romantizar: testes mínimos para produção AI Conjunto mínimo de testes e métricas para evitar regressões silenciosas em aplicações RAG.