Arthur Bezerra

Kit completo de App Store Optimization (ASO) para pesquisa, otimização e acompanhamento de desempenho de aplicativos móveis na Apple App Store e Google Play Store

日本語の概要は準備中です。原文の説明を表示しています。

Extrai e analisa anúncios de concorrentes de bibliotecas de anúncios (Facebook, LinkedIn, etc.) para entender que mensagens, problemas e abordagens criativas estão funcionando. Ajuda a inspirar e melhorar suas próprias campanhas de anúncios.

日本語の概要は準備中です。原文の説明を表示しています。

Quando o usuário quer criar páginas de comparação com concorrentes ou alternativas para SEO e ativação de vendas. Use também quando o usuário menciona 'página de alternativas', 'página vs', 'comparação com concorrentes', 'página de comparação', '[Produto] vs [Produto]', '[Produto] alternativa', ou 'landing pages competitivas'. Cobre quatro formatos: alternativa singular, alternativas plurais, você vs concorrente, e concorrente vs concorrente. Enfatiza pesquisa profunda, arquitetura de conteúdo modular e tipos de seção variados além de tabelas de recursos.

日本語の概要は準備中です。原文の説明を表示しています。

Crie conteúdo de marketing otimizado para SEO com voz de marca consistente. Inclui analisador de voz de marca, otimizador de SEO, frameworks de conteúdo e templates de redes sociais. Use ao escrever posts em blog, criar conteúdo de redes sociais, analisar voz de marca, otimizar SEO, planejar calendários de conteúdo, ou quando o usuário menciona criação de conteúdo, voz de marca, otimização de SEO, marketing em redes sociais ou estratégia de conteúdo.

日本語の概要は準備中です。原文の説明を表示しています。

Estratégias de cache para prompts de LLM incluindo cache de prompt da Anthropic, cache de resposta e CAG (Cache Augmented Generation) Use quando: prompt caching, cache prompt, response cache, cag, cache augmented.

日本語の概要は準備中です。原文の説明を表示しています。

Especialista em design de prompts eficazes para aplicações com LLM. Domina estrutura de prompts, gerenciamento de contexto, formatação de output e avaliação de prompts. Use quando: engenharia de prompts, system prompt, few-shot, chain of thought, design de prompts.

日本語の概要は準備中です。原文の説明を表示しています。

Simple Preference Optimization para alinhamento de LLMs. Alternativa sem modelo de referência ao DPO com melhor desempenho (+6.4 pontos no AlpacaEval 2.0). Sem modelo de referência necessário, mais eficiente que DPO. Use para alinhamento de preferências quando quer treinamento mais simples e rápido que DPO/PPO.

日本語の概要は準備中です。原文の説明を表示しています。

Framework RLHF de alta performance com aceleração Ray+vLLM. Use para treinamento PPO, GRPO, RLOO, DPO de modelos grandes (7B-70B+). Construído em Ray, vLLM, ZeRO-3. 2× mais rápido que DeepSpeedChat com arquitetura distribuída e compartilhamento de recursos GPU.

日本語の概要は準備中です。原文の説明を表示しています。

Guia especializado em padrões de engenharia de prompts, melhores práticas e técnicas de otimização. Use quando o usuário quer melhorar prompts, aprender estratégias de prompting ou depurar comportamento de agentes.

日本語の概要は準備中です。原文の説明を表示しています。

Fornece orientação para pós-treinamento de LLM com RL usando slime, um framework Megatron+SGLang. Use ao treinar modelos GLM, implementar fluxos de trabalho personalizados de geração de dados, ou precisar de integração estreita com Megatron-LM para escalabilidade em RL.

日本語の概要は準備中です。原文の説明を表示しています。

Controle saída de LLM com regex e gramáticas, garanta geração válida de JSON/XML/código, aplique formatos estruturados e construa fluxos de trabalho multi-etapas com Guidance - framework de geração restrita da Microsoft Research

日本語の概要は準備中です。原文の説明を表示しています。

Domine técnicas avançadas de engenharia de prompts para maximizar o desempenho, confiabilidade e controlabilidade de modelos de linguagem.

日本語の概要は準備中です。原文の説明を表示しています。

Coleção curada de prompts de alta qualidade para diversos casos de uso. Inclui prompts baseados em função, templates específicos de tarefas e técnicas de refinamento de prompts. Use quando o usuário precisar de templates de prompts, prompts para dramatização, ou exemplos de prompts prontos para uso em codificação, escrita, análise ou tarefas criativas.

日本語の概要は準備中です。原文の説明を表示しています。

Banco de dados de embeddings de código aberto para aplicações de IA. Armazene embeddings e metadados, realize buscas vetoriais e full-text, filtre por metadados. API simples com 4 funções. Escala de notebooks para clusters de produção. Use para busca semântica, aplicações RAG ou recuperação de documentos. Melhor para desenvolvimento local e projetos de código aberto.

日本語の概要は準備中です。原文の説明を表示しています。

Padrões de Retrieval-Augmented Generation incluindo chunking, embeddings, vector stores e otimização de recuperação. Use quando: rag, retrieval augmented, vector search, embeddings, semantic search.

日本語の概要は準備中です。原文の説明を表示しています。

Banco de dados vetorial gerenciado para aplicações de IA em produção. Totalmente gerenciado, com auto-scaling, busca híbrida (vetores densos + esparsos), filtragem de metadados e namespaces. Latência baixa (<100ms p95). Use para RAG em produção, sistemas de recomendação ou busca semântica em escala. Ideal para infraestrutura serverless e gerenciada.

日本語の概要は準備中です。原文の説明を表示しています。

Método da Anthropic para treinar IA inofensiva através de auto-aprimoramento. Abordagem em duas fases - aprendizado supervisionado com auto-crítica/revisão, depois RLAIF (RL from AI Feedback). Use para alinhamento de segurança, redução de outputs prejudiciais sem rótulos humanos. Alimenta o sistema de segurança do Claude.

日本語の概要は準備中です。原文の説明を表示しています。

Modelo de moderação especializado 7-8B do Meta para filtragem de entrada/saída de LLM. 6 categorias de segurança - violência/ódio, conteúdo sexual, armas, substâncias, automutilação, planejamento criminal. Precisão de 94-95%. Deploy com vLLM, HuggingFace, Sagemaker. Integra com NeMo Guardrails.

日本語の概要は準備中です。原文の説明を表示しています。

Framework de segurança em runtime da NVIDIA para aplicações LLM. Com detecção de jailbreak, validação de entrada/saída, verificação de fatos, detecção de alucinações, filtragem de PII, detecção de toxicidade. Usa DSL Colang 2.0 para rails programáveis. Pronto para produção, executa em GPU T4.

日本語の概要は準備中です。原文の説明を表示しています。

Tokenizadores rápidos otimizados para pesquisa e produção. Implementação em Rust que tokeniza 1GB em menos de 20 segundos. Suporta algoritmos BPE, WordPiece e Unigram. Treine vocabulários customizados, rastreie alinhamentos, gerencie padding/truncagem. Integração perfeita com transformers. Use quando precisar de tokenização de alto desempenho ou treinamento de tokenizadores customizados.

日本語の概要は準備中です。原文の説明を表示しています。

Tokenizador agnóstico de linguagem que trata texto como Unicode bruto. Suporta algoritmos BPE e Unigram. Rápido (50k sentenças/seg), leve (6MB de memória), vocabulário determinístico. Usado por T5, ALBERT, XLNet, mBART. Treina em texto bruto sem pré-tokenização. Use quando você precisar de suporte multilíngue, linguagens CJK ou tokenização reproduzível.

日本語の概要は準備中です。原文の説明を表示しています。

Agentes de voz representam a fronteira da interação com IA - humanos falando naturalmente com sistemas de IA. O desafio não é apenas reconhecimento e síntese de fala, mas alcançar fluxo de conversa natural com latência inferior a 800ms enquanto se lidam com interrupções, ruído de fundo e nuances emocionais. Esta habilidade cobre duas arquiteturas: fala-para-fala (OpenAI Realtime API, menor latência, mais natural) e pipeline (STT→LLM→TTS, mais controle, mais fácil de depurar). Insight-chave: latência é a restrição. Hu

日本語の概要は準備中です。原文の説明を表示しています。

Especialista em construir aplicações de voz em tempo real - de agentes de voz em tempo real a apps habilitados para voz. Abrange OpenAI Realtime API, Vapi para agentes de voz, Deepgram para transcrição, ElevenLabs para síntese, LiveKit para infraestrutura em tempo real e fundamentos de WebRTC. Sabe como construir experiências de voz com baixa latência e prontas para produção. Use quando: voice ai, voice agent, speech to text, text to speech, realtime voice.

日本語の概要は準備中です。原文の説明を表示しています。

Orquestrador principal de construção de aplicações. Cria aplicações full-stack a partir de requisições em linguagem natural. Determina o tipo de projeto, seleciona a tech stack e coordena agentes.

日本語の概要は準備中です。原文の説明を表示しています。