ai-memory — Segundo Cérebro (RAG)
Um servidor MCP de memória persistente com busca semântica sobre APIs, código, e-mails e schemas.
- e-mails indexados
- 58k+
- colunas de ERP catalogadas
- 29k
- endpoints de API pesquisáveis
- 600+
Da dor ao resultado
Antes
Cada projeto recomeçava do zero, e assistentes de IA adivinhavam nomes de campos e endpoints — gerando código errado.
Cada novo projeto recomeçava do zero: fluxos de autenticação de APIs, nomes de colunas de um ERP com 29 mil campos, armadilhas já descobertas — tudo espalhado em e-mails, docs e código, e constantemente reesquecido.
Assistentes de IA "adivinhavam" nomes de campos e endpoints, gerando código errado.
Como · 1/3
Projetei um servidor MCP em Python sobre PostgreSQL que ingere e indexa e-mails, catálogos de API (Swagger), exemplos de código, o schema completo do SQL Server e notas de aprendizado.
Como · 2/3
A recuperação é uma busca híbrida real: combina similaridade vetorial (embeddings) com full-text search e funde os dois rankings num só, com corte por score mínimo e saída compacta.
Como · 3/3
Ele expõe ferramentas MCP (buscar, detalhar, status, adicionar/atualizar nota) que qualquer cliente compatível — incluindo este — usa como fonte de verdade antes de codar.
Depois
E-mails, o dicionário completo do ERP e centenas de endpoints viraram uma memória pesquisável, consultada antes de cada linha de código. Inclusive na construção deste site.
- 58k+
- e-mails indexados
- 29k
- colunas de ERP catalogadas
- 600+
- endpoints de API pesquisáveis
Como ler o diagrama
Quatro famílias de fonte são indexadas num só banco. A consulta se divide em busca vetorial e full-text, e os dois rankings voltam a se encontrar numa fusão única antes de virar ferramenta MCP.
Destaques técnicos
- 1 Busca híbrida vetorial + full-text com fusão dos rankings e corte de score, retornando resultados compactos com referência [tipo#id].
- 2 Ingestores dedicados por projeto, não um parser genérico: cada sistema tem estruturas próprias (rotas Flask, schemas MongoDB, payloads de API), e um ingestor específico extrai o que importa em vez de tentar adivinhar.
- 3 Embeddings multilíngues rodando localmente — cobre português e inglês sem custo por consulta e sem mandar conteúdo corporativo para fora.
- 4 Modelagem dimensional por projeto, com upsert de notas por título para evitar duplicação de conhecimento.
- 5 Integração nativa como servidor MCP, consumível por qualquer assistente de IA — inclusive durante a construção deste portfólio.