Python · TypeScript · Automação · IA aplicada
Sou estudante de Análise e Desenvolvimento de Sistemas e desenvolvo ferramentas com Python e TypeScript. Meu foco está em automação, integração de APIs e inteligência artificial aplicada a problemas concretos.
Também trabalho com suporte técnico. Investigar falhas, entender o que o usuário precisa e encontrar a causa de um problema fazem parte da minha rotina e da forma como construo software.
Desenvolvo um sistema de tradução de mangás, manhwas e webtoons que combina visão computacional, inteligência artificial e processamento de linguagem natural (PLN). O pipeline localiza e reconhece textos com OCR, segmenta regiões com máscaras e usa inpainting para reconstruir as áreas após a remoção dos caracteres. Depois, traduz as falas, verifica a consistência dos termos e ajusta a tipografia aos balões, buscando preservar a composição artística original.
| Camada | Como funciona |
|---|---|
| Interface e execução | A UI grava jobs em uma fila SQLite. Um worker supervisionado executa cada job em um processo próprio e persiste progresso e resultados. |
| Pipeline visual e linguístico | Adapters coletam as páginas; RapidOCR identifica texto; a classificação contextual distingue falas, narração e SFX. A tradução passa por backend autenticado, com o motor remoto no servidor. |
| Memória de capítulo | Um ledger de terminologia e um registro de personagens mantêm nomes e formas canônicas consistentes dentro do capítulo. Cache e artefatos persistidos permitem reutilizar etapas válidas. |
| Reconstrução e qualidade | OpenCV, máscaras e inpainting apoiam a reconstrução; a análise geométrica orienta a posição e o tamanho da tradução. Verificações de resíduos de texto e alterações visuais registram evidências e encaminham casos duvidosos para revisão humana. |
Python · OpenCV · RapidOCR · SQLite
Beta técnica em desenvolvimento. A fidelidade visual da reconstrução em páginas reais ainda está em validação.
Explorar o Yomu → · Arquitetura e processos
Desenvolvo uma infraestrutura para conectar assistentes de IA a projetos locais com acesso controlado. Além de consultar arquivos, pesquisar código e inspecionar Git, o projeto tem um núcleo de memória estruturada para preservar o contexto do trabalho entre sessões: o que foi tentado, por que uma decisão foi tomada e quais evidências sustentam cada conclusão.
| Camada | Como funciona |
|---|---|
| Gateway MCP + agente local | O Gateway expõe as ferramentas aos clientes de IA; o agente valida cada solicitação e acessa somente as pastas autorizadas. Os processos se comunicam por HTTP autenticado e rodam em loopback por padrão. |
| Registry e permissões | O desenho de autorização vincula repositório, workspace e vault por identidade. Leitura, escrita de memória e escrita de projeto têm escopos próprios; uma não libera a outra. |
| Núcleo de memória | Vault Markdown como fonte de verdade, com missões, bugs, tentativas, decisões, experimentos, evidências e sessões relacionados por IDs. Histórico e resumos de continuidade distinguem relato, observação de teste e verificação Git. |
| Escrita controlada | O core separa proposta, aprovação e aplicação, com revisão esperada, hashes e recibos vinculados ao preview. A integração operacional depende dos gates locais de autorização, segurança e recuperação. |
TypeScript · Node.js · MCP · Markdown / Obsidian
O runtime portátil publicado oferece leitura de projetos e Git. O núcleo de memória existe no repositório; sua habilitação no runtime portátil e a escrita em projetos continuam em desenvolvimento.
Explorar o Nodaris → · Arquitetura de memória
Curte automação, IA aplicada ou tem um projeto em mente?
Me chama para conversar sobre código, colaborar ou falar de uma oportunidade.
