A stack de grandes projetos de IA em produção (e quando usar)

Qual stack sustenta um projeto grande de IA em produção? No vídeo acima, o Lucas abre a caixa de ferramentas que a fazer.ai usa nas automações de IA de médias e grandes empresas, da orquestração de agentes ao hardware. E emenda um alerta: pra maior parte dos projetos, adotar essa stack agora seria a pior decisão possível.

Este artigo mostra o que tem em cada camada, e quando isso se justifica ou é overkill.

O cabo de guerra: "se não for difícil, não presta" vs. "um prompt resolve tudo"

O vídeo abre com uma declaração de amor, pra uma ferramenta. Ridículo de propósito: é o retrato de quem se apaixona pela stack e esquece o problema que precisava resolver.

Desse vício nascem dois extremos. Na tese dos especialistas, se não for difícil, não presta: é o consultor que oferece microsserviços, mensageria e cluster Kubernetes por R$ 150 mil pro açougue do bairro, esquecendo que o Brasil é movido por profissional liberal e pequeno empresário, sem tempo nem orçamento pra ferramenta complexa.

Na antítese dos aventureiros, um prompt resolve tudo: é quem promete automatizar um hospital inteiro plugando chatbot em planilha, com entrega pra semana que vem (num ambiente de LGPD, normas setoriais, sistemas legados e suporte 24/7). Vender atalho ali é colocar a segurança do cliente em risco.

A bandeira do canal é a síntese: ferramenta certa pro problema certo. Quem está começando usa ferramenta simples, gera valor rápido e evolui conforme ganha experiência, conhecimento e dinheiro. A stack abaixo é o degrau mais alto dessa escada, e vem com aviso na etiqueta: é pra time de engenharia experiente. Sem isso, ela deixa o projeto atolado em custo, complexidade e frustração.

A stack, camada por camada

Camada	Ferramentas
Orquestração de agentes	LangChain + LangGraph + LangSmith
Bancos e armazenamento	Qdrant, PostgreSQL, object storage S3
Infraestrutura	Kubernetes, Terraform, Ubuntu, NVIDIA NIM/NeMo
Hardware	Servidores com GPUs H100
Borda e proteção	Cloudflare (CDN, anti-DDoS, DNS, SSL)
Observabilidade	Prometheus + Grafana
Aplicação	React on Rails · Bun + React
DevOps	GitHub (versionamento, CI/CD, imagens Docker)
Editor e review	VS Code + GitHub Copilot + Claude Code · CodeRabbit
Testes locais de modelo	llama.cpp, Ollama, LM Studio
Segurança	1Password
Atendimento e CRM	Chatwoot fazer.ai + Kanban

Orquestração de agentes: LangChain, LangGraph e LangSmith

O LangChain conecta os modelos aos dados. O LangGraph monta fluxos complexos, com múltiplos agentes conversando entre si. No LangSmith, o time monitora e debuga: logs de conversa viram matéria-prima pra melhorar os agentes.

"Mas o n8n já não faz isso?" Faz, pra 90% dos casos, e muito bem. O buraco fica mais embaixo quando um agente precisa tomar dezenas de decisões encadeadas, consultar uma dúzia de fontes e manter o contexto de milhares de mensagens numa única conversa. E mesmo nesse nível, o que aguenta produção é sistema híbrido: agente onde há ambiguidade, fluxo determinístico onde há regra.

Dados: Qdrant, PostgreSQL e S3

O banco vetorial é o Qdrant, onde moram os embeddings, as representações numéricas que permitem à IA entender documentos, imagens e áudios. O Weaviate já entrou em projeto; o pgvector resolve os menores. O Qdrant assume quando a busca pede performance com bilhões de vetores e filtros complexos.

O PostgreSQL é a exceção da lista: recomendado pra qualquer nível, em todo projeto. Relacional, faz busca vetorial com pgvector, estável, gratuito, roda em qualquer lugar. A tese do Lucas: se for aprender um único banco de dados na vida, aprende Postgres.

Arquivos grandes vão pra um object storage S3 (commodity): escolha o fornecedor que atender melhor. Sem ele, arquivo enche o disco rapidinho, e servidor que dá pau leva tudo junto.

Infraestrutura: Kubernetes, Terraform e Ubuntu

O Kubernetes orquestra os containers: escala automaticamente e distribui a carga. O Terraform descreve a infraestrutura como código, um Docker Compose da infra inteira, digamos. O sistema operacional é Ubuntu, por um motivo prosaico: qualquer fórum e qualquer tutorial cobrem ele.

O alerta mais enfático do vídeo: sem time, sem rotina de deploy, sem SRE ou DevOps, Kubernetes é compra de complexidade. Pra maioria dos projetos, um painel como Coolify ou Portainer entrega o deploy com uma fração do atrito.

Modelos e hardware: NVIDIA NIM/NeMo e servidores H100

Pra rodar os modelos, a plataforma NIM/NeMo da NVIDIA: LLMs, modelos menores (SLMs), visão computacional, áudio, fine-tuning e inferência, tudo otimizado pro hardware da marca. E servidores com GPUs H100: uma única placa custa mais que um apartamento em várias cidades do Brasil.

Por que rodar na própria infraestrutura em vez de chamar API? Dois motivos: em milhões de requisições por mês, local em muitos casos sai mais barato; e tem cliente que não pode mandar dados pra fora do país, por compliance. É o mesmo modelo que atende cliente no WhatsApp lendo documento, placa e planilha: muda a escala, não a natureza. Modelo na sua infraestrutura é seus dados e seu custo no seu controle.

Borda, observabilidade e ambientes

Na frente de tudo, Cloudflare: CDN, proteção contra DDoS, DNS e SSL, a camada de borda que segura o tranco quando a escala chega. O Prometheus coleta as métricas; o Grafana transforma em dashboards e alertas. Servidor pegando fogo às 3 da manhã? É ali que o time descobre o porquê.

Já dev e homologação não pedem infra cara: uma VPS da Hostinger (cupom FAZERAI) segura os testes gastando pouco.

Código e time: Rails, Bun, GitHub e IA no editor

No full stack dos projetos grandes, React on Rails: convenções fortes seguram a organização quando o time cresce, e é essa base que escala pra centenas de milhares de usuários. Projetos menores vão de Bun + React: desenvolvimento mais rápido, robustez suficiente pra porte médio. E o Bun deixou de ser aposta de nicho: como o Lucas lembra no vídeo, a Anthropic comprou a empresa que desenvolve o runtime em dezembro de 2025.

O GitHub concentra versionamento, CI/CD e imagens Docker num lugar só. No editor, VS Code com GitHub Copilot e Claude Code: este nas tarefas complexas, refatoração e arquitetura. A ressalva do vídeo: IA no editor não substitui engenheiro, potencializa; sem entender o que está fazendo, é um avião decolando com o nariz apontado pro chão.

Cada pull request passa pelo CodeRabbit, review automatizado com IA; só depois um engenheiro olha. Pra validar modelo e prompt localmente: llama.cpp, Ollama ou LM Studio. E as senhas e chaves do time vivem no 1Password; nunca em chat, WhatsApp ou e-mail.

A ponta do cliente: Chatwoot fazer.ai e Kanban

O CRM da stack é o fork do Chatwoot mantido pela fazer.ai, o segundo mais baixado do GitHub, atrás só do repositório oficial, com contribuições da equipe já aceitas no projeto oficial. Integrado a ele, o Kanban que o time construiu porque queria que existisse: o lead chega no WhatsApp, vira ticket no funil, é classificado, respondido e sai com reunião agendada (IA nas etapas em que ela ajuda). Essa frente de atendimento é o nosso tronco; a história dela tá contada aqui.

Quando essa stack se justifica, e quando é overkill

Ela se justifica quando o projeto reúne boa parte disto:

• time de engenharia experiente pra operar cada camada;
• milhões de requisições por mês;
• compliance rigoroso, com dado sensível que não pode sair do país;
• alta disponibilidade crítica: parar custa caro;
• orçamento pra infraestrutura robusta.

E é overkill quando:

• você está começando agora;
• o projeto é pequeno ou médio;
• não existe time técnico por trás;
• o orçamento é limitado;
• o objetivo é validar um MVP rápido.

Fora do primeiro cenário, a stack não acelera nada: vira custo, complexidade e frustração. A imagem que fecha o vídeo resume: uma parafusadeira é ótima, mas um furo de 50 cm em concreto armado pede perfuratriz. O que separa o profissional do amador não é a ferramenta que usa; é saber a hora de trocar.

Por onde começar, então

O começo sugerido no vídeo: n8n, Supabase e uma VPS de R$ 50 por mês. Você gera valor, bota dinheiro no bolso e aprende no seu próprio projeto. Quando o problema complicar (mais decisões encadeadas, mais volume, mais compliance), as ferramentas desta página continuam no mesmo lugar. Evoluir a stack é consequência do problema crescer, não pré-requisito.

O passo a passo completo, com o açougue do Seu Zé Carlos e o hospital, tá no vídeo acima, e o canal do Lucas Moreira tem tutorial da parte simples dessa escada.

Pra ir além

O conselho que encerra o vídeo: o erro é andar sozinho. Dá pra aprender muito no YouTube e nas documentações oficiais; acompanhado, o caminho encurta. Pra tirar dúvida, pegar arquivo pronto e ver bastidor, a comunidade tá em lucasmoreira.ai. Vem fazer junto.