> ## Documentation Index > Fetch the complete documentation index at: https://docs.followw.app/llms.txt > Use this file to discover all available pages before exploring further. # AI USAGE # Registro de uso de IA Os agentes de IA compuseram um papel muito importante no desenvolvimento do Followw, inclusive para o aprendizado de cada membro da equipe. É evidente que sem o uso de IA não seria possível um desenvolvimento tão acelerado e eficiente do projeto, algumas coisas seriam quase inviáveis sem o uso dos agentes, considerando a quantidade de código legado do SIGAA que tivemos que lidar e a abrangência do projeto. Nesse sentido, é importante ressaltar que o uso da inteligência artificial não substituiu (e nem poderia) o processo criativo e o pensamento crítico de cada integrante ao trabalhar no projeto. Este documento relata como o uso dessas ferramentas foi utilizado em cada parte do projeto, por cada membro do time e quais resultados eles trouxeram. ## Alto uso * Arquivos de configuração: definições de workflows automáticose configuração do docker compose são arquivos pequenos e bem legíveis, fáceis de auditar e revisar. Portanto o uso da IA nesses casos serviu como forma de facilitar os processos e permitir que mais esforços fossem realizados em outras áreas mais trabalhosas. * Scrappers: A aplicação em código dos scrappers teve uso relevante de agentes. Devido ao alto número de funções com lógicas semelhantes, foi concluído que o uso da IA seria útil para evitar esforços repetitivos. Porém, tal decisão foi tomada a partir da elaboração bem fundamentada de como os scrappers de cada área funcionariam, permitindo que, após o código ser escrito, uma análise e revisão respaldada no funcionamento idealizado fosse feita. Dessa forma, o risco de erros, vindos da inteligência artificial, foram reduzidos de forma pertinente, garatindo que os resultados esperados viessem a ser alcançados. * Testes: Utilizamos agentes para a escrita de uma parcela considerável dos testes automatizados. Foi entendido que, por mais que testes não fazem parte do escopo da disciplina, é uma parte que exige menos esforço criativo e permite um certo grau de automatização. Ainda assim, isso não eliminou o acompanahmento e a verificação do código gerado, os membros atribuidos a essa função participaram ativamente na produção dos testes e sua validação, assegurando que todas as funções importantes do projeto fossem devidamente experimentadas e analisadas. ## Uso moderado * Endpoints: A produção em código dos endpoints teve um trabalho mesclado. Toda a projeção a priori foi feita sem o uso de agentes, a partir dos resultados obtidos nas pesquisas da primeira sprint e conhecimentos anteriores. A aplicação da elaboração feita anteriormente teve uso leve de inteligência artificial, foi utilizado apenas para facilitar parâmetros reincidentes, mensagens de resposta semelhantes e outros processos que exigem menos criatividade. * Modelos do banco: O processo de estruturação das tabelas foi planejado sem nenhum uso de IA. Porém, na tradução para o ORM e a aplicação em código, foi utilizado auxilio de agentes, buscando evitar processos repetitivos e acelarar o andamento do projeto. * Interface do Front-End: O uso de IA no processo de criação da interface visual foi moderado, apenas usado na montagem da interface. Os componentes individualmente e o planejamento do layout foram pensados e executados manualmente pela equipe Followw (execução manual apenas dos componentes, o planejamento do layout foi executado com ajuda dos agentes de IA). ## Uso irrelevante ou nulo * Documentação: Os relatórios das sprints, requisitos e arquitetura não tiveram uso relevante de IA, todo o emprego de agentes de IA envolvido em documentação foi na organização do arquivo final, por meio da criação de templates, especificado no caso do Template.md nas sprints e no arquivo de requisitos. Na arquitetura foi usado apenas para a adição da ferramenta de diagramas dinâmicos. * Instalação dos arquivos base: as ferramentas de cli como `uv init`, `bun create vite`, etc. já fazem este papel, não é necessário usar IA nessas etapas. * Organização do código: A forma de dividir o repositório entre apps e packages foi escolhida manualmente e é um padrão muito bem consolidado em monorepos. A ideia aqui foi tratar os scrappers internos como se fossem bibliotecas, enquanto a api e o site são os apps que as utilizam. *** ## Técnicas utilizadas * Modelos: * Claude Soonet 5 (Eliabe) * Claude Soonet 5.5 (Eliabe) * Claude Opus 5.5 (Eliabe) * Gemini Flash 3.8 (Gaspar, Kauã, Gabriel da Cruz, Samuel) * Gemini 4 Argon (Samuel e Kauã) * GPT 5.6-Luna (Galvão) * GPT 6-Astra (Diego, Galvão) * GPT 6.1-Sol (Diego, Gaspar, Gabriel da Cruz) * Skills: Sobre as skills, algumas foram utilizadas pontualmente e foi tomada a decisão de não adicioná-las ao repo. Sendo assim, ficaram no repositório apenas as que são frequentemente usadas por todo o time. * codebase-design: Uso geral * grilling: Uso geral * scalar-docs: Kauã e Samuel * security-audit: Eliabe e Diego * thermo-nuclear-code-quality-review: Eliabe * MCPs: * Context7: para ter acesso às docs atualizadas das bibliotecas * Playwright: para ajudar na criação dos scrappers (Eliabe, Diego) * Vercel: para criar os projetos, as configurações de deploy foram feitas manualmente *** Esse arquivo foi redigido de forma manual, sem nenhum uso de qualquer agente de IA, em conjunto com todos os participantes do grupo. Ele estará em atualização contínua até o lançamento da R2. This documentation is built and hosted on [Mintlify](https://mintlify.com), a developer documentation platform.