Transformando mais de 1.000 transcrições em um sistema de conhecimento pesquisável com IA.
Um grande corpus privado de ensinamentos era valioso — e quase inutilizável em escala. Eu projetei e construí o Dharma Sky: uma biblioteca privada onde essas transcrições podem ser navegadas, pesquisadas e questionadas por meio de uma interface de IA fundamentada no material de origem.
Função: Product Designer · Construtor de produtos de IA
Design de produto com IA
Desenvolvimento assistido por IA
Recuperação de conhecimento
Construção de produto
O desafio
Conhecimento preso em mil arquivos
O material existia — anos de transcrições em formatos e pastas diferentes. Encontrar um ensinamento sobre um tema, comparar passagens relacionadas ou responder a uma pergunta precisa significava caçar manualmente em um arquivo que nenhuma interface humana conseguiria navegar de forma razoável.
Era um problema de arquitetura da informação: como tornar acessível um grande corpo de conhecimento não estruturado sem exigir que alguém lembre nomes de arquivo, datas ou em qual documento estava cada ideia.
A ideia
Uma camada de recuperação entre as pessoas e o arquivo
Em vez de pedir que as pessoas busquem documentos um a um, o Dharma Sky processa o corpus em uma camada de conhecimento indexada — e oferece uma superfície de produto calma para navegação, exploração temática e perguntas fundamentadas.
O sistema
De transcrições não estruturadas a respostas fundamentadas
A história central do produto é o pipeline de indexação. Tudo o que a pessoa experimenta — busca, Ask, tópicos — depende do que acontece aqui.
Pipeline de indexação
01
Transcrições
Um corpus privado com mais de 1.000 ensinamentos chega em muitos formatos — Word, PDF, RTF, HTML, imagens digitalizadas, arquivos aninhados.
02
Processamento
Cada arquivo é expandido, o texto é extraído (incluindo OCR para imagens) e a transcrição é normalizada em texto legível do ensinamento.
03
Indexação
O ensinamento é dividido em trechos para recuperação, convertido em embeddings para busca vetorial e também recebe um índice no nível do documento: termos-chave, uma sinopse fiel e um embedding de roteamento.
04
Recuperação
Uma pergunta primeiro seleciona os ensinamentos mais relevantes e depois busca passagens dentro deles — para que as respostas permaneçam fundamentadas nas fontes certas.
05
Resposta da IA
O modelo responde apenas a partir das passagens recuperadas, com citações dos ensinamentos originais — sem inventar conteúdo além da biblioteca.
Segmentação
Os ensinamentos são divididos em unidades de recuperação com sobreposição, dimensionadas para embedding — mantendo o contexto de página quando disponível.
Embeddings
Trechos e índices de documento recebem embeddings para que o significado — e não só palavras-chave — possa ser buscado.
Recuperação hierárquica
Primeiro selecione os ensinamentos, depois recupere passagens dentro deles. Diversifique as fontes para que um único arquivo não domine a resposta.
O ponto para um recrutador que nunca construiu infraestrutura de IA: eu entendo o que acontece entre uma pessoa fazer uma pergunta e a IA produzir uma resposta — e desenhei esse caminho como produto.
Escala
1,000+
transcrições
Nessa escala, buscar manualmente o material de origem deixa de ser uma interface prática.
O produto precisava de uma forma estruturada de processar, indexar, recuperar e apresentar o conhecimento certo — para que uma pergunta ou tema pudesse abrir o arquivo sem exigir que alguém soubesse onde cada ensinamento estava.
Produto e UX
Uma superfície simples sobre um sistema complexo
A interface é intencionalmente silenciosa: biblioteca, navegação, tópicos, Ask. A complexidade fica no pipeline; o produto pede apenas a intenção.
Perguntar
Perguntas em linguagem natural se tornam uma busca em duas etapas: encontrar os ensinamentos certos e então citar as passagens correspondentes.
Navegar
Busca semântica ranqueada por relevância temática — sinopses e termos-chave tornam uma biblioteca grande percorrível sem abrir cada arquivo.
Biblioteca
Filtros de catálogo por ano, evento, tipo e tópico. Páginas de detalhe abrem a transcrição completa com resumos opcionais por IA.
Tópicos
Temas reunidos entre ensinamentos, com o Construtor de Tópicos ligando cada tema às passagens de apoio.
Como as pessoas navegam
Buscar por significado — não só por títulos exatos — usando o índice de documentos e o ranking semântico.
Abrir um ensinamento para ler a transcrição, ver metadados da fonte e, opcionalmente, gerar um resumo estruturado.
Explorar tópicos curados que reúnem passagens de todo o corpus em vez de forçar um modelo mental de um arquivo só.
Perguntar em linguagem natural quando o objetivo é uma resposta com fontes — não uma caça a arquivos.
Navegar
Prévia anonimizada
Como lidar com a impaciência
Ensinamento sobre paciência · Arquivo do evento
A sinopse destaca trabalhar a irritação, suavizar a reação e voltar à prática.
Palestra noturna · Treinamento da mente
Termos-chave revelam temas de raiva, paciência e aplicação diária — sem abrir o arquivo completo primeiro.
Interação com IA
Conversacional — mas feito para um propósito
O Ask Dharma não é um clone genérico de chat. Foi desenhado para uma tarefa: responder a partir desta biblioteca, mostrar as passagens que sustentam a resposta e recusar inventar ensinamentos que não estão lá.
Como praticar quando surge a impaciência?
Da biblioteca
Nos ensinamentos recuperados, a impaciência é tratada como algo a reconhecer cedo — e então enfrentar com a prática da paciência, em vez de alimentar a reação. As passagens enfatizam voltar a uma mente calma e aplicar a instrução nos momentos comuns.
Passagens de apoio
“Quando a impaciência aparece, não a siga — reconheça-a e aplique o método que você aprendeu.”
Ensinamento de origem · título anonimizado
Troca ilustrativa — o conteúdo do corpus privado não é exibido.
Por baixo da superfície: a pergunta recebe embedding, os ensinamentos candidatos são selecionados no índice de documentos (e por sobreposição lexical de termos-chave), os trechos correspondentes são recuperados, as fontes são diversificadas, e só então o modelo escreve — limitado a essas passagens.
O modelo não “conhece” as transcrições. Ele responde a partir do que a recuperação retorna.
Construindo o produto
Desenhei. Construí. Publiquei.
Usei Cursor e desenvolvimento assistido por IA para ir do conceito de produto e UX até uma aplicação funcionando — schema, pipeline de ingestão, recuperação e interface.
O importante não é que a IA escreveu código. É que eu pude dirigir o ciclo completo: definir o problema, desenhar a experiência, decidir como o conhecimento deveria ser indexado e recuperado, e publicar um produto privado que as pessoas realmente podem usar.
Pipeline de ingestão multiformato
Schema Postgres + busca vetorial
Índices no nível do documento e do trecho
Fluxo Ask fundamentado com citações
Construtor de Tópicos sobre passagens recuperadas
Shell autenticado da biblioteca privada
Decisões de design
Escolhas de produto que moldaram o sistema
Esconder a infraestrutura
As pessoas nunca veem embeddings, limites de trechos ou scores vetoriais. Veem busca, respostas e fontes.
Recuperar antes de responder
O modelo não é tratado como se “conhecesse” o corpus. As passagens são recuperadas primeiro; a resposta fica limitada a essas passagens.
Citar o caminho de cada afirmação
Passagens de apoio aparecem sob cada resposta, ligadas aos títulos dos ensinamentos — a confiança vem da proveniência, não do verniz.
Indexar em dois níveis
A relevância no nível do documento encontra os ensinamentos certos; a busca no nível do trecho encontra as linhas exatas para citar.
Desenhar para conhecimento privado
Acesso autenticado, armazenamento privado e sem cadastro público — o corpus permanece uma biblioteca fechada.
Estados que combinam com o sistema
Carregamento (“Buscando os ensinamentos…”), resultados vazios e falhas de recuperação são desenhados como momentos de produto, não erros genéricos.
O que aprendi
Construir produtos de IA é design de sistemas
1
Desenhar um produto de IA significa desenhar o sistema em torno da IA — recuperação, fundamentação e citações — não colocar um chatbot sobre uma pilha de documentos.
2
A qualidade da recuperação é a qualidade do produto. Se as passagens erradas aparecem, a resposta parece quebrada mesmo com uma UI calma.
3
Uma boa UX de IA torna a infraestrutura complexa invisível. As pessoas devem se sentir guiadas, não impressionadas por jargão.
4
O desenvolvimento assistido por IA mudou a velocidade com que pude ir do conceito de produto e UX a um sistema funcionando no qual eu pudesse iterar.
Product Designer · Construtor de produtos de IA
Problema → pensamento de produto → UX → sistema de IA → indexação → software publicado
