Skip to main content
Glama
Cérebro MLE
by Henry3151

Cérebro MLE

Do problema de Machine Learning Engineering ao mapa de arquitetura, com roteiro de desenvolvimento e fontes.

O Cérebro MLE é uma base de conhecimento local (RAG) conectada a um assistente de IA desktop por MCP. Você descreve um problema ("preciso detectar fraude em tempo real", "como monitorar meu modelo de crédito") e recebe:

  1. O mapa da arquitetura, com etapas agrupadas, componentes e fluxo, desenhado de forma determinística (sempre válido);

  2. Um roteiro em passos, com a ordem de construção, o porquê de cada passo e o critério de pronto;

  3. As fontes: em qual aula, fase e página, ou em qual projeto, cada decisão se apoia.

O raciocínio é feito pelo assistente de IA, com a sua assinatura e sem custo de API. O conhecimento, a validação e o desenho ficam no seu computador.

flowchart LR
    subgraph s_base["1 · Base de conhecimento"]
        c_aulas[("Aulas da pós<br/>por fase e submódulo")]
        c_repos[("Repositórios<br/>do GitHub")]
        c_notas[("Notas próprias")]
        c_ingest["Ingestão incremental<br/>PDF · Markdown · código"]
        c_indice[("Índice BM25<br/>em português")]
        c_padroes[("Biblioteca de<br/>arquiteturas modelo")]
    end
    subgraph s_rac["2 · Raciocínio"]
        c_user(["Você, no assistente de IA"])
        c_llm[["LLM"]]
        c_mcp("Servidor MCP<br/>Cérebro")
    end
    subgraph s_saida["3 · Desenho"]
        c_valida{"Validação<br/>Pydantic + regras"}
        c_render["Gerador Mermaid"]
        c_mapa[/"Mapa HTML · Markdown · JSON"/]
    end
    c_aulas --> c_ingest
    c_repos --> c_ingest
    c_notas --> c_ingest
    c_ingest --> c_indice
    c_user --> c_llm
    c_llm <-->|"ferramentas"| c_mcp
    c_indice --> c_mcp
    c_padroes --> c_mcp
    c_mcp --> c_valida
    c_valida -.->|"erros: corrigir"| c_llm
    c_valida -->|"ok"| c_render
    c_render --> c_mapa

Por que funciona bem

  • O LLM não desenha. O LLM decide a arquitetura e devolve JSON; o Python valida (ids, etapas, ligações, roteiro) e gera o Mermaid. Se houver erro, o LLM recebe a lista exata e corrige.

  • Exemplos reais. A biblioteca traz 9 arquiteturas modelo validadas, 3 delas tiradas dos projetos do autor (DriftGuard, Triagem de Laudos, Churn). Com bons exemplos, os mapas novos saem consistentes.

  • Fontes rastreáveis. Cada trecho buscado ganha uma etiqueta (F-3fa2c1) que o roteiro cita; o mapa lista aula, fase e página.

  • Leve. A busca BM25 roda instantaneamente em qualquer PC, sem GPU e sem baixar modelos.

Related MCP server: AI Book Agent MCP Server

Instalação (Windows)

Pré-requisitos: Python 3.10+, Git e um app desktop de assistente de IA com suporte a MCP.

  1. Coloque os PDFs das aulas em data/aulas/<fase>/<submódulo>/ (veja data/aulas/LEIA-ME.md).

  2. Dê dois cliques em instalar.bat. Ele cria o ambiente, baixa seus repositórios, indexa tudo, gera os mapas de exemplo e registra o Cérebro no assistente de IA.

  3. Feche o assistente de IA por completo (inclusive na bandeja do sistema) e abra de novo.

No assistente, peça por exemplo:

Cérebro, monte a arquitetura para detectar fraude em pagamentos em tempo real, com retreino semanal.

Você também pode usar o prompt arquitetar, no menu de prompts do assistente, que já traz o fluxo completo.

Uso no dia a dia

Quero...

Faça

Adicionar uma fase nova da pós

Coloque os PDFs em data/aulas/fase5_.../ e rode atualizar_base.bat (ou peça ao assistente: "reindexe a base")

Ver todos os mapas gerados

abrir_mapas.bat

Testar a busca no terminal

.venv\Scripts\cerebro search drift PSI monitoramento

Ver o que está indexado

.venv\Scripts\cerebro status

Guardar um mapa aprovado como padrão

Peça ao assistente: "salve essa arquitetura como padrão"

Desenhar um JSON manualmente

.venv\Scripts\cerebro render arquivo.json --abrir

Ferramentas MCP

Ferramenta

O que faz

sugerir_padroes

Encontra as arquiteturas modelo mais parecidas com o problema

obter_padrao

Devolve o JSON completo de um padrão, para servir de exemplo

buscar_conhecimento

Busca nas aulas (filtro por fase), notas e repositórios, com etiquetas de fonte

regras_da_arquitetura

Regras e schema JSON que o mapa precisa seguir

gerar_mapa

Valida, desenha e salva mapa.html, mapa.md e arquitetura.json; abre no navegador

salvar_como_padrao

Adiciona uma arquitetura aprovada à biblioteca

status_da_base / reindexar

Mostra e atualiza a base

Estrutura

cerebro-mle/
├── config.yaml              # fontes, busca e caminhos
├── instalar.bat · atualizar_base.bat · abrir_mapas.bat
├── data/
│   ├── aulas/               # PDFs da pós por fase e submódulo (uso pessoal, fora do Git)
│   ├── notas/               # suas anotações, com as suas palavras (base própria)
│   ├── repos/               # repositórios clonados por "cerebro repos"
│   └── index/               # índice gerado
├── library/patterns/        # arquiteturas modelo (JSON)
├── outputs/                 # mapas gerados + galeria index.html
├── src/cerebro/
│   ├── schema.py            # estrutura da arquitetura e validação
│   ├── render.py            # Mermaid, Markdown e HTML (Mermaid embutido, funciona offline)
│   ├── knowledge/           # leitura, divisão em trechos, BM25 e índice incremental
│   ├── patterns.py          # biblioteca de padrões
│   ├── brain.py             # camada de serviço
│   ├── mcp_server.py        # servidor MCP para o assistente de IA
│   └── cli.py               # linha de comando
└── tests/                   # 22 testes, incluindo um cliente MCP real

Privacidade e direitos autorais

  • O conteúdo de data/aulas pertence à FIAP + Alura. É usado só localmente, está no .gitignore e nunca deve ser publicado.

  • Na leitura, a marca d'água com nome, RM e e-mail do aluno é removida, e nenhum e-mail entra no índice.

  • Arquivos com nomes como token, login, senha ou .env são ignorados.

  • Código, biblioteca de padrões e notas próprias são do autor (licença MIT) e formam a base de uma futura versão pública.

Desenvolvimento

pip install -e ".[dev]"
pytest
ruff check src tests
python scripts/check_render.py outputs   # confere no Chromium se todos os mapas renderizam (requer playwright)

Próximos passos

  • Incluir a fase 4 (Model Monitoring and Security) e a fase 5 quando liberadas.

  • Gerar, a partir do mapa, o esqueleto do projeto (pastas, Dockerfile, CI, testes).

  • Busca híbrida (BM25 + embeddings) se a base crescer muito.

  • Versão pública: apenas notas próprias, padrões e documentação aberta.

Tool Schema Changelog

Recent tool additions, removals, and schema changes observed during successful MCP inspections.

Loading tool schema changelog…

    Related MCP Connectors

    Related MCP Servers

    • A
      license
      Not graded
      quality
      D
      maintenance
      Provides AI assistants with intelligent access to ML textbook content for creating accurate, source-grounded documentation using local models for privacy and cost efficiency.
      2
      MIT
    • A
      license
      Not graded
      quality
      Not graded
      maintenance
      Provides AI assistants with intelligent access to ML textbook content through RAG-powered search, chapter retrieval, and documentation generation capabilities. Uses local models for privacy-focused, source-grounded responses from indexed technical books.
      MIT
    • F
      license
      Not graded
      quality
      A
      maintenance
      Enables AI agents and MCP hosts to query a local, machine-resident index of scattered notes, project docs, PDFs, Office files, and chat exports using hybrid vector + BM25 retrieval with section-level citations. Exposes tools, resources, and prompts so hosts like Claude Desktop, Cursor, and Cline can search, ask, and explore linked knowledge through natural language.
      -
    • A
      license
      Not graded
      quality
      B
      maintenance
      Enables agents to work with local hardware engineering context — registered repositories, imported PDFs and documents, and user-created system diagrams — through stdio tools for bounded source search and file reading, document text extraction and PDF page/crop rendering, and reading or drafting system architecture models. It runs entirely on local storage with no code index, hosted backend, or model provider routing, leaving the agent's own model, keys, and permissions intact.
      17 npm
      3
      MIT