📍 Serra, ES — Brasil  |  📩 wemerson.souza@giulia-ai.com  |  🌐 giulia-ai.com · academy.giulia-ai.com  |  💬 WhatsApp  | 

class WemersonGuilherme:
    role       = "Tech Lead & AI Engineer"
    company    = "GIULIA AI — Fundador"
    location   = "Serra, ES — Brasil 🇧🇷"
    experience = "18+ anos em TI, Dados e IA"
    focus      = ["RAG", "AI Engineering", "Analytics", "EdTech"]
    principle  = "Sistemas que funcionam de verdade, não só em demo."

    def what_i_build(self):
        return [
            "Ecossistemas de IA com governança real",
            "Pipelines ETL/ELT escaláveis",
            "Produtos educacionais com metodologia própria",
            "Agentes autônomos que gerenciam seu próprio ciclo de vida"
        ]

9 implementações progressivas de RAG, do zero ao deploy em produção. 471 testes, nada simulado.

Implementações progressivas cada uma isolando uma técnica distinta — de um pipeline vanilla até roteamento adaptativo, grafos e orquestração multi-serviço. Framework 100% local, 100% privado, com seletor multi-provider de LLM (Ollama / Gemini / Grok / Groq) e governança automatizada pelo GIULIA AI Engineering Ecosystem.

Cada projeto tem seu próprio repositório e roda de forma independente — todos com requirements.txt validado do zero (471 testes passando) e seletor multi-provider de LLM (Ollama local / Gemini / Grok / Groq).

📸 Governança em ação — board GARE no Jira

Board — backlog, em progresso e concluído	Epic — Vanilla RAG com suas 7 tasks
Task — subtasks e épico pai visíveis	Subtask — comentário automático do agente ao concluir

8 servidores de protocolo de agentes em Python. MCP (tools, resources, prompts) e A2A. 212 testes, nada simulado.

Implementações progressivas cada uma isolando um conceito do protocolo — do servidor mais simples até orquestração multi-agente real (WhatsApp, Postgres, A2A).

Também disponível como repositório único (giulia-mcp-series), com os 8 projetos lado a lado e CI rodando os 212 testes a cada push.

📸 Governança em ação — projeto MCP no Jira

Lista — os 8 épicos, todos concluídos	Epic — Ping Server com suas 4 tasks

Task — relatório de conclusão gerado automaticamente (tempo real, status final)

🔗 Repositório público: wganalytics/giulia-ai-engineering-ecosystem — framework de governança e metodologia (RLM, SDD, TDD, automação de ciclo de vida Jira) usado em todos os projetos deste perfil.

O ecossistema não depende de um agente único — a governança está documentada no próprio monorepo, então qualquer CLI de codificação com IA (hoje: Claude Code, Codex, Antigravity, OpenCode) segue o mesmo ciclo completo de desenvolvimento ao entrar no projeto:

📖 Lê CONTEXTO_RLM          →  Sabe exatamente onde o projeto está
🎯 Cria ideia.md + spec      →  Planeja antes de codificar
🔄 Move cards no Jira        →  Backlog → In Progress → Done (automático)
🧪 Desenvolve com TDD        →  Red → Green → Refactor
✅ Valida o ecossistema       →  6 regras de consistência entre 5 fontes
📝 Documenta tudo            →  walkthrough.md + Diário de Bordo
🚀 Commit semântico + push   →  Entrega rastreável e auditável

"🚀 Atualização Automática (Agente AI)" — comentário automático no Jira a cada entrega

Inspirado no streaming de mundo aberto do GTA — carrega só a camada necessária pra responder a pergunta de agora, não o projeto inteiro de uma vez. O RLM (Recursive Language Model) organiza a documentação do monorepo em 5 camadas, da mais compacta pra mais profunda, para qualquer LLM retomar o projeto do zero sem perder contexto:

① CONTEXTO_RLM.md              ←  "Onde estou?" (30 segundos)
② DIARIO_DE_BORDO.md           ←  "O que já fizemos?"
③ MANUAL_DO_ECOSSISTEMA.md     ←  "Quais são as regras?"
④ .contexto_navegacao.md       ←  "Onde encontro X?"
⑤ governance/projects/PRJ-XX/  ←  Spec + plano do projeto ativo

A passagem de bastão entre sessões e agentes não fica só na memória — cada handoff de tarefa é gravado em handoff_trace.jsonl (um projeto, um arquivo, um evento JSON por linha): timestamp, issue do Jira, skill usada, decisão tomada, justificativa e status. O próximo agente que entrar no projeto lê o porquê da decisão anterior, não só o quê.

               

Stack verificada nos 17 projetos publicados (9 RAG + 8 MCP/A2A) — Gemini, Grok e Groq entram como providers de LLM plugáveis via LiteLLM/seletor multi-provider, não como serviços hospedados.

Formação executiva em IA aplicada — para quem precisa de método, não só de prompts.

Curso principal: Auditoria 2.0

• 📚 40 horas · 5 dias intensivos · 15 entregáveis
• 🧩 Metodologia CTCF (Contexto · Tarefa · Critério · Formato)
• 📊 Caso prático financeiro real (Grupo Cavalcanti — 5 empresas, DRE, Balanço, DFC)
• 🎯 Público: auditores, controllers, analistas e gestores

🔗 academy.giulia-ai.com

Aberto a posições remotas de Tech Lead ou Head de IA/Dados onde autonomia técnica e aprendizado contínuo façam parte da cultura.