Como Adicionar Funcionalidades de IA à Sua App

Para adicionar funcionalidades de IA à sua app, chame uma API de modelo de linguagem de grande dimensão (LLM) a partir do seu servidor: envie-lhe instruções claras mais os dados relevantes, e use o que voltar. A maioria das funcionalidades úteis segue um de quatro padrões — resumir, conversar, extrair dados estruturados e classificar — e cada um são algumas dezenas de linhas de código que um construtor de apps com IA pode escrever por si. O trabalho que decide se a funcionalidade é boa está à volta da chamada: manter a chave da API no servidor, controlar o custo por utilizador e verificar o resultado antes de confiar nele.

Os quatro padrões por trás da maioria das funcionalidades de IA

A extração e a classificação costumam ser as mais valiosas e as menos visíveis. Poupam discretamente a alguém alguns minutos em cada registo e, como o resultado tem uma forma fixa, pode verificá-lo automaticamente. O chat é o mais visível, mas o mais difícil de acertar, e tem guia próprio: como criar uma app de chatbot com IA.

Como encaixa na sua app

Todos os padrões têm a mesma forma:

1. O utilizador age — clica em "Resumir", carrega um ficheiro, envia uma mensagem.
2. O seu front-end chama o seu próprio servidor, não o fornecedor de IA.
3. O seu servidor constrói o pedido: instruções de sistema, o que o utilizador escreveu e quaisquer dados de que o modelo precise da sua base de dados — apenas dados que este utilizador tem permissão para ver.
4. O seu servidor chama a API do LLM com uma chave guardada numa variável de ambiente.
5. O seu servidor verifica a resposta — JSON válido, uma etiqueta conhecida, um comprimento razoável — e guarda-a ou devolve-a.
6. O front-end mostra-a, em fluxo à medida que chega, para respostas mais longas.

A chave fica no servidor no passo 4 e nunca chega ao navegador. Se a ideia de API for nova, o que é uma API é uma introdução curta, e como usar APIs de LLM explica tokens, modelos e chaves com mais profundidade.

Escolher um fornecedor e um modelo

Os grandes fornecedores — OpenAI, Anthropic, Google e outros — oferecem todos APIs de texto com formas semelhantes. Perguntas úteis na escolha:

• Qualidade na sua tarefa. Experimente alguns exemplos reais da sua app em dois ou três modelos. As diferenças costumam ser mais claras nos seus dados do que em benchmarks gerais.
• Tamanho vs custo. Os fornecedores oferecem modelos maiores e mais capazes e modelos menores, mais baratos e mais rápidos. A classificação e a extração simples costumam funcionar bem num modelo pequeno; o raciocínio longo ou a escrita com nuances podem exigir um maior.
• Resultado estruturado. Para extração e classificação, prefira uma funcionalidade da API que faça o modelo devolver JSON segundo um esquema que você fornece, em vez de analisar texto livre.
• Tratamento de dados. Leia os termos do fornecedor sobre se os dados enviados pela API são guardados ou usados para treino, e se isso serve os dados que os seus utilizadores lhe dão.
• Limites. As contas novas costumam ter limites de pedidos mais baixos; verifique-os antes de um lançamento.

Os nomes e os preços dos modelos mudam com frequência, pelo que o código deve ler o nome do modelo a partir da configuração, em vez de o fixar em vários sítios.

Adicionar uma funcionalidade, passo a passo

Tome um exemplo concreto: um pequeno CRM em que cada contacto tem um longo histórico de notas.

1. Guarde a chave. Crie uma chave no painel do seu fornecedor e guarde-a como segredo do servidor, por exemplo OPENAI_API_KEY ou ANTHROPIC_API_KEY.

2. Peça uma funcionalidade concreta:

Adicione um botão "Resumir" à página do contacto. No servidor, envie as últimas 20 notas do contacto para [FORNECEDOR] usando o segredo [NOME_DA_VARIÁVEL], com instruções para escrever três pontos: estado atual, questões em aberto e próximo passo. Inclua apenas as notas que o utilizador com sessão iniciada pode ver. Mostre um estado de carregamento, guarde o resumo com data e hora, e mostre "Não foi possível resumir neste momento" se a chamada falhar. Nunca envie a chave para o navegador.

3. Adicione extração onde poupa escrita:

Quando um utilizador colar uma assinatura de email na caixa "Adição rápida", chame [FORNECEDOR] no servidor e devolva JSON com nome, empresa, cargo, email e telefone, usando a funcionalidade de resultado estruturado do fornecedor. Valide o JSON no servidor, preencha previamente o formulário de novo contacto com ele e deixe o utilizador editar antes de guardar. Deixe os campos em branco em vez de adivinhar.

"Deixar o utilizador editar antes de guardar" é a parte importante: o modelo propõe, a pessoa decide.

4. Classifique em segundo plano:

Quando chegar um novo pedido de suporte, classifique-o em exatamente uma destas opções: faturação, erro, pedido de funcionalidade, acesso à conta, outro. Use um modelo pequeno e de baixo custo. Se a resposta não for uma destas etiquetas, guarde "outro". Mostre a etiqueta como uma tag editável.

5. Teste com dados reais e desorganizados — notas longas, notas vazias, outros idiomas, uma assinatura sem número de telefone — e veja vinte resultados lado a lado antes de lançar.

Escrever instruções que funcionam

As instruções que envia com cada pedido (muitas vezes chamadas prompt de sistema) são onde nasce a qualidade.

• Diga para quem é e o que é um bom resultado. "Os resumos são lidos por um vendedor em 10 segundos antes de uma chamada" dá ao modelo um objetivo.
• Fixe o formato. Número exato de pontos, limite de comprimento, campos, etiquetas.
• Diga o que fazer em caso de dúvida. "Se as notas não mencionarem um próximo passo, escreva 'Nenhum próximo passo registado'." Isto reduz respostas inventadas.
• Dê dois ou três exemplos de entrada e saída boas para extração e classificação.
• Mantenha as instruções separadas do conteúdo do utilizador e identifique claramente o conteúdo do utilizador, para que o modelo consiga distingui-los.

Guarde os prompts em ficheiros no seu código, para que fiquem versionados e revisíveis como qualquer outro código.

Controlar os custos

As APIs de LLM cobram por tokens — pequenos blocos de texto — tanto pelo que envia como pelo que volta. O custo cresce com a quantidade de contexto por pedido multiplicada pela frequência com que corre. Controlos práticos:

• Envie apenas o necessário. As últimas 20 notas, não o histórico completo. Corte documentos longos ou divida-os.
• Use o modelo mais pequeno que faz o trabalho. Teste antes de optar pelo maior por defeito.
• Limite o comprimento da resposta com a definição de número máximo de tokens da API.
• Guarde resultados em cache. Guarde um resumo e só o volte a gerar quando a fonte mudar, em vez de o fazer a cada visualização da página.
• Limite por utilizador. Um limite diário por conta ou por plano impede que um utilizador intensivo, ou um script, aumente a fatura.
• Limite a taxa do endpoint como qualquer outra rota cara.
• Defina um orçamento ou um alerta no painel do fornecedor, e verifique a utilização semanalmente após o lançamento.
• Registe o consumo de tokens por funcionalidade para saber quanto custa cada uma.

Se as funcionalidades de IA forem centrais no seu produto, inclua o custo de execução no preço, em vez de o absorver.

Segurança e confiança

O resultado da IA é probabilístico. Pode estar errado com ar confiante, e pode ser desviado pelo texto que lê. Construa a pensar nisso:

• Trate o resultado como entrada não confiável. Valide a estrutura, escape-o antes de o renderizar como HTML, e nunca o execute como código ou consultas de base de dados.
• Mantenha uma pessoa no circuito em tudo o que tenha consequências — enviar um email, alterar um registo, reembolsar um pagamento. O modelo redige; uma pessoa confirma.
• Proteja-se contra injeção de prompt. Um documento ou uma mensagem pode conter texto como "ignora as tuas instruções". Limite o que o modelo pode ver ao que o utilizador atual pode ver, e não lhe dê ferramentas que possam executar ações sensíveis sem que o seu código verifique primeiro as permissões.
• Identifique o conteúdo de IA para que os utilizadores saibam que um resumo ou uma sugestão foi gerado e possam verificá-lo.
• Trate as falhas com elegância. Os fornecedores têm interrupções e limites de pedidos. Defina tempos limite, mostre uma mensagem clara e deixe o resto da app continuar a funcionar.
• Vigie o que os utilizadores enviam. Em campos de texto livre, considere um passo de moderação e seja claro na sua política de privacidade de que o conteúdo é processado por um fornecedor de IA terceiro.

A lista mais ampla de verificações está na lista de verificação de segurança para apps criadas com IA.

Erros comuns

• Começar por um chatbot geral quando um único botão "Resumir" ou "Categorizar" ajudaria mais pessoas.
• Pôr a chave no código do front-end ou num repositório público.
• Enviar a base de dados inteira como contexto, o que é lento, caro e arrisca expor dados de outros utilizadores.
• Confiar em resultados de texto livre quando um esquema ou um conjunto fixo de etiquetas os tornaria verificáveis.
• Não ter limites por utilizador, e descobri-lo quando chega a primeira fatura.

Adicionar funcionalidades de IA com o Mythex

No Mythex, adiciona IA dentro da sua própria app pedindo-a no chat, com a sua própria chave de fornecedor. Guarde a chave como segredo do projeto — quando o agente precisar dela, o Mythex mostra um cartão de segredos no chat para não ter de colar a chave na conversa — e o agente escreve a rota do servidor, os prompts e a interface. A utilização de IA da sua app é faturada pelo seu fornecedor, separadamente dos créditos Mythex que gasta a construir. A documentação tem um prompt inicial em adicionar IA às suas apps com as suas próprias chaves de API.

Perguntas