DevFullStack
Desafio Técnico · V1 · 2025
Processo Seletivo · Etapa 2
Desafio Técnico
DevFullStack
DevFullStack
Proposta de nova arquitetura para uma plataforma de e-learning baseada em aprendizado por projetos, com geração de cursos personalizados via IA e camada adaptativa de conteúdo.
Contexto do problema
A DevFullStack possui hoje ~1.200 aulas organizadas em formações fixas. O sistema atual funciona bem, mas é genérico — o aluno escolhe uma trilha pré-definida.
A proposta adiciona um novo modo por projetos: o aluno conversa com uma IA, define um projeto próprio e a plataforma monta um curso personalizado do zero ao deploy.
Regra central
Se já existe uma aula no catálogo → reutiliza. Se não existe → a IA gera e salva no catálogo para os próximos alunos.
O sistema de formações fixas continua funcionando sem alterações.
Fluxo principal MVP · V1
Frontend Web
interface existente
App Mobile
interface existente
API REST · Backend Serverless
ponto de entrada único — existente, sem alteração
novo fluxo
Serviços existentes
Formações fixas · aulas · LessonDone
intactoOrquestrador IA — novo
Chat com IA
Aluno descreve o projeto desejado
Gerador de plano
Decompõe em tópicos necessários
Aula existe no catálogo?
Reutilizar
~70% dos casos
Gerar com IA
salva no catálogo
CoursePlan personalizado
mesmo modelo das formações fixas — type: custom
saídaInfraestrutura
Google Cloud SQL · Postgres
Lessons · Users · LessonDone
CoursePlan · CoursePlanLesson
ProjectConversation
CoursePlan · CoursePlanLesson
ProjectConversation
S3 + Job assíncrono
Arquivos das aulas
Worker → LLM externo
Cloud Tasks / SQS
Worker → LLM externo
Cloud Tasks / SQS
Camada adaptativa Evolução futura
Esta camada não é parte do MVP. A arquitetura atual já a suporta sem retrabalho — entra quando tivermos dados reais de uso.
Coleta de sinais — comportamento implícito
sem perguntar ao aluno · tudo observado passivamente
Tempo
duração · scroll
Replays
trechos revisitados
Quiz
acertos · tempo
Formato
vídeo/texto/H5P
LearnerProfile — perfil do aluno
preferência · retenção por formato · tópicos fracos · job periódico
Seletor de variante
regra simples V2 → recomendação ML no futuro
Vídeo
S3
Texto
markdown
H5P
interativo
Player de aula — Frontend
↻ cada aula retroalimenta o LearnerProfile — ciclo contínuo
Entidades existentes são preservadas. Campos novos em + laranja. Entidades novas não quebram nenhuma query atual.
Entidades existentes
Lessonexistente
lessonIduuid PK
categorystring
subcategorystring
titlestring
descriptiontext
filePathstring
sourceexisting | ai_generated
Userexistente
userIduuid PK
namestring
LessonDoneexistente
userIduuid FK
lessonIduuid FK
datetimestamp
CoursePlanexistente
coursePlanIduuid PK
titlestring
userIduuid FK
projectDescriptiontext
typefixed | custom
statusdraft | active
CoursePlanLessonexistente
coursePlanLessonIduuid PK
coursePlanIduuid FK
lessonIduuid FK
topicstring
orderint
statuspending | done
Entidades novas — MVP
ProjectConversationnova · MVP
conversationIduuid PK
userIduuid FK
coursePlanIduuid FK
messagesjson
createdAttimestamp
Entidades novas — camada adaptativa (futura)
LessonVariantnova · futura
variantIduuid PK
lessonIduuid FK
formatvideo | text | h5p
filePathstring
statusready | generating
generatedByhuman | ai
LearnerProfilenova · futura
profileIduuid PK
userIduuid FK
preferredFormatstring
videoRetentionfloat
textRetentionfloat
h5pRetentionfloat
weakTopicsjson
updatedAttimestamp
LearnerEventnova · futura
eventIduuid PK
userIduuid FK
variantIduuid FK
eventTypeplay|pause|replay|complete|quiz
payloadjson
occurredAttimestamp
LessonDeliverynova · futura
deliveryIduuid PK
userIduuid FK
variantIduuid FK
reasonpreferred | default | fallback
deliveredAttimestamp
O desafio pede trade-offs explícitos — o que foi priorizado e o que foi deixado de fora, e por quê.
Decisões de escopo
O que entra no MVP
Chat multi-turno com IA para definir o projeto
Gerador de plano que reutiliza as 1.200 aulas existentes
Job assíncrono para gerar aulas quando não existe no catálogo
Formações fixas continuam funcionando sem nenhuma alteração
Aulas geradas vão para o catálogo — reaproveitadas nos próximos alunos
CoursePlan com
type: customO que fica fora do MVP
Revisão humana das aulas geradas — complexidade desnecessária
Variantes de formato (H5P, texto) — precisa de dados de uso
LearnerProfile adaptativo — precisa de volume que não temos
Busca semântica — categoria resolve 70%+ dos casos
Orquestrador como microsserviço — overhead desnecessário na V1
Caminho de evolução
Premissas assumidas
P1Volume inicial baixo. Sem filas robustas, sharding ou caches desde o início. Escala quando o volume exigir.
P2Geração assíncrona. Plano entregue com
status: pending. Aula gerada em background enquanto o aluno começa pelas disponíveis.P3Chat multi-turno. Uma mensagem raramente define bem um projeto. Histórico persistido em
ProjectConversation.P4Aulas geradas vão para o catálogo permanente. Reduz custo e latência ao longo do tempo.
P5Sem revisão humana na V1. Complexidade antes de medir o problema é over-engineering.
P6LLM externo via API. Claude API ou OpenAI — a ferramenta não muda a arquitetura.
P7Orquestrador começa como módulo interno. Pode ser extraído quando o volume exigir isolamento.
Existente
Orquestrador IA
Reutilização
Entrega
Novo / futura
Definir meu projeto
A IA vai entender seu projeto e montar o plano ideal
plano personalizado · gerado por IA
Clone do iFood — Full Stack
32 aulas · estimativa de 6–8 semanas · do zero ao deploy
Fundamentos & Setup
01
Node.js — fundamentos e event loop
V
T
H
02
Express.js — criando sua primeira API REST
V
T
H
03
PostgreSQL — modelando cardápios e pedidos
T
H
Frontend com React
04
React — componentes, estado e props
V
T
H
05
Montando a tela de cardápio do iFood em React
V
H
06
React Query — data fetching e cache
V
Pagamentos & Deploy
07
Stripe — integrando pagamentos
V
T
H
08
Deploy no Railway — iFood em produção
T
H
▶
▶ reproduzindo...
0:00 / 8:45
0:00 / 8:45
Node.js — fundamentos e event loop
Aula 01 de 32 · 42 min · Backend · do catálogo
✓
Aula concluída!
Node.js — fundamentos e event loop
1
aula hoje
31
restantes
78%
retenção vídeo
42min
estudo hoje
Como você aprende melhor
Vídeo
78%
H5P
65%
Texto
42%
Perfil calculado com base em 5 aulas
Tópicos para reforçar:
event loop
I/O não-bloqueante
DevFullStack / Professor
24
alunos ativos
18
projetos em andamento
847
aulas reutilizadas
134
aulas geradas pela IA
89%
taxa média de conclusão
Tipo de formato preferido — 24 alunos
Vídeo54% · 13
H5P29% · 7
Texto17% · 4
baseado em LearnerProfile.preferredFormat
Retenção média por formato
Média de todos os alunos com ≥ 3 aulas por formato
Atividade recente
JS
João Silva
iFood clone
callbacksasync/await
12
aulas
82%
conclusão
★
destaque
AC
Ana Costa
Netflix clone
React Router
9
aulas
71%
conclusão
●
ativo
PL
Pedro Lemos
CRM completo
joinssubqueriesíndices
7
aulas
44%
conclusão
▲
baixo
MS
Mariana Souza
iFood clone
15
aulas
89%
conclusão
★
destaque
Cobertura por categoria
React 280 aulas
243 do catálogo37 geradas por IA
Node.js 210 aulas
191 do catálogo19 geradas por IA
PostgreSQL 180 aulas
133 do catálogo47 geradas por IA
DevOps 165 aulas
157 do catálogo8 geradas por IA
Stripe / Pagamentos 95 aulas
58 do catálogo37 geradas por IA
Deploy / Infra 120 aulas
99 do catálogo21 geradas por IA
Top desempenho (IA gerou)
Precisam atenção
Aulas com retenção < 55% geradas por IA. Considere revisão ou novas variantes de formato.
Reutilizações do catálogo
847
cada uma evitou uma chamada ao LLM
Novas aulas geradas
134
permanentes — não serão geradas de novo
Já disponíveis para futuros alunos
134
cada aula nova beneficia todos os próximos projetos
Timeline de geração
PostgreSQL — modelando cardápios e pedidos
● prontaaula nova
PostgreSQL · iFood cloneGerado em 18s via Claude API · há 3 dias14 alunos81%
Stripe webhooks para apps de delivery
● prontaaula nova
Stripe · iFood cloneGerado em 34s via Claude API · há 3 dias11 alunos78%
Variante H5P — React hooks avançado
● prontavariante H5P
React · gerada por demanda de formatoGerado em 41s · há 2 dias7 alunos83%
Autenticação JWT com refresh token — SaaS
● prontaaula nova
Node.js · SaaS com IAGerado em 27s · há 2 dias6 alunos71%
Variante vídeo — Express middlewares
◌ gerando...variante vídeo
Node.js · gerada por demandaEm geração há 4min...—
CSS avançado — animações para feed Instagram
● prontaaula nova
CSS · Instagram cloneGerado em 19s · hoje3 alunos41% ⚠
Pipeline CI/CD — GitHub Actions + Railway
◌ gerando...aula nova
DevOps · iFood cloneEm geração há 2min...—
Como o perfil de aprendizado é calculado
LearnerProfile · job periódico · mínimo 3 aulas por formato
Sinais coletados (LearnerEvent)
● Tempo total assistido vs duração = % de conclusão
● Número de replays = dificuldade no tópico
● Acertos e tentativas no quiz = desempenho
● Formato escolhido = preferência declarada
● Número de replays = dificuldade no tópico
● Acertos e tentativas no quiz = desempenho
● Formato escolhido = preferência declarada
Fórmula de score
retentionScore(formato) =
(conclusao_media × 0.5) +
(acerto_quiz_media × 0.3) +
(sem_replays_excessivos × 0.2)
Alunos com < 3 aulas em um formato recebem o formato padrão.
(conclusao_media × 0.5) +
(acerto_quiz_media × 0.3) +
(sem_replays_excessivos × 0.2)
Alunos com < 3 aulas em um formato recebem o formato padrão.
Algoritmo de seleção (V1)
1. Busca LearnerProfile do aluno
2. Se preferredFormat definido (≥3 aulas, retenção ≥65%)
→ entrega esse formato · reason: "preferred_format"
3. Se perfil vazio (aluno novo)
→ entrega vídeo · reason: "new_user_default"
4. Se variante preferida está "generating"
→ entrega próximo disponível · reason: "fallback_generating"
5. Sempre registra em LessonDelivery para auditoria
2. Se preferredFormat definido (≥3 aulas, retenção ≥65%)
→ entrega esse formato · reason: "preferred_format"
3. Se perfil vazio (aluno novo)
→ entrega vídeo · reason: "new_user_default"
4. Se variante preferida está "generating"
→ entrega próximo disponível · reason: "fallback_generating"
5. Sempre registra em LessonDelivery para auditoria