Você terá um ambiente Linux isolado, com navegador, onde pede ao ChatGPT (GPT-6 Astra) um vídeo publicitário em português e recebe um vídeo gerado pela Runway, usando créditos da conta. O laboratório leva cerca de 2 horas e não exige configuração manual de API ou plugins.
Este protocolo mede como o tamanho do prompt enviado ao ChatGPT Astra afeta o tempo até a entrega do vídeo gerado pela Runway conectada via MCP. O objetivo é quantificar a relação entre o número de tokens do prompt e a latência total do processo.
Este protocolo mede o tempo entre o envio de um prompt de vídeo pelo ChatGPT (modo desenvolvedor, GPT-6 Astra) ao Runway MCP e o recebimento do vídeo final. O objetivo é quantificar a latência total do processo de geração de vídeo, isolando o desempenho do fluxo MCP.
Você vai gerar um vídeo publicitário de produto usando apenas prompts em linguagem natural, conectando o ChatGPT (com GPT-6 Astra) ao servidor MCP da Runway. Todo o fluxo será realizado em máquinas virtuais Linux e navegadores modernos, em cerca de 2 horas.
Você terá um agente Claude rodando localmente, capaz de executar comandos shell restritos e gerar um relatório em Markdown com os resultados. Tudo em cerca de 2 horas, usando apenas software livre e sua chave de API Anthropic.
Este protocolo mede como a latência de rede afeta o tempo total de resposta da Claude API em uma chamada típica de geração de texto. O objetivo é quantificar a variação do tempo de resposta da API sob diferentes condições de latência simulada.
Você implementa um agente Claude, via Agent SDK Python, que confere itens da folha de pagamento usando um prompt de sistema versionado, ferramentas Python e avaliação automatizada. Em cerca de 2 horas, terá um fluxo funcional de conferência com registro, testes e guardrails.
Este protocolo mede como a latência de rede influencia o tempo de resposta de um agente Claude, configurado para conferir folhas de pagamento. O objetivo é quantificar a variação do tempo total de resposta conforme diferentes latências artificiais.
Você vai implementar um agente Claude em Python para triagem auditável de currículos, com critérios claros, avaliação automática e registro de decisões. Em cerca de 2 horas, terá um pipeline funcional que processa currículos fictícios, aplica critérios e gera relatório para revisão humana.
Este protocolo mede a latência média de resposta quando vários agentes Claude e OpenAI são acionados em paralelo para triagem de currículos. O objetivo é quantificar a escalabilidade e identificar gargalos de desempenho no processamento simultâneo.
Você terá um agente Python funcional que lê alertas simulados, correlaciona, classifica por severidade e executa runbooks simples, com logs e avaliação automática. A implementação leva cerca de 2 horas em ambiente local.
Este protocolo mede como diferentes latências de rede afetam o tempo de resposta de um agente Claude em execução local. O objetivo é quantificar o aumento do tempo total de resposta conforme a latência de rede é artificialmente elevada.
Você vai implementar um agente multiagente em Python, capaz de comparar regimes tributários fictícios com premissas explícitas e memória de consultas, usando Claude Agent SDK e OpenAI Agents SDK, rodando localmente. Em cerca de 2 horas, terá um fluxo validado de ponta a ponta, com prompts versionados, ferramentas, testes e guardrails.
