Você implementará uma arquitetura multiagente local, com orquestrador em Python, agentes Claude e OpenAI, fila de tarefas, tracing e avaliação automatizada. Em cerca de 2 horas, será possível observar agentes especialistas cooperando, com logs, guardrails e revisão humana simulada.
Este protocolo responde qual o impacto do tamanho do prompt na latência de resposta da API Claude Messages. A pessoa vai medir o tempo de resposta da API variando o tamanho do prompt de entrada.
Você vai implementar um chatbot de atendimento que responde perguntas de clientes usando Claude (Anthropic) e GPT (OpenAI) via API, com Python e FastAPI, rodando localmente. Em cerca de 2 horas, terá um endpoint HTTP que recebe perguntas e retorna respostas dos dois modelos, pronto para integração com sistemas internos.
Você vai construir uma API REST local que recebe perguntas e retorna respostas dos modelos Claude (Anthropic) e GPT (OpenAI), alternando o fornecedor por parâmetro. Em cerca de 2 horas, terá um serviço pronto para integrar a aplicações internas.
Este protocolo mede a latência de resposta (em milissegundos) das APIs Claude (Anthropic) e Chat Completions (OpenAI) usando os SDKs Python oficiais, para o mesmo prompt e contexto. O objetivo é comparar o tempo de resposta dos dois fornecedores em condições controladas.
Este protocolo mede e compara a latência média para execução de ferramentas externas (funções Python simples) por agentes implementados com Claude Agent SDK e OpenAI Agents SDK. O objetivo é identificar diferenças operacionais relevantes no tempo de resposta dos dois SDKs usando o mesmo hardware e funções idênticas.
Você vai implementar um agente de suporte interno, com três ferramentas, usando Claude Agent SDK e OpenAI Agents SDK lado a lado, em Python. Em cerca de 2 horas, será possível comparar código, operação e integração MCP.
Este protocolo avalia como o tempo de resposta das consultas no Apache Superset varia conforme o volume de dados carregado em um esquema simulado bi_varejo no PostgreSQL. O objetivo é medir a latência média das consultas típicas de BI para diferentes tamanhos de base.
Você vai implementar um ambiente de BI de varejo com Apache Superset, conectado a uma réplica PostgreSQL alimentada por extração das tabelas de vendas do Protheus. Em cerca de 2 horas, terá dashboards reais simulando curva ABC e vendas por produto, sem acessar o banco de produção.
Este protocolo mede como a latência de resposta do PostgreSQL de réplica varia conforme o número de conexões simultâneas feitas pelo Apache Superset. O objetivo é identificar o ponto de saturação e o comportamento do tempo de resposta em cenários de BI realistas.
Você vai instalar Metabase e PostgreSQL em máquinas separadas, criar um modelo de dados bi_varejo simulado e conectar o Metabase para análise. Em cerca de 2 horas, terá dashboards operando sobre dados extraídos.
Este protocolo mede o tempo de resposta do Metabase ao executar dashboards típicos de varejo com diferentes volumes de consultas simultâneas. O objetivo é identificar o ponto de saturação e o comportamento de latência em ambiente controlado.
Você terá um ambiente Metabase rodando em Docker, conectado a uma réplica PostgreSQL que simula dados extraídos do Protheus. Em cerca de 2 horas, será possível montar dashboards reais usando queries sobre tabelas-modelo baseadas em SL1, SL2, SL4, SF2, SD2, SB1 e SA1.
