O problema
Uma operação de comunicação produz conteúdo em volume constante: legendas, carrosséis, newsletters, criativos, copy de WhatsApp, variações de CTA. Fazer isso na mão, com qualidade e consistência de tom, consome dias por semana.
O desafio real não era só velocidade. Era garantir que nenhuma peça saísse com número desatualizado, termo fora do tom aprovado ou frase que a área jurídica vetaria — sem depender da memória humana em toda sessão nem confiar que o modelo de IA “vai lembrar certo”.
A arquitetura: 4 camadas
Dados como fonte única de verdade. Arquivos como conquistas.md, tom-de-voz.md, personas.md e pauta-ativa.md guardam dados da marca. Quando um número muda ou vem feedback novo de tom, edito o .md
Governança como contrato de leitura obrigatória. O CLAUDE.md não guarda dado, guarda regra de quando ler qual arquivo antes de agir: “vai gerar copy com número de conquista? leia conquistas.md primeiro”. É o antídoto estrutural pro problema clássico de LLM alucinando ou usando dado velho. Em vez de confiar na memória e capacidade do modelo, a arquitetura que eu criei força a leitura da fonte antes de qualquer geração.
Skills como pipeline de estágios. Criei um pipeline sequencial que espelha o fluxo real da semana: briefing bruto → preenche a pauta ativa → monta o cronograma narrativo (cada peça mapeada a um degrau afetivo e a uma persona) → gera peças de copy como capa de instagram, legenda e carrossel por item → distribui os derivados por grupo e linha editorial → traduz o que foi feito em linguagem leiga pro relatório final. Cada skill tem contrato de entrada/saída definido, e a próxima assume o output da anterior como input confiável.
Validação automatizada como guardião de marca. Um linter baseado em regex roda depois de todo copy gerado, antes de entregar — igual um linter de código roda num pipeline de CI, só que a “sintaxe” validada é a voz da marca. Erro bloqueia a entrega (travessão, paralelismo negativo do tipo “não é X, é Y”, termo fora do tom aprovado); aviso sinaliza sem bloquear.
O resultado
Numa manhã típica: 11 legendas, 5 roteiros de carrossel, edição de newsletter e 5 criativos com direção de copy. O que antes ocupava 2 a 3 dias passou a caber numa manhã — a produção semanal inteira em cerca de 4 horas. Sem queda de qualidade: o sistema não confia em bom comportamento do modelo, ele torna estruturalmente difícil errar — dado errado é impedido por leitura forçada de arquivo, voz genérica é impedida por linter determinístico, e o processo não desanda porque cada etapa é uma skill com instruções definidadas pelo humano, não um prompt reescrito do zero toda vez.
Como eu trabalho nisso
Especifiquei e dirigi essa arquitetura via Claude Code — as 4 camadas, o desenho do pipeline de skills, as regras do linter — revisando e validando cada saída antes de aprovar. Não escrevi à mão; entendo exatamente o que cada regra impede e por quê, e sei ajustar a arquitetura quando a regra de negócio muda.