❄️ Bootcamp de Inverno · Julho 2026 · Dia 4 · Quinta

Dia 4 — Sprint, Refino & Testes

O dia mais longo do camp: construir o MVP, testar e refinar de ponta a ponta

🗓️ Blocos de hoje

09:30 – 11:00 — Instrução, alinhamento e apresentação da arquitetura
11:00 – 12:00 — 1º bloco de desenvolvimento
13:30 – 15:00 — 2º bloco + testes e refino
15:10 – 16:00 — Publicação e checklist final

🎯 Meta do dia

MVP funcional ponta a ponta até as 16h
Testado contra o critério de aceite e refinado
Publicado por link no Lovable, acessível externamente

Como conduzir o desenvolvimento

Kanban, foco em uma tarefa por vez e verificação contínua

Orientações

🔄 Kanban do dia

A fazer

Formulário de dados da entrevista

Integrar o prompt no Lovable

Renderizar classificação e resumo

Publicar link no Lovable

Fazendo

Uma tarefa por pessoa de cada vez

Feito

Spec validada ✅

Prompt de classificação testado ✅

✅ Funciona? — antes de chamar o professor

O usuário consegue inserir os dados da entrevista?

O prompt recebe esses dados como parâmetros?

A classificação e o resumo do candidato aparecem de forma legível?

O link público do Lovable está funcionando?

Checkpoints do dia

Metas por bloco de tempo — use para saber se o grupo está no ritmo

Ritmo

Até 12:00

Formulário de dados da entrevista funcionando

Campos da spec mapeados como parâmetros

Até 15:00

Prompt de classificação integrado gerando output

Classificação e resumo do candidato na interface

Até 16:00

Publicado no Lovable por link

Testado contra o critério de aceite

🆘 Quando chamar o professor

Mais de 30 minutos travado no mesmo problema
Discussão longa sem ninguém escrevendo código
Output inconsistente e o grupo não sabe explicar por quê

Publicar no Lovable

Do formulário ao link público, passo a passo

Ferramenta

🚀 Passo a passo — Lovable

Descreva a interface no Lovable: um formulário com os campos de dados da entrevista definidos na spec.
Integrar prompt: conecte no Lovable o prompt que classifica o candidato pelos critérios de avaliação.
Parametrize: mapeie cada campo do formulário como parâmetro do prompt.
Renderizar output: exiba no Lovable a classificação e o resumo do candidato no funil.
Teste: rode um caso de entrevista real e compare com o critério de aceite da spec.
Publicar link: use o botão de publicação do Lovable e confirme o acesso externo.

Quando o output diverge

Orientação mínima de depuração antes de pedir ajuda

Depuração

🔍 Como investigar

Confirme que todos os campos da entrevista chegam ao prompt: parâmetros vazios geram respostas genéricas.
Reduza o teste a um único candidato e acompanhe o resultado passo a passo.
Releia o prompt: instrução, critérios de avaliação e formato de saída estão explícitos?
Rode o mesmo caso duas vezes: grande variação indica prompt pouco restrito.
Verifique se a classificação reflete os critérios da spec, e não atributos irrelevantes.

Antes de considerar pronto

Critério de aceite, justiça e proteção de dados

IA responsável

✅ Checklist de pronto

O output atende ao critério de aceite definido na spec?

A classificação reflete os critérios de avaliação da spec, e não atributos protegidos?

O output não reproduz viés discriminatório entre candidatos?

Os dados da entrevista são tratados conforme a LGPD (mínimo necessário, sem exposição indevida)?

O link público do Lovable está funcionando e acessível externamente?

🎤 Apresentem a arquitetura e desenhem o fluxo

Cada grupo mostra onde chegou e desenha o fluxo da aplicação ao vivo · ~5 min por grupo

⏱️ Dinâmica

🧭 Como funciona

Cada grupo tem ~5 minutos — o cronômetro na tela marca o tempo.
Desenhem o fluxo da aplicação na hora: quadro, papel ou tela, o que tiverem.
Enquanto desenham, expliquem a arquitetura e o estado atual.

✏️ O que o desenho precisa ter

As etapas na ordem: upload → triagem → convite → vídeo → decisão.
Onde a IA entra — o motor de triagem.
O dado que entra e sai de cada etapa.
As integrações: banco, e-mail e armazenamento.

🗣️ O que explicar

Qual recorte do problema a plataforma resolve.
Como a aplicação está funcionando hoje — o que já roda no Lovable.
O que ainda falta e onde o grupo está travado.

👀 A turma participa

Cada apresentação recebe uma pergunta da turma.
Anotem o feedback — ele alimenta o refino da tarde.

Bom fluxo

Qualquer pessoa entende o caminho do dado sem explicação extra.

Por que testar o prompt

A entrada perfeita raramente é a real — a robustez se verifica nos extremos

Tarde · Conceito

⚠️ Onde os prompts de triagem quebram

Entrevista incompleta: falta uma etapa ou um dado do candidato
Pedido fora do escopo: algo que não é a seleção de candidatos
Entrada maliciosa: tentam burlar as restrições (prompt injection)
Atributo protegido: idade, gênero ou origem tentando pesar na nota
Volume: transcrição muito longa ou resposta muito curta

🛠️ Como tratar as falhas

Validar antes de enviar: checar campos obrigatórios na interface
Instruir o fallback: dizer no prompt o que fazer quando faltar dado
Reforçar restrições: repetir os limites no fim do prompt
Mensagens claras: quando a IA não puder classificar, explicar por quê

Princípio

Um prompt robusto falha de forma previsível — nunca com uma classificação errada apresentada como certa.

Cada teste verifica uma qualidade da spec

Ligando os tipos de teste aos RNF e às características da ISO/IEC 25010

RNF · ISO 25010

Tipo de teste	Característica ISO/IEC 25010	O que fica garantido
Caso feliz vs critério	Adequação funcional (correção)	Com a entrevista completa, a classificação bate com o critério de aceite
Entrada incompleta	Confiabilidade (tolerância a falhas)	Sem uma etapa, a IA sinaliza a pendência em vez de inventar nota
Entrada maliciosa / atributo protegido	Segurança	A IA resiste a burlas e não usa dado sensível para classificar
Fora do escopo	Adequação funcional (pertinência)	A IA faz só a triagem definida na spec e recusa o resto

Continuidade com a spec (Dia 1)

Cada RNF escrito na spec vira um teste concreto. Testar não é opcional: é como se comprova que a qualidade prometida existe.

Testar contra viés e violação de LGPD

Num agente que triam candidatos, este teste não é opcional

IA Responsável

⚠️ O que verificar

Atributo protegido: montem duas entrevistas equivalentes que só diferem em idade, gênero ou origem — a classificação no funil deve ser idêntica.
Privacidade (LGPD): confiram que o output não expõe dado pessoal sensível do candidato nem o usa para pontuar.
Decisão humana: a IA recomenda e sinaliza incerteza; o recrutador decide. Nunca uma rejeição automática.

🔗 Por que testar isso

São restrições do prompt — vêm direto dos RNF da spec (Dia 1)
Conectam com a ISO/IEC 25010: segurança e confiabilidade
Justiça e privacidade se comprovam com teste, não se presumem

Restrição a testar: classifique o candidato apenas por competências ligadas à vaga; ignore idade, gênero e origem; não exponha dados pessoais sensíveis.

Exemplo trabalhado — refino iterativo

Prompt falha → diagnóstico → correção de uma parte → re-teste

Iteração

❌ v1 — o teste reprova

Classifique este candidato pela entrevista: [entrevista]

Falha observada no teste

Classificou sem justificar a posição no funil
Mencionou a idade do candidato como fator
Cada execução devolve um formato diferente

✅ v2 — corrige uma parte e re-testa

Diagnóstico: faltam restrição e formato

Classifique o candidato por critérios da vaga.
+ Não use idade, gênero ou origem.
+ Devolva tabela: etapa do funil + nota + justificativa.

Mudou-se uma parte por vez (restrição e formato)
Re-teste: classificação consistente e justificada
O par de teste de atributo protegido agora passa

Atividade em grupo — montem a tabela de testes

Triagem da Azul Linhas Aéreas · cronômetro de 30 min · um caso por linha, rodem todos

⏱️ Metodologia Ativa

Tipo de caso	Entrada de teste (dados da entrevista)	Output esperado
Caso feliz	Entrevista completa, todas as etapas registradas	Classificação do candidato no funil, dentro do critério de aceite
Entrada incompleta	Candidato sem uma etapa da entrevista	Sinaliza a etapa pendente ou usa fallback — não inventa nota
Fora do escopo	Pedido não relacionado à seleção (ex.: reservar uma passagem)	Recusa educadamente e redireciona à triagem
Testa restrição (atributo protegido)	Duas entrevistas equivalentes que só diferem em idade, gênero ou origem	Classificação idêntica — o atributo protegido não influencia

⏱️ 30 minutos — iniciem o cronômetro 👥 Grupo completo 🔁 Ajustem o prompt e re-testem

Checklist — a triagem está robusta?

Respondam "sim" a tudo antes de considerar o prompt pronto

Autoavaliação

O caso feliz produz a classificação esperada?
A entrada incompleta sinaliza a pendência sem inventar?
O fora do escopo é recusado e redirecionado?
O par de atributo protegido dá classificação idêntica?
A saída sai sempre no formato definido?
Nenhum dado pessoal sensível aparece no output?
Cada falha foi ligada à parte do prompt que a causou?
O prompt foi ajustado uma parte por vez?
Fica claro que a decisão é humana?
A tabela registra output obtido e ✓/✗?

🎓 Fechamento do Dia 4

Onde chegamos e o que vem a seguir

Fechamento

✅ Hoje você

Construiu o MVP da plataforma de ponta a ponta
Apresentou a arquitetura e testou contra o critério de aceite
Refinou o prompt e tratou viés e LGPD
Publicou o link no Lovable

➡️ Amanhã (Dia 5)

Apresentações: pitch de 4 minutos para a banca
Cheguem com a demo pronta e o link publicado funcionando

📌 Antes de amanhã

Deixem o link do Lovable publicado e testado, e organizem quem fala o quê no pitch. Amanhã o formato é livre — o que importa é a banca entender o problema, ver a solução funcionar e sentir o valor.