Repositório oficial da disciplina IF1015 - Tópicos Avançados em Sistemas de Informação 6
- Sobre a Disciplina
- Informações Gerais
- Metodologia Sinfonia
- Pré-requisitos
- Proposta de Valor
- Objetivos
- Competências Esperadas
- Estrutura da Disciplina
- Avaliação
- Estrutura do Repositório
- Como Usar Este Repositório
- Recursos Didáticos
- Contato
- Referências
Esta disciplina de tópicos avançados explora a aplicação da Inteligência Artificial (IA), com ênfase em Modelos de Linguagem de Grande Escala (LLMs), para aprimorar o ciclo de vida do desenvolvimento de software (SDLC).
- 🤖 Foco em LLMs: Aprenda a utilizar GPT-X, Claude, Gemini e outras ferramentas de IA
- 🛠️ Hands-on: Mini-projetos práticos + projeto final substancial
- 🎼 Metodologia Sinfonia: Framework estruturado testado em 4 semestres no CIn/UFPE
- 🔒 Ética e Segurança: Abordagem crítica sobre hallucinations, vieses e vulnerabilidades
- 💼 Portfolio: Projetos públicos para demonstrar suas habilidades
- 🎤 Networking: Palestras com profissionais da indústria e pesquisadores
A disciplina aborda como a IA pode atuar como ferramenta indispensável para criação e gerenciamento de sistemas de software complexos, impactando confiabilidade, desempenho, resiliência, segurança e qualidade do código gerado.
Também exploramos limitações atuais dos LLMs, incluindo alucinações, vieses e questões de propriedade intelectual.
Por meio de mini-projetos práticos incrementais e um projeto final em equipe, os alunos percorrerão uma jornada de Design, Projeto e Construção de soluções assistidas por IA para otimizar e inovar em subdisciplinas da engenharia de software, alinhando-se com o escopo do SWEBOK (Software Engineering Body of Knowledge).
- Professor: Vinicius Cardoso Garcia
- E-mail: vcg@cin.ufpe.br
- Website: viniciusgarcia.me
- Centro de Informática - UFPE
- Horários:
- Segunda-feira: 17:00-18:40
- Terça-feira: 18:50-20:30
- Sala: E-112, Bloco E
- Aulas práticas: Lab G2 (preferencialmente)
- Semestre: 2026.1
- Carga Horária: 60 horas (30 aulas de 2 horas)
- Créditos: 4
- Planejamento 2026.1: 📅 Cronograma Detalhado de Aulas
- Plano de Ensino: 📄 Plano Completo
- Código de Conduta: ⚖️ Uso Ético de IA
- Canal Discord: 💬 Comunidade da Disciplina (em breve)
- GitHub Organization: 🐙 ESAIA-2026-1 (em breve)
- Graduação: [IF1015] - Tópicos Avançados em Sistemas de Informação X
- Nome Fantasia: Engenharia de Software Assistida por IA (ESAIA)
Um dos diferenciais desta disciplina é o uso da Metodologia Sinfonia para estruturar o projeto final. A Sinfonia é um framework ágil para design e evolução de produtos intensivos em IA, desenvolvida pelos professores Vinicius Cardoso Garcia e Rodrigo Pessoa Medeiros, testada e refinada ao longo de 4 semestres no CIn/UFPE.
┌────────────────────────────────────────────────────────────┐
│ METODOLOGIA SINFONIA │
├────────────────────────────────────────────────────────────┤
│ │
│ 🎯 Movimento 1: EXPOSIÇÃO (Aulas 16-21) │
│ → Alinhar estratégia e definir problema │
│ → Canvas de Estratégia, Personas, Missão/Visão │
│ │
│ 🎨 Movimento 2: COMPOSIÇÃO (Aulas 22-26) │
│ → Desenhar a solução técnica │
│ → C4 Model, Catálogo de Prompts, Design de Experimento │
│ │
│ 🔨 Movimento 3: ENSAIO (Aulas 27-32) │
│ → Construir, testar e preparar lançamento │
│ → MVP, Canvas de Testes, Checklist de Lançamento │
│ │
│ 📊 Movimento 4: RESSONÂNCIA (Aulas 33-36) │
│ → Medir, aprender e decidir próximos passos │
│ → Painel de Feedback, Análise de Métricas, Decisões │
│ │
└────────────────────────────────────────────────────────────┘
A metodologia define 14 artefatos concretos que guiam o desenvolvimento do projeto:
Exposição (6): Canvas de Estratégia, Personas, Missão/Visão, Métricas, Matriz de Priorização, Escopo MVP
Composição (4): C4 Model, Catálogo de Prompts, Canvas de Experimento, Decisões Arquiteturais
Ensaio (2): Canvas de Testes, Checklist de Lançamento
Ressonância (2): Painel de Feedback, Canvas de Escalabilidade
💡 Saiba mais: Garcia, V. C., & Medeiros, R. P. (2025). Sinfonia: Orquestrando a Inteligência Artificial. ASSERT Lab. GitHub com o Playboook da Metodologia Sinfonia
- IF977 - Engenharia de Software e Sistemas (ou equivalente)
- Fundamentos de Programação (IF669 ou equivalente)
- Experiência comprovada com Desenvolvimento de Software (projetos em disciplinas anteriores)
- Familiaridade com Git/GitHub (versionamento de código)
- IFXXX - Sistemas Inteligentes (ou equivalente em IA)
- IFXXX - Aprendizado de Máquina
- IFXXX - Gerência de Projetos de Software
- Experiência prévia com APIs REST
- Conhecimento básico de Docker/Podman e containerização
- Familiaridade com IDEs (VSCode, VSCodiuem, JetBrains, PyCharm, etc.)
- Processamento de Linguagem Natural (NLP)
- Testes automatizados (Unit Testing, Integration Testing)
- CI/CD (Continuous Integration/Continuous Deployment)
- Cloud Computing (AWS, Azure, ou GCP)
- Metodologias Ágeis (Scrum, Kanban)
⚠️ Nota: Alunos sem todos os pré-requisitos recomendados deverão dedicar tempo adicional ao nivelamento na Aula 0 (pré-semestre).
🎯 Preparação para o Mercado de Trabalho do Futuro
- Habilidades em alta demanda no mercado atual
- Experiência com ferramentas de IA de ponta (GitHub Copilot, Claude Code, GPT-*, etc.)
- Portfolio profissional com projetos reais
🧠 Habilidades Técnicas e Analíticas
- Implementação e gerenciamento de ferramentas de IA
- Avaliação crítica de resultados: qualidade, confiabilidade, ética
- Prompt Engineering para Engenharia de Software
🛡️ Consciência Ética e Social
- Compreensão de vieses, privacidade e propriedade intelectual
- Abordagem responsável na aplicação de IA
- Análise de hallucinations e limitações de LLMs
🚀 Inovação e Criatividade
- Desenvolvimento de soluções únicas usando IA
- Exploração de novas fronteiras tecnológicas
- Pensamento crítico e resolução de problemas complexos
🤝 Colaboração e Networking
- Trabalho em equipe em projetos práticos
- Palestras com profissionais da indústria
- Interação com pesquisadores de ponta
- ✅ Experiência prática com ferramentas usadas pela indústria
- ✅ Desenvolvimento de soft skills (comunicação, apresentações, teamwork)
- ✅ Compreensão profunda das tendências futuras em ES
- ✅ Diferencial competitivo no mercado de trabalho
- ✅ Networking valioso com profissionais e acadêmicos
Capacitar os alunos a compreender, aplicar e avaliar criticamente ferramentas e técnicas de Inteligência Artificial, especialmente LLMs, em diferentes fases do ciclo de vida de desenvolvimento de software, desenvolvendo soluções inovadoras, éticas e eficazes.
- 🔍 Compreender o impacto transformador da IA em cada fase do SDLC
- 🛠️ Desenvolver habilidades técnicas para implementar ferramentas de IA
- 🌐 Explorar aplicações práticas em cenários reais
- 🧐 Analisar criticamente limitações, vieses e desafios éticos
- ⚖️ Fomentar abordagem ética e responsável no uso de IA
- 💻 Aplicar conhecimentos em projetos que simulem desafios reais
- 📊 Avaliar qualidade e confiabilidade usando métricas apropriadas
Ao concluir esta disciplina, os alunos deverão ser capazes de:
- Aplicar ferramentas de IA em diferentes fases do SDLC
- Implementar soluções que integrem LLMs em pipelines de desenvolvimento
- Utilizar assistentes de codificação (Copilot, Claude Code) de forma crítica
- Desenvolver e gerenciar pipelines CI/CD com componentes de IA
- Avaliar código gerado usando benchmarks (HumanEval, SWE-bench)
- Analisar e interpretar criticamente resultados de sistemas de IA
- Avaliar implicações éticas, sociais e técnicas
- Identificar limitações, vieses e riscos
- Comparar abordagens tradicionais vs. assistidas por IA
- Colaborar efetivamente em projetos de equipe
- Comunicar ideias técnicas complexas com clareza
- Documentar soluções de forma profissional
- Apresentar resultados para audiências técnicas e não-técnicas
- Desenvolver soluções criativas usando IA
- Propor melhorias em ferramentas e processos
- Explorar novas fronteiras em AI/SE
- Aplicar princípios éticos no uso de IA
- Reconhecer e mitigar riscos éticos e sociais
- Atribuir corretamente uso de IA e respeitar propriedade intelectual
A disciplina está organizada em fases progressivas que levam os alunos de fundamentos teóricos até a implementação de um projeto completo.
Aula 0 → Nivelamento e Setup
Aulas 1-7 (4 sem) → Fundamentos + Mini-Projeto 1 (Requirements & Design)
Aulas 8-14 (4 sem) → Development & Testing + Mini-Projeto 2
Aulas 15-21 (4 sem) → Maintenance & Ethics + Início do Projeto Final
Aulas 22-26 (3 sem) → Projeto: Movimento Composição (Design Técnico)
Aulas 27-32 (3 sem) → Projeto: Movimento Ensaio (Construção)
Aulas 33-36 (2 sem) → Projeto: Movimento Ressonância (Validação)
- ✅ IA no SDLC: Requirements, Design, Architecture
- ✅ Desenvolvimento assistido por IA (Code generation, completion)
- ✅ Testes automatizados e DevOps com IA
- ✅ Manutenção, detecção de bugs e evolução de software
- ✅ 2 mini-projetos práticos com checkpoints
- 🎼 4 Movimentos estruturados com artefatos concretos
- 🎯 2 Aulas Especiais:
- Aula 22: Prompt Engineering para ES (workshop intensivo)
- Aula 30: Segurança, Vulnerabilidades e Hallucination
- 🎤 2 Palestras Convidadas:
- Aula 11: Profissional da indústria (IA em produção)
- Aula 34: Pesquisador acadêmico (avaliação de sistemas de IA)
- 📊 4 Checkpoints de avaliação
📅 Cronograma completo: Veja o Planejamento Detalhado do Semestre corrente
A avaliação é contínua, formativa e somativa, refletindo diferentes aspectos do aprendizado.
| Componente | Peso | Detalhes |
|---|---|---|
| Participação e Mini-Projetos | 25% | Aulas 1-21 |
| • Presença e debates | 5% | Participação ativa |
| • Exercícios práticos | 15% | Hands-on em sala |
| • Mini-Projeto 1 (Checkpoint Aula 7) | 5% | Requirements & Design |
| Projeto Final (Sinfonia) | 75% | Aulas 22-36 |
| • Checkpoint 1 - Exposição (Aula 21) | 10% | Estratégia e problema |
| • Checkpoint 2 - Composição (Aula 26) | 15% | Design técnico |
| • Checkpoint 3 - Ensaio (Aula 32) | 10% | MVP funcional |
| • Entrega Final (Aula 29) | 30% | Sistema + docs + análise |
| • Apresentação Final (Aulas 35-36) | 7% | Demo e defesa |
| • Contribuição Individual | 3% | Peer review + commits |
- Nota final: ≥ 5,0 (escala 0-10)
- Frequência: ≥ 75% de presença
- Participação obrigatória: em todos os checkpoints
- Entrega obrigatória: projeto final + apresentação
Projeto Final será avaliado em:
- 🚀 Inovação e criatividade (20%)
- ⚙️ Funcionalidade e aplicação prática (25%)
- 💎 Qualidade técnica (código, arquitetura, testes) (20%)
- 📚 Documentação profissional (15%)
- 🧐 Análise crítica (limitações, ética, vieses) (10%)
- 🎤 Apresentação e comunicação (10%)
⚖️ Integridade Acadêmica: Todos os alunos devem aderir ao Código de Conduta para Uso Ético de IA
esaia/
├── README.md # Este arquivo
├── PLANEJAMENTO_2026_1.md # Cronograma detalhado do semestre
├── LICENSE # Licença do repositório
│
├── docs/ # Documentação principal
│ ├── Plano_de_Ensino.md # Plano de ensino completo
│ ├── Codigo_de_Conduta.md # Código de conduta para uso de IA
│ ├── FAQ.md # Perguntas frequentes
│ └── Glossario.md # Glossário de termos
│
├── aulas/ # Material das aulas
│ ├── aula-00/ # Nivelamento (pré-semestre)
│ ├── aula-01/ # Introdução à ESAIA
│ ├── aula-02/ # LLMs e IA Generativa
│ └── ...
│
├── mini-projetos/ # Especificações dos mini-projetos
│ ├── mini-projeto-1/ # Requirements & Design
│ ├── mini-projeto-2/ # Development & Testing
│ └── mini-projeto-3/ # Maintenance & Evolution
│
├── projeto-final/ # Projeto final (Sinfonia)
│ ├── templates/ # Templates dos 14 artefatos
│ ├── rubricas/ # Rubricas de avaliação
│ ├── exemplos/ # Exemplos de projetos anteriores
│ └── README.md # Guia do projeto final
│
├── recursos/ # Recursos adicionais
│ ├── ferramentas/ # Guias de ferramentas (Copilot, etc.)
│ ├── tutoriais/ # Tutoriais e HOWTOs
│ ├── datasets/ # Datasets para exercícios
│ ├── benchmarks/ # Informações sobre benchmarks
│ └── leituras/ # Material de leitura complementar
│
├── avaliacoes/ # Sistema de avaliação
│ ├── checkpoints/ # Especificações dos checkpoints
│ └── criterios/ # Critérios detalhados
│
└── semestres/ # Histórico de semestres
└── 2026-1/ # Semestre atual
├── equipes/ # Repositórios das equipes
├── palestras/ # Material das palestras convidadas
└── retrospectiva/ # Retrospectivas e feedback
- ⭐ Star este repositório para acompanhar atualizações
- 👀 Watch para receber notificações de mudanças
- 📚 Leia o Plano de Ensino completo
- ⚖️ Assine o Código de Conduta na primeira semana
- 📅 Acompanhe o Planejamento do Semestre Corrente semanalmente
- 💬 Participe do Discord/Slack da turma
- 🔍 Explore os materiais das aulas antes de cada encontro
- 🤝 Colabore com sua equipe no projeto final
- Explore o conteúdo livremente (licença CC BY-NC-SA 4.0)
- Adapte materiais para suas próprias aulas (com atribuição)
- Entre em contato com sugestões e melhorias
- Contribua com pull requests (melhorias nos materiais)
- Anúncios importantes: Issues com label
📢 announcement - Dúvidas gerais: Discussions do GitHub
- Dúvidas específicas: Discord/Slack da turma
- Bugs/correções: Issues com label
🐛 bug - Sugestões: Issues com label
💡 enhancement
- GitHub Copilot (licenças educacionais disponíveis)
- Claude Code (Anthropic)
- Cursor AI
- JetBrains AI Assistant
- Aider (CLI tool)
- Continue.dev
- OpenAI API (GPT-4, GPT-4 Turbo)
- Anthropic API (Claude 3.5 Sonnet, Claude 3 Opus)
- Google Gemini API
💡 Acesso institucional com créditos limitados será fornecido
- HumanEval - Avaliação de geração de código Python
- SWE-bench - Resolução de issues reais do GitHub
- CodeXGLUE - Suite de tarefas para code understanding
- BigCodeBench - Benchmark para code generation
- GitHub Copilot Documentation
- Claude Code by Anthropic Documentation
- Claude API Docs
- Cursor AI Documentation
- Aider Documentation
- Continue.dev Documentation
- Antigravity by Google Documentation
- LangChain - Framework para aplicações com LLMs
- LlamaIndex - Framework para RAG e data augmentation
- Hugging Face Transformers - Biblioteca de modelos
- OpenAI Cookbook - Receitas e exemplos
- GitHub Education - Repositórios privados e ferramentas gratuitas
- Cloud Credits - AWS Educate / Azure for Students / GCP Education
- Docker - Containerização e ambientes reproduzíveis
Veja a seção completa de Referências Bibliográficas ao final deste documento.
- Nome: Vinicius Cardoso Garcia
- E-mail: vcg@cin.ufpe.br
- Website: viniciusgarcia.me
- GitHub: @vinicius3w
- Twitter/X: @vinicius3w
- LinkedIn: viniciusgarcia
- Quando: Segundas-feiras, 14h-16h (ou agendamento via e-mail)
- Onde: Sala do professor ou online (Google Meet/Zoom)
- Agendamento: E-mail com antecedência de 24 horas
- Discord/Slack: (Link será fornecido no início do semestre)
- GitHub Discussions: Discussões e Q&A
- E-mail da turma: (será criado no início do semestre)
- Dúvidas técnicas: Discord/Slack da disciplina
- Dúvidas administrativas: E-mail do professor
- Problemas com materiais: Issues neste repositório
- Sugestões de melhoria: GitHub Discussions ou Issues
-
Russell, S., & Norvig, P. (2020). Artificial Intelligence: A Modern Approach (4th ed.). Pearson. Website
-
Garcia, V. C., & Medeiros, R. P. (2025). Sinfonia: Orquestrando a Inteligência Artificial. ASSERT Lab. GitHub
-
Fan, A., et al. (2023). Large Language Models for Software Engineering: Survey and Open Problems. IEEE/ACM ICSE-FoSE. DOI
-
Belzner, L., Gabor, T. and Wirsing, M. (2024) “Large Language Model Assisted Software Engineering: Prospects, Challenges, and a Case Study,” in Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics). Springer, Cham, pp. 355–374. DOI.
-
Sauvola, J., et al. (2024). Future of software development with generative AI. Automation in Software Engineering, 31. DOI
-
Wang, J., et al. (2024). Software Testing With Large Language Models: Survey, Landscape, and Vision. IEEE TSE, 50(4), 911-936. doi: 10.1109/TSE.2024.3368208. Disponível em: https://arxiv.org/abs/2307.07221v3.
-
Zhao, L., et al. (2021). Natural language processing for requirements engineering: A systematic mapping study. ACM CSUR, 54(3), 1-41. https://dl.acm.org/doi/10.1145/3444689
-
Salminen, J., et al. (2021). “A Survey of 15 Years of Data-Driven Persona Development,” International Journal of Human–Computer Interaction, 37(18), pp. 1685–1708. Available at: https://doi.org/10.1080/10447318.2021.1908670.
-
Zhang, X., et al. (2023).“PersonaGen: A Tool for Generating Personas from User Feedback,” 2023 IEEE 31st International Requirements Engineering Conference (RE), 2023-Septe, pp. 353–354. Available at: https://doi.org/10.1109/RE57278.2023.00048.
-
Esposito, M. et al. (2026) “Generative AI for software architecture. Applications, challenges, and future directions,” Journal of Systems and Software, 231, p. 112607. Available at: https://doi.org/10.1016/j.jss.2025.112607.
-
Bucaioni, A. et al. (2025) “Artificial Intelligence for Software Architecture: Literature Review and the Road Ahead,” Proceedings of The ACM International Conference on the Foundations of Software Engineering (FSE ’25), 1. Available at: https://arxiv.org/html/2504.04334v1.
-
Vijayvergiya, M., et al. (2024). “AI-Assisted Assessment of Coding Practices in Modern Code Review.” Available at: https://doi.org/10.1145/3664646.3665664.
-
Poldrack, R. A., et al. (2023). “AI-assisted coding: Experiments with GPT-4.” Available at: https://arxiv.org/pdf/2304.13187 (Accessed: January 28, 2026).
- Fu, M., et al. (2024). “AI for DevSecOps: A Landscape and Future Opportunities,” arXiv preprint arXiv:2404.04839 [Preprint]. Available at: https://arxiv.org/abs/2404.04839v1 (Accessed: May 27, 2024).
-
Ravikumar, C. et al. (2025) “A Comprehensive Analysis of Machine Learning Methods for Bug Prediction in Software Development,” in Lecture Notes in Electrical Engineering. Springer, Singapore, pp. 929–935. Available at: https://doi.org/10.1007/978-981-97-8031-0_99.
-
Sakib, F.F. et al. (2025) “A Comprehensive Evaluation of Machine Learning Techniques for Predicting Software Bugs,” in 2025 4th International Conference on Robotics, Electrical and Signal Processing Techniques (ICREST). IEEE, pp. 228–233. Available at: https://doi.org/10.1109/ICREST63960.2025.10914387.
-
Gazit, T. (2024). Fixing security vulnerabilities with AI. The GitHub Blog. Available at: https://github.blog/engineering/platform-security/fixing-security-vulnerabilities-with-ai/. Updated April 7, 2025.
-
Keller, J., & Nowakowski, J. (2024). AI-powered patching: the future of automated vulnerability fixes. Google Security Report. Available at: https://research.google/pubs/ai-powered-patching-the-future-of-automated-vulnerability-fixes/
-
Ferrara, E. (2023). “Fairness and Bias in Artificial Intelligence: A Brief Survey of Sources, Impacts, and Mitigation Strategies,” Sci, 6(1), p. 3. Available at: https://doi.org/10.3390/sci6010003.
-
Wu, F., et al. (2024). “A New Era in LLM Security: Exploring Security Concerns in Real-World LLM-based Systems.” Available at: https://arxiv.org/pdf/2402.18649 (Accessed: January 28, 2026).
-
Zhao, H., et al. (2024). Explainability for large language models: A survey. ACM TIST, 15(2), 1-38.
-
ACM Code of Ethics (2024). Link
-
IEEE Ethically Aligned Design (2024). Link
-
GARCIA, Vinicius. Transformação Digital com IA Series. dev.to
-
GARCIA, Vinicius. Engenharia de Software Assistida por IA Series' Articles. dev.to
-
Anthropic Claude Documentation. Link
-
OpenAI API Documentation. Link
-
HuggingFace Transformers. Link
📚 Referências completas: Veja a lista completa de 45+ referências no Plano de Ensino
Este trabalho está licenciado sob uma Licença Creative Commons Atribuição-NãoComercial-CompartilhaIgual 4.0 Internacional.
Você tem o direito de:
- ✅ Compartilhar - copiar e redistribuir o material em qualquer suporte ou formato
- ✅ Adaptar - remixar, transformar e criar a partir do material
Sob as seguintes condições:
- 📝 Atribuição - Você deve dar o crédito apropriado
- 🚫 Não Comercial - Você não pode usar o material para fins comerciais
- 🔄 Compartilha Igual - Se você remixar, transformar ou criar a partir do material, deve distribuir suas contribuições sob a mesma licença
Esta disciplina foi desenvolvida com inspiração e contribuições de:
- Rodrigo Pessoa Medeiros - Co-criador da Metodologia Sinfonia
- ASSERT Lab - Laboratório de Pesquisa em Engenharia de Software
- Alunos das turmas 2021-2024 - Feedback valioso para refinamento da Sinfonia
- Comunidade Open Source - Ferramentas e frameworks utilizados
- Pesquisadores e autores - Referências bibliográficas que fundamentam a disciplina
- ✨ Integração completa da Metodologia Sinfonia
- ✨ Adição de aulas especiais: Prompt Engineering e Segurança de IA
- ✨ Estruturação completa do cronograma de projeto (Aulas 16-36)
- ✨ 14 artefatos concretos da Sinfonia mapeados
- ✨ Sistema de checkpoints alinhado aos 4 movimentos
- ✨ Inclusão de 2 palestras convidadas estrategicamente posicionadas
- ✨ Cobertura de tópicos críticos: hallucination, segurança, propriedade intelectual
- ✨ README aprimorado com navegação e recursos visuais
- 📝 Criação do plano de ensino detalhado
- 📝 Definição de pré-requisitos e competências
- 📝 Estruturação das primeiras 15 aulas
- 📝 Sistema de avaliação com checkpoints
- Criação do arquivo
PLANEJAMENTO_2026_1.mdcom cronograma interativo - Templates dos 14 artefatos da Sinfonia
- Rubricas detalhadas de avaliação
- Material das aulas (slides, exercícios, exemplos)
- Setup de Discord/Slack da turma
- GitHub Organization para projetos
- Vídeos tutoriais de ferramentas
- Exemplos de projetos de semestres anteriores
Perguntas? Abra uma Issue ou participe das Discussions
Sugestões? Pull Requests são bem-vindos!
Made with ❤️ by CIn/UFPE
⭐ Star este repo para acompanhar atualizações