Construindo um Motor de Decisão Climática com IA em 12 Horas

A maioria dos aplicativos de pegada de carbono falha.

Eles te dão um número. Eles te dão conselhos genéricos. A conscientização não muda o comportamento. Saber que sua pegada é de 8 toneladas de CO2 não diz o que fazer a seguir.

Eu construí o Climbit para resolver isso. Não é uma calculadora. É um motor de decisão. Ele responde a uma pergunta: Qual é a melhor ação que posso tomar agora?

A Lógica Central

A maioria das ferramentas foca na medição. O Climbit foca em decisões. O sistema analisa o seu:

  • Deslocamento
  • Energia doméstica
  • Alimentação e dieta
  • Viagens

Ele classifica as ações com base na redução de carbono, custo, esforço e relevância.

A Divisão de Engenharia

Fiz uma escolha crítica. Separei a matemática da IA.

Modelos de linguagem de grande escala são ruins em matemática. Eles alucinam números. No Climbit, a IA nunca calcula emissões.

O fluxo de trabalho funciona assim:

  1. Você fornece dados via texto, voz ou imagens de recibos.
  2. O Gemini extrai os dados para um JSON estruturado.
  3. Um motor em TypeScript realiza o cálculo real.
  4. A IA interpreta os resultados para fornecer um plano personalizado.

Isso mantém os dados precisos e a experiência personalizada.

A Stack Tecnológica

  • Next.js 15 e React 19
  • TypeScript e Tailwind CSS
  • Supabase e Clerk
  • Google Gemini 1.5 Flash
  • Vitest e Playwright

Resolvendo Problemas Reais

Construir isso exigiu a resolução de problemas técnicos difíceis:

  • Hidratação: O Recharts causava erros durante a renderização no servidor. Corrigi isso adiando a renderização do gráfico até que o cliente fosse montado.
  • Segurança: Implementei um limitador de taxa (rate limiter) do tipo token bucket. Isso protege os endpoints caros de IA contra abusos.
  • Acessibilidade: Usei HTML semântico e rótulos ARIA. Acessibilidade é um requisito, não algo pensado depois.

A Lição

A IA acelera a codificação. Ela não substitui a arquitetura.

Passei a maior parte do meu tempo:

  • Corrigindo problemas de hidratação.
  • Validando casos de borda.
  • Fortalecendo a segurança.
  • Melhorando a confiabilidade.

A diferença entre uma demonstração e um produto está nesses detalhes. As pessoas não precisam de mais dados climáticos. Elas precisam de melhores decisões climáticas.

Fonte: https://dev.to/divyanshu_sinha_72e579e28/-building-climbit-an-ai-climate-decision-engine-in-under-12-hours-3pnc

Comunidade de aprendizado opcional: https://t.me/GyaanSetuAi