Será que a próxima geração de aplicações cloud-native será formada por agentes em vez de APIs tradicionais? Essa pergunta não é mais hipotética. Em 2026, o Google Cloud ampliou significativamente seu suporte a agentes de IA, execução isolada e GPUs no Cloud Run — e para quem desenvolve em Go, isso abre um mundo de possibilidades.

O que são agentes de IA?

Um agente de IA não é apenas um chatbot. É um sistema autônomo que pode:

• Receber uma tarefa (objetivo)
• Analisar informações disponíveis
• Executar ações em ferramentas externas (APIs, bancos de dados, etc.)
• Tomar decisões iterativas até atingir o resultado

Pense em um agente como um programa que pensa, planeja e executa — tudo automaticamente.

Por que o Google Cloud está investindo nisso?

A computação na nuvem sempre foi sobre abstrair complexidade de infraestrutura e serviços, assim como containers abstraem ambientes e agora, agentes abstraem lógica de negócio.

Leia mais »

Essa é uma pergunta que ouço cada vez mais no mercado. Python domina o espaço de IA e machine learning, mas será que é realmente a melhor escolha para tudo? Neste post, vamos analisar onde Python continua sendo imbatível e onde Go pode oferecer vantagens reais.

A realidade: Python não é perfeito para tudo

Python ganhou a guerra de IA graças ao NumPy, TensorFlow, PyTorch e ecossistema. É verdade. Mas isso não significa que seja a solução ótima para produzir agentes de IA em escala.

Quando você constrói um agente de IA em produção, você não está apenas usando a biblioteca de ML — está construindo um sistema completo com concorrência, latência crítica, consumo de memória limitado e deploy em containers.

Comparação prática: Python vs Go

Concorrência

Python: Global Interpreter Lock (GIL) mata o paralelismo de verdade. Você pode usar asyncio, mas não consegue explorar múltiplos cores efetivamente para CPU-bound tasks.

Leia mais »

Se você trabalha com cloud, sabe que a fatura no final do mês pode ser uma surpresa desagradável. Neste post, vamos entender como FinOps amadureceu e como AI transformou a forma como controlamos gastos em AWS, GCP e Azure.

O que é FinOps?

FinOps (Financial Operations) é a prática de otimizar custos em nuvem através de colaboração entre times de engenharia, finanças e produto. Não é apenas reduzir gastos — é gastar bem.

Até 2024, FinOps era manual: análise de relatórios, conversas entre times, ajustes manuais. Em 2026, mudou. AI entrou no jogo para prever padrões de consumo e automatizar otimizações.

AI Mudou o Jogo

As três grandes clouds perceberam que seus clientes gastavam demais porque ninguém tinha visibilidade real dos custos. A solução?
AI que aprende seus padrões e sugere otimizações automaticamente.

Leia mais »

Se você trabalha com infraestrutura no Google Cloud Platform, provavelmente já se deparou com desafios de conectividade entre serviços. Neste post, vamos explorar em detalhes a Private Service Connection (PSC), uma feature poderosa que mudou a forma como consumimos serviços no GCP de maneira segura e controlada.

O que é Private Service Connection (PSC)?

Private Service Connection é um modelo de conectividade do Google Cloud que permite que aplicações consumam serviços Google (como BigQuery, Cloud Storage, Pub/Sub) ou serviços de terceiros através de um IP privado dentro da sua VPC, eliminando completamente a necessidade de trafegar pela internet pública.

Leia mais »

Se você está começando com Kubernetes no Google Cloud, provavelmente se deparou com duas opções: GKE Standard e GKE Autopilot. Neste post, vamos entender o que é cada uma, suas diferenças fundamentais e quando usar uma ou outra. Ao final, você saberá exatamente qual escolher para sua arquitetura.

O que é GKE?

Google Kubernetes Engine (GKE) é o serviço gerenciado de Kubernetes oferecido pela Google Cloud. Ele abstrai a complexidade de manter um cluster Kubernetes, delegando tarefas críticas (como atualizações, scaling de nós e monitoramento da control plane) para o Google.

O GKE não é apenas um Kubernetes rodando em máquinas virtuais. É uma plataforma inteligente que oferece diferentes níveis de automação e controle, dependendo de como você quer operá-la.

GKE vs Kubernetes Self-Hosted

Antes de compararmos Standard e Autopilot, é importante entender por que usar GKE em vez de instalar Kubernetes na mão.

Instalação Self-Hosted

Quando você instala Kubernetes manualmente em VMs, você é responsável por:

• Gerenciar a control plane: Manter etcd, kube-apiserver, kube-controller-manager e kube-scheduler rodando e saudáveis
• Atualizar versões: Planejamento, testes e execução de upgrades do cluster
• Escalabilidade de nós: Adicionar, remover e substituir máquinas manualmente ou via scripts customizados
• Monitoramento e alertas: Implementar sua própria estratégia de observabilidade
• Segurança e patches: Aplicar patches de kernel, atualizar componentes, gerenciar certificados
• Networking: Configurar plugins CNI, gerenciar IPs e roteamento

É viável, mas exige expertise profunda e consome muitos recursos operacionais.

Leia mais »

Neste post, vamos explorar como mapear e entender a memória de programas Go 1.27 no Linux. Com o crescimento de aplicações Go em produção, saber o que está acontecendo na memória é essencial para otimizar performance e debugar problemas. Vou mostrar as ferramentas que surgiram para facilitar essa tarefa.

O que significa mapear a memória?

Mapear a memória é entender como seu programa Go está usando a RAM do sistema. Não é só sobre quanto de memória está sendo usado, mas onde essa memória está sendo alocada, qual estrutura de dados está consumindo mais bytes e se há vazamentos de memória.

No Linux, você pode ver essa informação de várias formas. As mais comuns são:

• pprof — o profiler integrado do Go que mostra allocations e heap
• /proc/maps — arquivo do kernel que lista todas as regiões de memória do processo
• runtime.MemStats — estatísticas do runtime do Go em tempo real

Por que isso importa no Go 1.27?

O Go 1.27 trouxe melhorias significativas no runtime e no garbage collector. Essas mudanças tornaram mais fácil (e necessário) entender como a memória está sendo distribuída. Se você está migrando de versões antigas, provavelmente quer verificar se o comportamento de memória mudou.

Leia mais »

A partir do Go 1.27, podemos finalmente detectar goroutine leaks de forma nativa e sem precisar de flags experimentais. Neste post, vamos entender como funciona esse novo perfil de detecção e como usá-lo na prática para evitar um dos bugs mais difíceis de rastrear em aplicações Go.

O que é um Goroutine Leak?

Um goroutine leak ocorre quando uma goroutine fica bloqueada indefinidamente em alguma primitiva de concorrência (channels, sync.Mutex, sync.Cond, etc.) e nunca consegue ser desbloqueada. Diferente de uma goroutine que apenas dorme, uma goroutine em leak está prisioneira — nenhum outro código pode libertá-la.

Isso é um problema sério porque goroutines consomem memória. Se sua aplicação cria milhares delas sem desbloqueá-las, você terá vazamento de memória gradual e difícil de diagnosticar.

Como o Runtime Detecta Leaks

O Go 1.27 usa uma abordagem elegante baseada no garbage collector:

1. O runtime executa um ciclo de GC (Garbage Collector)
2. Para cada goroutine, verifica se ela está bloqueada em uma primitiva de concorrência
3. Verifica se aquela primitiva é alcançável a partir de alguma goroutine que possa ser desbloqueada
4. Se a primitiva for inalcançável, a goroutine está vazando

Esse mecanismo funciona porque se uma primitiva é inalcançável, ninguém pode sinalizar para ela, portanto a goroutine nunca acordará.

Leia mais »

Neste post, vamos explorar GKE Compute Class, um recurso fundamental do Google Kubernetes Engine que centraliza a configuração de infraestrutura de clusters. Se você trabalha com Kubernetes e busca reduzir a complexidade de gerenciamento de infraestrutura enquanto mantém flexibilidade, esse conceito é essencial.

O que é GKE Compute Class?

GKE Compute Class é um recurso personalizado (CustomResource) do Kubernetes que define um conjunto de atributos de nós e configurações de escalonamento automático. Ele funciona como um “blueprint” que o cluster usa para criar nós otimizados para tipos específicos de workload.

Em vez de você precisar criar e gerenciar múltiplos node pools manualmente, os ComputeClasses permitem declarar centralizadamente como os nós devem ser configurados. Quando um pod seleciona uma ComputeClass, o scheduler automático do GKE usa essas especificações para provisionar nós adequados.

Componentes principais

Uma ComputeClass define:

• Famílias de máquinas (N4, N2, C3, etc.)
• Comportamento de fallback entre opções de hardware
• Configurações de escalonamento automático para consolidação de nós
• Locais de nós (zonas, regiões)
• Aceleradores (GPUs, TPUs) e outras configurações de hardware
• Taints e tolerâncias que o GKE aplica automaticamente aos nós

Como GKE Compute Class funciona

O funcionamento é simples mas poderoso:

O fluxo de trabalho

1. Declaração: Engenheiros de plataforma definem ComputeClasses em manifestos YAML
2. Registro: As ComputeClasses são criadas como recursos personalizados no cluster
3. Seleção: Operadores de apps especificam uma ComputeClass nos seus pods usando nodeSelector
4. Escalonamento: O cluster autoscaler usa as prioridades definidas para criar nós apropriados
5. Configuração: O GKE aplica automaticamente rótulos, taints e tolerâncias aos nós criados

Leia mais »

Se você trabalha com cargas de trabalho de AI/ML ou aplicações que levam minutos para inicializar no GKE, Pod Snapshot é uma feature que pode mudar o jogo. Neste post, vou explicar o que é, por que importa e como implementar.

O que é Pod Snapshot?

Pod Snapshot é um recurso do GKE que captura o estado completo de um Pod em execução — incluindo memória, estado da CPU, GPU e alterações no sistema de arquivos — e o salva no Cloud Storage. Quando um novo Pod precisa ser criado, em vez de começar do zero, o GKE restaura esse snapshot e o Pod retoma a execução exatamente de onde estava.

Diferente de Volume Snapshot (que captura apenas dados persistentes), Pod Snapshot congela toda a runtime do seu aplicativo, incluindo a memória com o modelo de IA já carregado, todas as dependências inicializadas, e qualquer estado computado.

Por que Isso Importa

Cargas de trabalho de AI/ML são notoriamente lentas para inicializar. Um modelo de 70B parâmetros pode levar vários minutos apenas para ser carregado na memória da GPU. Com Pod Snapshot, você reduz esse tempo para segundos.

Números reais do GCP:

• Modelo 70B: Startup normal = ~300s | Com snapshot = ~80s (73% mais rápido)
• Modelo 8B: Startup normal = ~60s | Com snapshot = ~16s (73% mais rápido)

Cenários onde Pod Snapshot brilha:

• Inferência de AI/ML — reduz latência de cold start para usuários
• Batch jobs pesados — inicia processamento em segundos em vez de minutos
• Aplicações com muitas dependências — Node.js, Python com libs grandes
• Auto-scaling — novos replicas escalam instantaneamente

Leia mais »

O Fyne acaba de chegar à versão 2.8 com mais de mil commits, trazendo novos componentes de gráficos, APIs melhoradas e otimizações que tornam o desenvolvimento de aplicações desktop com Go ainda mais prático. Neste post, vamos explorar o que mudou e como você pode aproveitar essas novidades.

O que é Fyne?

Fyne é um framework Go para construir interfaces gráficas modernas que funcionam no Linux, macOS e Windows com o mesmo código. Diferente de outras abordagens que geram binários pesados, o Fyne oferece um controle fino sobre performance e tamanho de arquivo — ideial para apps desktop leves e responsivos.

Se você trabalha com Go e já se perguntou como fazer uma boa GUI sem mergulhar em C++, Fyne é a resposta.

Novidades da v2.8

Novos componentes de gráficos

A v2.8 introduziu um novo package canvas com suporte expandido para gráficos e renderização. Agora você pode criar visualizações mais elaboradas sem depender de bibliotecas externas complexas.

Leia mais »