SenseComment
Análise de comentários do YouTube com IA, que filtra toxicidade e spam e encontra leads; mais de 500 assinantes pagantes.
- Papel
- Fundador e engenheiro
- Período
- 2025 – Atual
Em números
- assinantes pagantes
- 500+
- de MRR no pico
- US$ 50 mil+
- menos atendimento manual
- ~60%
- por feature, antes 1–2 semanas
- 2–3 dias
Visão geral
Um SaaS construído sobre as APIs do YouTube: análise de comentários com IA que filtra comentários tóxicos, detecta anúncios de spam, encontra leads e permite conversar com a IA sobre o público do canal. Os pagamentos passam pela Hotmart.
Construí e operei o produto como engenheiro principal, de ponta a ponta: produto, backend, pagamentos, deploys e suporte. Ele cresceu do zero para mais de 500 assinantes pagantes e mais de US$ 50 mil de MRR no pico, e está no ar, em modo de baixa manutenção.
O que construí
- 01Do zero a mais de 500 assinantes pagantes e mais de US$ 50 mil de MRR no pico, como engenheiro principal.
- 02Backend na GCP (Cloud Run, Cloud Functions, Pub/Sub) junto com AWS Lambda e Vercel, com filas e jobs agendados idempotentes sob retentativas e escritas concorrentes, para que o crescimento não gerasse cobranças duplicadas nem dados corrompidos.
- 03Assistente de suporte com RAG (OpenAI, LangChain, Qdrant) que reduziu o atendimento manual em ~60%.
- 04APIs do YouTube, pagamentos Hotmart e e-mail/analytics integrados por trás de APIs REST auditadas.
- 05Orientado a especificação com agentes de IA: eu escrevia os critérios de aceite, o agente rascunhava, eu revisava o plano e corrigia decisões de arquitetura erradas antes do merge. As features saíam em 2–3 dias em vez de 1–2 semanas.
Estudos de caso
Idempotente desde o primeiro dia
Problema
Um SaaS pago, com filas e jobs agendados entre GCP e AWS, em que retentativas e escritas concorrentes poderiam cobrar duas vezes ou corromper dados conforme crescesse.
O que fiz
- Projetei cada consumidor de fila e cada job agendado para ser idempotente e seguro sob retentativas e escritas concorrentes.
- Fui dono do produto, do backend, dos pagamentos (Hotmart), dos deploys e do suporte.
- Adicionei um assistente de suporte com RAG (OpenAI, LangChain, Qdrant).
Resultado
Mais de 500 assinantes pagantes, mais de US$ 50 mil de MRR no pico e ~60% menos atendimento manual.
Stack
- React
- TypeScript
- Tailwind CSS
- Node.js
- Express
- GCP Cloud Run
- Cloud Functions
- Pub/Sub
- AWS Lambda
- Vercel
- OpenAI
- LangChain
- Qdrant
- Hotmart
Quer os detalhes por trás disso?