Engineering at Darwin
Construímos sistemas onde a correctness importa
A Darwin é uma plataforma de rastreabilidade e conformidade para cadeias de suprimento reguladas. Aqui contamos como a construímos — arquitetura, decisões técnicas e aprendizados de produção em IA, blockchain e data engineering.
Princípios
Como construímos
Engenharia opinativa para ambientes regulados com stakes reais.
Correctness over speed
Quando uma decisão afeta a conformidade regulatória, errar rápido não é opção. Guardrails primeiro, performance depois.
Hybrid retrieval
Vector-only não escala para domínios com dados estruturados + não-estruturados. Usamos query planners que decidem a estratégia por pergunta.
Observability desde o primeiro dia
Cada query, cada chamada LLM, cada evento on-chain tem tracing end-to-end com OpenTelemetry. Sem observabilidade, não há produção.
AI-augmented, human-in-the-loop
LLMs para raciocinar sobre contexto; regras determinísticas para validar resultados. A combinação supera qualquer abordagem isolada.
On-chain para integridade, off-chain para performance
Blockchain só para attestations críticas (identity, audit events). O resto vive em sistemas otimizados para acesso rápido.
Build for portability
Provider abstraction (YAML-config) para swap de LLMs sem refactor. Evitamos vendor lock-in nas camadas de IA e data.
Stack
Tecnologia que usamos
Escolhas informadas — não trendy, mas battle-tested nos domínios que nos importam.
IA / Orchestration
LangGraph para workflows agentic, Python/FastAPI backend, Cursor + Claude Code como daily drivers.
Data / Retrieval
Qdrant para vector search, PostgreSQL relacional, Firebase para state, Cloud Storage para blobs.
Blockchain
Polygon PoS + OP Stack L2, 12 smart contracts em Solidity (identity, governance, DID registry, NFT inventory).
Cloud / Infra
GKE na GCP, Pub/Sub event-driven, Terraform IaC, CI/CD com GitHub Actions.
Frontend
React (Next.js) para web, React Native para mobile offline-first (Captia).
Observabilidade
OpenTelemetry full-stack, structured logging, tracing de chamadas LLM, metrics + dashboards.
Artigos
Deep-dives técnicos
Aprendizados de produção — arquitetura, tradeoffs, o que funcionou e o que não.
RAG sobre 10+ bases de dados: o que a produção nos ensinou
Por que RAG vector-only não escala em conformidade, como desenhamos retrieval híbrido sobre múltiplos stores, e as decisões arquiteturais que funcionaram em produção.
Por Hernán Pérez Rodal
Por que colocamos rastreabilidade on-chain: FSMA 204 compliance no nível de protocolo
A maioria das plataformas de rastreabilidade usa blockchain como marketing. Contamos como e por que na Darwin usamos a nível arquitetural — e quando NÃO faz sentido.
Por Hernán Pérez Rodal
Agentic Compliance System com LangGraph: patterns que funcionam em produção
Nem todos os multi-agent patterns servem em domínios regulados. Contamos qual arquitetura de agentes usamos na Darwin, por quê, e quais anti-patterns evitamos.
Por Hernán Pérez Rodal
AI anomaly detection em eventos de rastreabilidade: da detecção ao yield optimization
Detectar anomalias é 20% do problema. Os outros 80% são converter alertas em economia real de produção. Contamos como resolvemos isso na Darwin — com modelos simples que mexem o ponteiro.
Por Hernán Pérez Rodal
Arquitetura offline-first: captura de dados em zonas rurais com conectividade intermitente
Na América Latina, o primeiro elo produtivo costuma ter sinal 3G ou pior. Contamos como desenhamos o Captia para funcionar sem conexão — e que tradeoffs assumimos com eventual consistency.
Por Hernán Pérez Rodal
LLM evaluation em domínios regulados: além de accuracy
Quando uma resposta incorreta do seu LLM impacta uma auditoria FDA, accuracy não basta. Contamos como avaliamos LLMs e agents na Darwin — golden sets, LLM-as-judge, regression detection e guardrails numéricos.
Por Hernán Pérez Rodal
Construindo algo semelhante?
Nos interessa compartilhar arquitetura e aprender com outros casos. Se você tem um desafio técnico que cruza com os nossos — vamos conversar.