--- title: "Como Construí um Sistema de Suporte ao Cliente com IA de Nível Produção" author: "Usando Claude Code — Tutorial prático" description: "Este tutorial mostra na prática como usar o Claude Code para construir um sistema de suporte ao cliente por e-mail — do zero até uma aplicação funcionando localmente, em tempo real, sem cortes. O..." source: "https://adhenawer.net/posts/pt_br/como-construi-sistema-suporte-cliente-ia-nivel-producao.html" lang: pt-BR --- TL;DR · principais pontos 1. Este tutorial mostra na prática como usar o Claude Code para construir um sistema de suporte ao cliente por e-mail — do zero até uma aplicação funcionando localmente, em tempo real, sem cortes. 2. O projeto escolhido é um agente de e-mail inteligente: recebe mensagens, classifica por tipo e urgência, gera respostas automáticas usando IA e exibe tudo numa interface web com inbox e API docs. ## INTRODUÇÃO [5:28](https://youtu.be/fzrvx_1-9_o?t=328) Este tutorial mostra na prática como usar o Claude Code para construir um sistema de suporte ao cliente por e-mail — do zero até uma aplicação funcionando localmente, em tempo real, sem cortes. O instrutor é Sunnonni Savvita, mentor de tecnologia na PwC. O projeto escolhido é um agente de e-mail inteligente: recebe mensagens, classifica por tipo e urgência, gera respostas automáticas usando IA e exibe tudo numa interface web com inbox e API docs. Um sistema completo, não um tutorial simplificado. ## CONFIGURANDO O CLAUDE CODE [15:47](https://youtu.be/fzrvx_1-9_o?t=947) O Claude Code pode ser instalado de quatro formas: via terminal/CLI (comando npm install -g @anthropic-ai/claude-code), via extensão do VS Code, via aplicativo desktop (disponível para Windows, Mac e Linux), ou pela versão web. O tutorial cobre as duas primeiras opções. Para Windows, há um requisito importante: o Git precisa estar instalado antes do Claude Code, porque ele usa o Git Bash internamente para executar comandos em background. Sem o Git, o Claude Code não consegue executar os scripts que gera. Após a instalação, você roda o comando claude e escolhe o método de autenticação: pelo plano Pro (claude.ai) ou por API Key. O tutorial usa API Key, que dá mais controle sobre custos mas exige configurar o billing no console da Anthropic. A ABORDAGEM: MÓDULO A MÓDULO A estratégia recomendada para projetos maiores: não pedir ao Claude Code para construir tudo de uma vez. Em vez disso, abrir a pasta do projeto e instruir o agente a inspecionar o projeto e trabalhar módulo a módulo. O fluxo típico: abrir a pasta do projeto no terminal, rodar claude, descrever o que quer construir em alto nível, e depois iterar por partes. O agente lê os arquivos existentes antes de escrever código novo — o que garante consistência com o que já existe. Para este projeto, o prompt inicial descreve o sistema de suporte ao cliente: classificar e-mails por categoria e urgência, gerar respostas automáticas, criar banco de dados para histórico, interface web com inbox e formulário de teste. O QUE O CLAUDE CODE CONSTRUIU Em cerca de 1 hora de sessão (consumindo 100% do limite de tokens), o Claude Code criou: Estrutura do projeto: diretório src com módulos separados — main.py (rotas Flask), models.py (modelos de dados), workflow.py (orquestração do agente), config.py (configurações), database.py (SQLite), e schema de banco de dados. Sistema de classificação: classificador de e-mails que determina categoria (suporte técnico, cobrança, cancelamento, etc.) e prioridade (alta, média, baixa), com análise de keywords críticas. Knowledge base: sistema RAG básico com documentos de suporte, usando embeddings para busca semântica. Inicialmente gerou com sentence-transformers (modelo local) mas foi reconfigurado para usar embeddings da OpenAI. Interface web: três páginas — formulário para testar e-mails com campos de remetente, assunto e corpo; inbox mostrando todos os e-mails processados com status e metadados; e documentação interativa das APIs (Swagger-style). API completa: rotas para submeter e-mail, consultar inbox, verificar status de processamento, e acessar os logs do agente. ## ERROS E DEBUGGING NA PRÁTICA [38:37](https://youtu.be/fzrvx_1-9_o?t=2317) O tutorial não corta os erros — e isso é valioso para entender o que esperar do vibe coding na prática. Problema com o arquivo .env: o agente gerou o código referenciando variáveis de ambiente com nomes diferentes dos que o usuário tinha configurado. O agente ficou editando o .env automaticamente (porque o modo “auto-accept” estava ativado), o que causou confusão — a chave da API sendo sobrescrita repetidamente. Problema com o modelo OpenAI: o agente configurou inicialmente com sentence-transformers para embeddings. Quando o usuário pediu para mudar para OpenAI, o agente precisou de algumas iterações para acertar o nome correto do modelo (`gpt-4-turbo-preview` vs variantes). A lição explícita do tutorial: quando você dá autonomia total ao agente para editar arquivos, ele vai editar o .env também. Para valores sensíveis como chaves de API, é mais seguro usar o modo “ask before edit” em vez de “auto-accept”. ## RESULTADO FINAL [1:07:47](https://youtu.be/fzrvx_1-9_o?t=4067) Depois de resolver as questões de configuração e API key, o sistema funcionou como esperado: - E-mails submetidos pelo formulário são classificados por categoria e urgência - O agente gera uma resposta personalizada usando o LLM - Toda a conversa fica logada no inbox com detalhes: remetente, assunto, corpo, classificação, keywords identificadas, resposta gerada, status de envio - A parte de envio real de e-mail falhou (esperado — precisaria das credenciais da API Gmail), mas o fluxo completo de processamento e geração de resposta funcionou O que ficou de fora para o próximo vídeo: deploy na AWS com infraestrutura como código e CI/CD via GitHub Actions. ## LIÇÕES DO PROCESSO [1:41:03](https://youtu.be/fzrvx_1-9_o?t=6063) Plano sobre execução: antes de aprovar um plano que o Claude Code gera, leia com atenção. Se algo estiver claramente errado, corrija antes de apertar “approve”. Uma vez que começa a executar, o agente segue o plano — e corrigir no meio custa mais tokens do que ajustar o plano antes. Compact mode: quando o contexto fica grande e você está perto do limite de tokens, ativar o “compact” faz o agente criar um resumo comprimido do trabalho feito, liberando espaço para continuar. Útil para projetos longos. Limites de tokens são reais: o agente consumiu 100% do limite numa sessão de 2 horas construindo um sistema moderadamente complexo. Para projetos maiores, considere dividir em múltiplas sessões ou usar planos com limites maiores. Vibe coding tem limites: o instructor mostra honestamente que código gerado sem especificação precisa — especialmente para integração com serviços externos como Gmail API ou configurações de variáveis de ambiente — vai precisar de ajuste manual. Quanto mais específico e técnico for o domínio, mais você precisa guiar o agente com detalhes.