05-02, Multi-Domain Capstones
1. Problema de Engenharia
Logística cobre um domínio (transactional + marketplace + multi-tenant). Mas Staff/Principal real navegou múltiplos domínios com shapes distintos: fintech (correctness, regulação, ledger), real-time (low latency, peer-to-peer), ML pipeline (feature engineering, training, serving, drift), high-write analytics (event streams, dashboards), pure SaaS (org/seats/subs).
Ficar bom em apenas um domínio limita carreira: você vira "engenheiro de logística", não "Staff Engineer". Quando muda de empresa, precisa re-aprender vocabulário e padrões.
Este módulo é executar 3 capstones rápidos em domínios fora-da-Logística, cada um focado em um shape arquitetural distinto. Não pretende terminar produto pronto pra mercado; pretende construir sistema funcional que cubra os patterns canônicos do domínio em ~6-10 semanas cada. Output: 3 repos extras, 3 ADR sets, 3 retros.
Os capstones são intencionalmente diferentes uns dos outros pra forçar movimento entre mental models. Se Logística é "marketplace transactional", Fintech é "correctness + regulação", Real-Time é "latency-bound + peer-to-peer", ML Pipeline é "data + feedback loops".
2. Teoria Hard
2.1 Por que 3 e não 1
1 capstone deep = expertise em 1 domínio.
3 capstones broad = vocabulário em N domínios + ability to spot common patterns.
Trade-off: 3 mais shallow > 1 mais deep. No nível Staff, você precisa mais de breadth + transferência do que mais um deep dive.
Shape: high correctness, regulated, multi-currency, double-entry, audit trail.
Escopo:
- Conexão a banks via aggregator (Plaid/Belvo/Pluggy sandbox), pull transactions.
- Categorização automática + regras user-defined.
- Ledger (revisita 02-18) com double-entry.
- Multi-currency com FX rates daily.
- Goals & budgets com alerts.
- Reports: cash flow, net worth, P&L.
- Compliance: encryption at rest, PII handling, audit log.
Tech stack: Postgres + TypeScript backend + React frontend + chart lib.
Patterns canônicos a praticar:
- Idempotency em ingestion de transactions.
- Reconciliation: balance from aggregator vs ledger sum.
- Time-series financial: hot path daily, OLAP weekly.
- Encryption field-level.
- Audit: append-only log de mudanças.
- Currency math: bigint + FX.
ADRs:
- Aggregator escolha (Plaid vs Belvo vs custom).
- Categorization (rules vs ML).
- Multi-currency normalization point.
Out of scope: real bank credentials (use sandbox), full regulatory compliance (LGPD pesa, simulate).
2.3 Capstone 2: Real-Time, Collab Whiteboard (Excalidraw-clone)
Shape: low-latency, OT/CRDT, peer awareness, multimedia.
Escopo:
- Canvas multi-user com shapes, freehand, text.
- CRDT (Yjs ou Automerge) pra sincronização.
- Awareness: cursors, selections de outros users em real-time.
- Persistence: snapshots periódicos + log de operations.
- Permissions: read-only links, edit links, ownership.
- Embed support: GIF, image upload com 04-03/MinIO.
- Export: PNG, SVG.
Tech stack: TypeScript + WebSocket server + Yjs + Canvas/WebGL (03-14 conexão) + Postgres.
Patterns:
- CRDT vs OT trade-off.
- WS reconnect com replay de operations.
- Backpressure: cliente lento não atrasa fast clients.
- Conflict-free: nunca block edits.
- Eventual consistency: pode ver state divergent por ms.
ADRs:
- CRDT lib choice (Yjs vs Automerge).
- Persistence frequency (every op vs snapshot).
- Authorization model.
Out of scope: production-grade rendering perf, SSO enterprise.
Shape: data pipeline, feature engineering, model serving, evaluation, feedback loop.
Escopo:
- Ingestion: PDF/HTML/Markdown → text extraction → chunking.
- Embedding: gera vetores via API (OpenAI ou local model).
- Index: pgvector + metadata.
- Retrieval: hybrid (BM25 + vector, 02-15 conexão).
- LLM call: provider API com prompt engineering, citations (ver 04-10).
- Evaluation: gold set de QA, métricas (faithfulness, answer relevance, context precision).
- Feedback: thumbs up/down, refinement pipeline.
- Cost tracking: token usage por query.
Tech stack: Python (FastAPI) ou TypeScript + Postgres + pgvector + LLM API.
Patterns:
- Chunking strategies (fixed vs semantic).
- Hybrid retrieval com reranking.
- Prompt versioning: prompts são código.
- Evaluation: subjective domain → suite quantitativa.
- Cost optimization: cache, smaller models pra easy queries.
- Drift: docs mudam → re-embed.
ADRs:
- Embedding model (closed vs open).
- Chunking approach.
- LLM (model + provider + fallback).
Out of scope: training own model, fine-tuning sério.
2.5 Capstones alternativos
Se um dos 3 não atrai:
- Marketplace social (Etsy/Airbnb-like): mas cuidado de não duplicar Logística.
- Real-time multiplayer game: networking, prediction, lag compensation.
- Healthcare records: HIPAA-style compliance, FHIR.
- Logistics differente: otimização (VRP, Vehicle Routing Problem) com OR-Tools.
- Devtool: IDE plugin, CLI tool, observability sidecar.
- Edge: deploy em CDN/edge runtimes (Cloudflare Workers).
Substitua um. Mantenha 3 com shapes distintos.
2.6 Tempo e cadência
- 6-10 semanas por capstone, evening + weekend (depende do tempo disponível).
- Não pretenda lançar produto. Pretenda aprender padrões.
- Documente decisões enquanto fresca; lições esmaecem.
2.7 Output esperado por capstone
- Repo público com README claro (goals/non-goals, setup, demo gif).
- 5+ ADRs.
- Retro doc (
RETRO.md).
- 1 blog post explicando design choice mais surpreendente.
- Se possível, link público demo (deploy free tier).
2.8 Como evitar burnout
3 capstones extras é muito. Defesas:
- Definir non-goals brutalmente.
- Aceitar incomplete em features secundárias.
- Cada finalizado é vitória; não persiga "perfection".
- Compare com Logística pra calibrar scope.
Aprender em capstone X aplica em Logística:
- Fintech ledger → improve 02-18 patterns.
- CRDT → real-time tracking robust.
- RAG → suporte ao cliente automatizado.
Documente cross-pollination em CROSS-LEARNINGS.md.
2.10 Mostre
Após cada capstone:
- Update portfolio.
- Apresente em meetup interno ou Twitter/LinkedIn.
- Convide review crítica de pares.
Public output multiplica retorno do capstone.
3. Threshold de Maestria
Você precisa, sem consultar:
- Justificar 3-broad sobre 1-deep no nível Staff.
- Listar shapes arquiteturais distintos cobertos pelos 3 capstones.
- Identificar patterns canônicos de Fintech.
- Distinguir CRDT vs OT, e por que CRDT vence em distribuído.
- Listar componentes de RAG pipeline.
- Estabelecer non-goals pra cada capstone.
- Estimar effort honestamente.
- Conectar lessons cross-domínio.
4. Desafio de Engenharia
Executar 3 capstones completos seguindo §2.2-§2.4 (ou substituições justificadas).
Especificação
Para cada capstone:
- Repo separado com nome distinto.
- README com goals, non-goals, demo, run-locally.
- Architecture doc com diagrama.
- 5+ ADRs documentando decisions chave.
- Tests cobertura razoável (≥ 70%).
- Deploy em free tier (Railway, Vercel, Fly).
- Retro doc após complete: o que funcionou, o que não, lessons.
- 1 blog post explicando design choice mais saliente.
Cross:
CROSS-LEARNINGS.md consolidado: padrões comuns, surpresas, transferências pra Logística.- Apresentação interna (1h) cobrindo os 3.
Restrições
- Cada capstone tem shape distinto (não 3 versões de marketplace).
- Non-goals explícitos. Não vire produto.
- Sem copiar código de SaaS existente; inspirar ok.
- Idempotente / clean shutdown / observability mínimo em cada (não toy quality em deployment).
Threshold
- 3 capstones completos.
- 3 retros + 3 blog posts.
CROSS-LEARNINGS.md.- Apresentação realizada.
Stretch
- 4º capstone se você é máquina (não recomendo).
- Open source com expectativas claras (04-15).
- Submission a conferência por capstone mais interessante.
- Mentor outro engineer através de um deles (overlap com 05-06).
5. Extensões e Conexões
- Liga com CAPSTONE-fundamentos/apprentice/professional/senior: variation domain.
- Liga com 02-18 (payments): fintech capstone reuses ledger.
- Liga com 02-14 (real-time): whiteboard capstone exercise WS.
- Liga com 02-15 (search): RAG depende de hybrid retrieval.
- Liga com 04-10 (AI/LLM): RAG é caso central.
- Liga com 03-14 (graphics): whiteboard renderiza canvas.
- Liga com 05-05 (public output): blog posts derivam.
- Liga com 05-06 (mentorship): tutorar outro pelo seu capstone.
6. Referências
- "The Pragmatic Programmer": Hunt, Thomas. Generalist mindset.
- Excalidraw codebase (github.com/excalidraw/excalidraw).
- Yjs docs (yjs.dev).
- "Designing Data-Intensive Applications": repeatedly.
- "Building LLM Applications for Production": Chip Huyen.
- "Practical MLOps": Noah Gift.
- OpenBB / GoCardless / Pluggy docs (open banking).
- "Real-World Cryptography": Wong (fintech security).
- "The Phoenix Project": Gene Kim. DevOps mindset.
- Engineering blogs: Stripe, Notion, Figma, Replit, Vercel.