AIOX Course Platform | Professional Bootcamp & Mastery

Módulo 4 · Plataforma Zabbix: Desenvolvimento Core Duração: 5-6 horas Agentes praticados: @dev, @zabbix-expert, @qa Projeto: Plataforma Zabbix Learning

🏆 Vitória desta aula

Content Engine gerando aulas sobre Zabbix a partir da documentação oficial via RAG pipeline, com o @zabbix-expert participando da geração e renderização de Markdown em componentes React.

Critério binário: Documentação Zabbix ingerida → query sobre conceito → aula gerada em Markdown com qualidade validada → renderizada na UI.

Conceito

RAG Pipeline: a fábrica de conteúdo educacional

O Content Engine é o subsistema mais impactante da plataforma — é ele que gera as centenas de aulas que os alunos consomem. O pipeline RAG transforma documentação técnica densa em conteúdo educacional acessível:

Documentação oficial Zabbix
  → Chunk (dividir por conceito)
  → Embed (gerar vetores)
  → Store (vector database)
       ↓
Query ("Explique LLD", nível intermediário)
  → Retrieve (chunks relevantes)
  → Generate (@zabbix-expert + contexto)
  → Output (Markdown estruturado)
       ↓
Renderização (Markdown → React components)

Cada decisão do pipeline afeta a qualidade final:

Decisão	Impacto na qualidade
Chunk size pequeno	Mais preciso, mas pode perder contexto
Chunk size grande	Mais contexto, mas pode incluir ruído
Chunk overlap	Evita cortar conceitos no meio
Embedding model	Qualidade da busca por similaridade
Retrieval top-k	Quantos chunks alimentam a geração
Prompt de geração	Tom, formato, profundidade da aula

@zabbix-expert no pipeline

O @zabbix-expert (criado na Aula 02) não é apenas validador — ele participa da geração. O pipeline usa o agente como gerador com contexto RAG: os chunks relevantes são o conhecimento, o @zabbix-expert é a voz que transforma documentação em aula acessível.

Contexto

Auth e multi-tenancy estão prontos (Aula 11). O Content Engine é o segundo subsistema — e o que mais define o valor da plataforma. A spec do Content Engine foi aprovada após 3 iterações na Aula 05. A taxonomia de conteúdo foi definida na Aula 08. Agora implementamos.

Prática

Passo 1 — Ingestão da documentação Zabbix

cd ~/aiox-mastery/zabbix-platform
cd feature/content-engine  # worktree da Aula 04
claude

@dev

Dex, implemente o pipeline de ingestão da documentação 
Zabbix. Consulte docs/specs/content-engine.md (spec 
aprovada na Aula 05).

Pipeline de ingestão:
1. Carregar documentação (markdown/HTML da doc oficial)
2. Preprocessing: limpar formatação, extrair texto útil
3. Chunking: dividir por conceito — NÃO por tamanho fixo.
   Cada chunk deve cobrir um conceito coeso.
   Use overlap de 10-15% para evitar cortes no meio 
   de explicações
4. Embedding: gerar embeddings dos chunks
5. Storage: armazenar no vector store configurado

Decisões do Architecture Doc:
- Chunk size e overlap conforme spec
- Embedding model conforme decisão da Aula 08
- Vector store conforme infra da Aula 10

Como verificar:

# Rodar ingestão
npm run content:ingest -- --source=docs/zabbix-docs/

# Verificar chunks no vector store
curl http://localhost:3000/api/content/chunks/stats | jq
# Deve mostrar: total de chunks, distribuição por conceito

# Testar busca por similaridade
curl -X POST http://localhost:3000/api/content/search \
  -d '{"query":"Low-Level Discovery"}' | jq
# Deve retornar chunks relevantes sobre LLD

Checklist de ingestão

Documentação carregada e parseada sem erros?

Chunking respeita limites semânticos?

Overlap evita cortes no meio de conceitos?

Embeddings gerados e armazenados?

Busca por similaridade retorna chunks relevantes?

Chunks irrelevantes não poluem resultados?

Se a busca retornar chunks irrelevantes:

Dex, a busca por "trigger expressions" retorna chunks 
sobre instalação do Zabbix. O chunking provavelmente 
está quebrando por tamanho fixo sem respeitar fronteiras 
de conceito. Revise: cada chunk deve ser sobre UM 
conceito. Se o documento muda de assunto, é um novo chunk.

🏆 Checkpoint 1: Documentação ingerida com busca funcional.

Passo 2 — Geração de aulas via RAG

Dex, implemente a geração de aulas via RAG.

Fluxo:
1. Input: tema, nível (da taxonomia da Aula 08), formato
2. Retrieve: buscar top-k chunks relevantes no vector store
3. Augment: montar prompt com chunks + instruções + Voice Profile
4. Generate: @zabbix-expert gera aula usando contexto
5. Validate: verificar contra checklist zabbix-lesson-quality.md
6. Output: aula em Markdown estruturado

Use o workflow generate-zabbix-lesson criado na Aula 03.

O prompt de geração deve instruir o @zabbix-expert a:
- Usar linguagem acessível (não copiar documentação)
- Incluir exemplos práticos de configuração
- Mencionar armadilhas comuns
- Adaptar profundidade ao nível solicitado
- Referenciar conceitos pré-requisitos

Teste com conceito real:

curl -X POST http://localhost:3000/api/content/generate \
  -H "Content-Type: application/json" \
  -d '{"topic":"Zabbix LLD","level":"intermediate","format":"text"}' | jq

Checklist de geração

Aula gerada é tecnicamente correta? (validar manualmente)

Usa linguagem acessível (não é doc copiada)?

Inclui exemplos práticos de configuração?

Menciona armadilhas comuns?

Nível adequado ao solicitado?

Passa no checklist zabbix-lesson-quality.md?

Se o conteúdo for documentação copiada:

Dex, a aula gerada é basicamente a documentação oficial 
reformatada. O @zabbix-expert deve TRANSFORMAR a 
documentação em conteúdo educacional: começar com 
contexto ("por que LLD existe"), explicar com analogia, 
dar exemplo prático, alertar sobre erros comuns. 
Ajuste o prompt de geração.

Se o RAG retornar contexto insuficiente:

Dex, a aula sobre triggers está superficial porque o 
RAG retornou poucos chunks relevantes. Aumente o top-k 
ou revise o chunking — conceitos complexos precisam de 
mais contexto para gerar aulas com profundidade.

🏆 Checkpoint 2: Geração de aulas via RAG com qualidade validada.

Passo 3 — Renderização Markdown → React

Dex, implemente a renderização de conteúdo:

1. Markdown → componentes React
2. Syntax highlighting para configurações Zabbix 
   (trigger expressions, item keys, API calls)
3. Blocos de código com copy button
4. Imagens e diagramas inline
5. Navegação entre seções da aula
6. Feature gating: conteúdo premium mostra preview 
   com overlay "Upgrade para acessar"

Checklist de renderização

Markdown renderiza corretamente (headings, lists, code)?

Syntax highlighting funciona para configs Zabbix?

Code blocks têm copy button?

Navegação entre seções funciona?

Feature gating mostra preview para conteúdo premium?

🏆 Checkpoint 3: Renderização completa e gatada por plano.

Passo 4 — QA review do Content Engine

*exit

@qa

Quinn, review do Content Engine completo.

Foco:
- Qualidade das aulas geradas (precisão técnica, 
  acessibilidade, exemplos práticos)
- Performance do RAG (tempo de resposta aceitável?)
- Feature gating funciona (free vs premium)?
- Edge cases: query sobre conceito que não existe na doc?
  Query muito ampla ("Zabbix")? Query em outro idioma?

*review-build

Ciclo de correções.

🏆 Checkpoint 4 — VITÓRIA DA AULA: Content Engine gerando e renderizando aulas.

Passo 5 — Commit

*exit
git add .
git commit -m "feat: Content Engine with RAG pipeline for Zabbix educational content

- Documentation ingestion: semantic chunking + embedding + vector storage
- RAG-powered lesson generation with @zabbix-expert
- Quality validation against zabbix-lesson-quality checklist
- Markdown rendering to React with syntax highlighting
- Feature gating: free preview with upgrade overlay
- QA review approved"

Reflexão

O conceito-chave

O Content Engine é a prova de que RAG não é buzzword — é arquitetura. Cada decisão (chunk size, embedding model, retrieval strategy, generation prompt) impacta diretamente a qualidade do conteúdo. O @zabbix-expert como agente especialista no pipeline garante que a IA não inventa — ela explica com base na documentação oficial, traduzindo complexidade técnica em aprendizado acessível.

Conexão com a próxima aula

Na Aula 13, o Quiz Engine se integra com o Content Engine: quizzes são gerados a partir do conteúdo das aulas, e o Learning Path usa resultados de quiz para adaptar a jornada do aluno.

Anterior: Aula 11 — Auth, Multi-Tenant e Billing Próxima: Aula 13 — Quiz Engine Gamificado + Learning Path

Aula 12 — Content Engine com RAG