Aula 17 — Brownfield: LinkedIn Automation Protótipo → Produção

---

Módulo 5 · Hooks, Multi-IDE e Brownfield Duração: 5-6 horas Agentes praticados: @architect, @analyst, @po, @sm, @dev Projeto: LinkedIn Automation (brownfield completo)

---

🏆 Vitória desta aula

LinkedIn Automation migrado do protótipo Google AI Studio para arquitetura independente com features avançadas: A/B testing de conteúdo, scheduling inteligente baseado em analytics, e performance tuning do sistema combinado.

Critério binário: Protótipo mapeado + patterns migrados + A/B testing funcional + scheduling inteligente + sistema rodando independente do Google AI Studio.

---

Conceito

Brownfield completo: 5 etapas do AIOX

A Aula 18 do Bootcamp fez brownfield parcial. Aqui é o completo, usando todas as ferramentas:

Etapa	Agente	Ação
1. Map	@architect *map-codebase	Mapear protótipo existente
2. Extract	@analyst *extract-patterns	Extrair o que funciona
3. Plan	@po sharding + @sm stories	Planejar evolução
4. Implement	@dev	Implementar migração + features novas
5. Tune	@dev	Performance tuning do sistema combinado

O que o sistema LinkedIn agora combina

• Squad V3 (migrado na Aula 04 do Mastery)
• Backend de persistência + publicação (Aula 16 Bootcamp)
• Analytics com feedback loop (Aula 17 Bootcamp)
• Automação end-to-end (Aula 18 Bootcamp)
• Hooks de lifecycle (Aula 15 Mastery)
• Agora: A/B testing + scheduling inteligente

---

Prática

Passo 1 — Map codebase completo

cd ~/aiox-bootcamp/linkedin-squad
claude

@architect

Aria, mapeie o sistema LinkedIn Automation completo:

*map-codebase

Mapeie: squad (6 agentes V3), backend (API, banco, métricas), 
analytics (patterns, feedback loop), automação (scheduling), 
protótipo legado (Google AI Studio).

Identifique: o que está pronto, parcial e faltando para produção.

@analyst

*extract-patterns

Extraia do protótipo Google AI Studio: prompts calibrados, 
regras de formatação, padrões de voz que ainda não foram 
migrados, lógica de decisão (quando gerar quiz vs artigo).

🏆 Checkpoint 1: Mapeamento + patterns extraídos.

---

Passo 2 — Migrar e evoluir

*exit

@sm

Sam, crie stories de evolução:
1. Migrar features restantes do protótipo
2. A/B testing de conteúdo (2 versões, medir performance)
3. Scheduling inteligente (publicar no melhor horário baseado em dados)
4. Dashboard consolidado
5. Performance tuning

*exit

@dev

Dex, implemente as stories priorizadas:

A/B TESTING:
- Gerar 2 versões do mesmo post (hook diferente, formato diferente)
- Publicar ambas em horários similares em dias diferentes
- Comparar métricas D+7 de cada versão
- Declarar vencedora e alimentar feedback loop

SCHEDULING INTELIGENTE:
- Analytics identifica melhores horários por vertente
- Scheduler publica automaticamente no horário ideal
- Se não houver dados suficientes, usar horários default
- Aprender e ajustar com cada publicação

DASHBOARD CONSOLIDADO:
- Tudo sobre LinkedIn em uma tela
- Posts recentes com métricas
- A/B tests ativos com resultado parcial
- Padrões identificados pelo analytics
- Próximas publicações agendadas

Checklist

• A/B testing gera 2 versões e compara métricas?
• Scheduling usa dados do analytics para horários?
• Dashboard mostra visão consolidada?
• Sistema roda independente do Google AI Studio?
• Templates migrados do protótipo enriqueceram o squad?

🏆 Checkpoint 2: Features avançadas implementadas.

---

Passo 3 — Performance tuning

Dex, faça performance tuning do sistema combinado:
- Tempo de geração de 4 posts (1 por vertente)
- Tempo de response dos endpoints de analytics
- Overhead da automação semanal
- Uso de memória do sistema completo

Identifique top 3 bottlenecks e otimize.

🏆 Checkpoint 3 — VITÓRIA DA AULA: LinkedIn Automation production-ready.

---

Passo 4 — Commit

*exit
git add .
git commit -m "feat: LinkedIn Automation brownfield complete - production-ready

- Full codebase mapping and pattern extraction
- A/B content testing with metric comparison
- Intelligent scheduling based on analytics
- Consolidated dashboard
- Performance tuning: top 3 bottlenecks resolved
- System independent of Google AI Studio"

---

Reflexão

O conceito-chave

**Brownfield completo é mais que migração — é evolução. O protótipo do Google AI Studio foi o MVP. O Bootcamp construiu a infraestrutura. O Mastery evoluiu para produção: A/B testing, scheduling inteligente, performance tuning. O AIOX estruturou cada etapa com ferramentas específicas (map-codebase, extract-patterns, stories de evolução).

Conexão com o Módulo 6

O Módulo 6 (Aulas 18-22) é o grand finale: squads avançados com @squad-creator, MCP integration, composition cross-squad, marketplace e contribuição ao AIOX core.

---

Anterior: Aula 16 — Multi-IDE na Prática Próxima: Aula 18 — Squad Zabbix Content (Módulo 6)