Curadoria aberta para quem está começando em IA

O mapa das ferramentas de IA que você pode usar hoje

Só ferramentas gratuitas: APIs com camada grátis, modelos abertos, runtimes, servidores MCP, skills, datasets e agentes — com o caminho para baixar, como usar e onde usar cada tipo, descrição honesta, ranking de qualidade, requisitos reais e links oficiais. Feito para quem está começando e não quer se perder.

Encontre a IA ideal para você Monte seu sistema de IA

    Explore por área

    Abra só o que você quer ver

    Cada área tem sua própria tela dentro do NeuroCatálogo. A página inicial fica curta e você navega direto para o assunto desejado.

    🧭CatálogoTodas as ferramentas e filtros 🚀ProjetosReceitas prontas para construir 📦ColeçõesListas prontas por objetivo 🔥Radar IAModelos, MCPs e Skills em movimento 📚GuiasAprenda com caminhos práticos 🏆RankingQualidade por categoria ⚖️CompararFerramentas lado a lado 🛤️TrilhaPassos para quem está começando

    Ferramentas de decisão

    Não é só uma lista: descubra, monte e verifique

    Cinco ferramentas que respondem “qual IA devo usar?”, “meu PC roda isso?” e “como combino tudo sem gastar?”.

    O que você quer construir?

    Escolha um projeto e o montador de stack se preenche sozinho

    Receitas prontas de sistemas de IA com peças gratuitas. Clique em Construir e o NeuroCatálogo monta a combinação no montador — depois é só trocar peças, comparar e salvar na sua caixa.

    Comece por aqui

    Seis ferramentas que valem o seu primeiro fim de semana

    Escolhas do curador: cada uma é a mais fácil da sua categoria para dar o primeiro resultado concreto.

    Coleções

    Listas prontas: populares, novidades, estrelas e melhores por uso

    Atalhos no estilo loja de aplicativos — cada lista já vem ordenada. Clique em qualquer item para abrir a página completa da ferramenta.

    Trilha do iniciante

    Cinco passos, do primeiro prompt ao primeiro projeto publicado

    Uma ordem sugerida para não se perder. Cada passo leva de meia hora a uma tarde e usa ferramentas gratuitas.

      Do baixar ao usar

      Como obter, usar e onde aplicar cada tipo

      Só entram ferramentas gratuitas — nada aqui exige pagamento. Para cada um dos sete tipos: o caminho para baixar, o passo a passo de uso e onde ele brilha.

      Ranking de qualidade

      Do melhor ao pior — e no que cada um é melhor

      Uma nota de curadoria de 0 a 100 por categoria, com os pontos fortes e fracos de cada item em uma linha. Não é um benchmark oficial: é uma opinião prática para você decidir rápido. Um dataset não compete com um runtime — compare sempre dentro da mesma categoria.

      Carregando…

        Como a nota é calculada: capacidade e resultados (peso maior), maturidade do projeto, custo, privacidade e apoio da comunidade. Os badges “Melhor em” e “Perde em” resumem o que cada item faz bem e onde ele decepciona — por exemplo, o Qwen 3 é forte em programação, raciocínio e português, mas não gera imagem nem vídeo.

        Comparação lado a lado

        Duas ou três ferramentas, critério por critério

        Selecione até três fichas no catálogo (botão “+ comparar”) e a tabela abaixo se monta sozinha — com licença, requisitos, custo e nota de facilidade.

        Sem jargão

        Glossário rápido de IA

        Os termos que aparecem em toda documentação, explicados em três linhas cada.

        Continue sozinho

        Listas, rankings, comunidades e newsletters

        Fontes que valem assinar ou marcar nos favoritos para acompanhar o ritmo do setor.

        Monitoramento automático

        Entrou ou saiu do open source? Aparece aqui

        O catálogo confere sozinho, no seu navegador, os repositórios e modelos listados — licença, arquivamento e disponibilidade — e ainda procura projetos, modelos e datasets em alta que ainda não estão na lista. Quando algo muda, a ficha afetada ganha um aviso.

        Carregando o histórico de verificações…

          A verificação roda no seu navegador — nada é enviado para servidores nossos — usando as APIs públicas do GitHub e do Hugging Face, a cada monitoramento.intervaloHoras horas (padrão: 6). Se as APIs atingirem o limite de requisições, a checagem é retomada de onde parou na próxima visita.

          Guia prático

          Embeddings locais: o que são e quais ferramentas usar

          Embeddings são a representação numérica do significado de um texto. É o que permite buscar “como reiniciar o servidor” e encontrar “procedimento para reboot”. Este guia mostra as opções locais e gratuitas do catálogo e quando cada uma se destaca.

          Cada trecho de texto vira uma lista de números, e trechos com significado parecido ficam próximos nesse espaço. Comparar distâncias entre vetores é o que dá origem à busca por significado, em vez de busca por palavra exata.

          Embeddings são a base de duas coisas comuns: busca semântica nos seus arquivos e memória de assistentes de IA. Sem eles, o modelo não consegue “lembrar” de nada que não esteja na conversa atual.

          Rodar os embeddings localmente mantém todo o conteúdo privado e elimina cotas. Em troca, a indexação consome tempo de processamento, proporcional ao volume de texto.

          Ferramentas gratuitas do catálogo para este caso

          BGE-M3 (BAAI)

          Modelos de Linguagem · Embeddings

          ★ 90

          Embeddings multilíngues com representações densas e esparsas, para busca híbrida.

          Onde roda
          Local (no seu PC)
          Preço
          Código aberto (grátis)
          Licença
          MIT
          Requisitos
          ~2,3 GB de RAM em CPU; cabe em GPUs de 6 GB
          Nível
          Avançado
          Ver ficha completa, como usar e alternativas →

          Hugging Face Transformers

          Runtimes & Frameworks · Biblioteca

          ★ 94

          Biblioteca de referência para carregar e executar modelos de embeddings em código.

          Onde roda
          Local (no seu PC)
          Preço
          Código aberto (grátis)
          Licença
          Apache 2.0
          Requisitos
          4 GB de RAM para modelos pequenos; GPU para modelos grandes
          Nível
          Intermediário
          Ver ficha completa, como usar e alternativas →

          FAISS

          Runtimes & Frameworks · Banco vetorial

          ★ 93

          Biblioteca de busca vetorial de alto desempenho, para coleções grandes de vetores.

          Onde roda
          Local (no seu PC)
          Preço
          Código aberto (grátis)
          Licença
          MIT
          Requisitos
          2 GB de RAM; a memória cresce com o número de vetores
          Nível
          Avançado
          Ver ficha completa, como usar e alternativas →

          ChromaDB

          Runtimes & Frameworks · Banco vetorial

          ★ 91

          Banco vetorial simples de rodar, prático para os primeiros projetos.

          Onde roda
          Local (no seu PC)
          Preço
          Código aberto (grátis)
          Licença
          Apache 2.0
          Requisitos
          1 GB de RAM para bases pequenas
          Nível
          Iniciante
          Ver ficha completa, como usar e alternativas →

          Como escolher

          Precisa de busca híbrida?
          Se além de similaridade você quer combinar termos exatos, a família que oferece representações densas e esparsas se destaca nesse cenário.
          Textos longos ou curtos?
          Famílias com janela de contexto maior lidam melhor com trechos extensos; para frases curtas, qualquer uma resolve.
          Vai indexar muito texto?
          Nesse caso, o tipo de banco vetorial importa mais que o modelo de embeddings. Bibliotecas de busca especializadas lidam melhor com volume alto.
          Quer aprender ou usar pronto?
          Bibliotecas de código dão entendimento e controle; bancos vetoriais prontos resolvem mais rápido.
          Considere o idioma
          Para conteúdo em português, prefira famílias que listam multilinguismo entre os pontos fortes.

          Prós e limitações

          Os pontos abaixo vêm da curadoria do catálogo — a nota de qualidade (0–100) e os itens “melhor em” e “perde em” registrados para cada ferramenta. Não são medições de benchmark.

          Nomic Embed Text v1.5

          Pontos fortes

          • Embeddings com janela longa (8k tokens)
          • Busca semântica local

          Limitações

          • Idiomas de baixo recurso
          • Precisão abaixo dos líderes do MTEB

          BGE-M3 (BAAI)

          Pontos fortes

          • Busca híbrida (densa + esparsa + multi-vetor)
          • RAG multilíngue

          Limitações

          • Indexação mais cara (três representações)
          • Fine-tuning menos trivial

          Hugging Face Transformers

          Pontos fortes

          • Referência para qualquer modelo do Hub
          • Fine-tuning e pesquisa

          Limitações

          • Consome mais memória que alternativas
          • Velocidade de inferência

          FAISS

          Pontos fortes

          • Busca vetorial ultrarrápida em escala
          • Índices otimizados para milhões de vetores

          Limitações

          • Só busca: não é banco de dados
          • Sem metadados nem transações

          ChromaDB

          Pontos fortes

          • Banco vetorial para começar em 5 minutos
          • RAG local com persistência

          Limitações

          • Escala muito grande pede outro banco
          • Recursos de produção

          Jina AI (Embeddings + Reader)

          Pontos fortes

          • Embeddings e reranking de alta qualidade
          • Ler páginas web em markdown

          Limitações

          • Marca menos conhecida
          • Limites do tier gratuito

          Continue navegando

          Ferramentas de decisão:Calculadora de HardwareEncontre sua IAMontador de StackIA Local
          Guias relacionados:RAG local: como conversar com seus próprios arquivosIA local para conversar com PDFs e documentosComo montar uma stack de IA 100% local e privadaMelhores IAs locais: como escolher e rodar no seu PC

          Perguntas frequentes

          Embeddings e LLM são a mesma coisa?
          Não. O LLM gera texto; o modelo de embeddings transforma texto em vetores para busca e comparação. Os dois trabalham juntos no RAG.
          Dá para gerar embeddings sem GPU?
          Sim. As famílias catalogadas listam uso em CPU, com consumo de memória baixo comparado a modelos de linguagem.
          Qual é a diferença entre busca por palavra e busca semântica?
          A busca por palavra encontra termos exatos; a semântica encontra significados parecidos mesmo com palavras diferentes — é o que os embeddings permitem.
          Preciso de um banco vetorial?
          Para poucos textos, dá para comparar em memória. Com volume maior, um banco vetorial organiza e acelera as buscas.

          Inclua embeddings na sua stack

          O montador de stack reserva um slot para embeddings e outro para a memória, sugerindo combinações compatíveis.

          Abrir o montador de stack →