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.

    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

          RAG local: como conversar com seus próprios arquivos

          RAG local é usar os seus próprios arquivos como fonte de resposta, sem enviar nada para a nuvem. O catálogo cobre as quatro peças do fluxo: embeddings, banco vetorial, orquestração e o modelo que responde.

          A ideia do RAG é simples: em vez de confiar só no que o modelo memorizou, você busca os trechos relevantes nos seus documentos e entrega esses trechos junto com a pergunta. A resposta passa a se basear no seu material.

          Isso resolve dois problemas de uma vez: o limite de contexto do modelo e a falta de informação específica. Você não precisa treinar nada — basta indexar os documentos que já tem.

          Fazer isso localmente significa que os arquivos nunca saem do computador. O custo é o hardware e o tempo de indexação, que depende do volume de documentos e do tamanho do modelo escolhido.

          Ferramentas gratuitas do catálogo para este caso

          BGE-M3 (BAAI)

          Modelos de Linguagem · Embeddings

          ★ 90

          Embeddings multilíngues com busca densa e esparsa, fortes em coleções variadas.

          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 →

          ChromaDB

          Runtimes & Frameworks · Banco vetorial

          ★ 91

          Banco vetorial simples, indicado para os primeiros projetos de RAG.

          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 →

          FAISS

          Runtimes & Frameworks · Banco vetorial

          ★ 93

          Biblioteca de busca vetorial de alto desempenho, para coleções maiores.

          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 →

          LlamaIndex

          Runtimes & Frameworks · Framework de dados para IA

          ★ 91

          Framework especializado em ingestão de dados e índices para RAG.

          Onde roda
          Local (no seu PC)
          Preço
          Código aberto (grátis)
          Licença
          MIT
          Requisitos
          4 GB de RAM; Python 3.9+
          Nível
          Avançado
          Ver ficha completa, como usar e alternativas →

          Dify

          Agentes & Frameworks · Plataforma visual

          ★ 90

          Interface visual para montar um chat com os seus dados e publicá-lo como aplicação.

          Onde roda
          Local e nuvem
          Preço
          Código aberto (grátis)
          Licença
          Dify Open Source License (baseada em Apache 2.0)
          Requisitos
          Docker com 8 GB de RAM total; 2 CPU
          Nível
          Iniciante
          Ver ficha completa, como usar e alternativas →

          Flowise

          Agentes & Frameworks · Plataforma visual

          ★ 86

          Monta o fluxo de RAG com blocos, sem escrever código.

          Onde roda
          Local e nuvem
          Preço
          Código aberto (grátis)
          Licença
          Apache 2.0
          Requisitos
          Node 18+ e 4 GB de RAM; Docker simplifica
          Nível
          Iniciante
          Ver ficha completa, como usar e alternativas →

          Ollama

          Runtimes & Frameworks · Runtime local

          ★ 95

          Runtime local que executa o modelo responsável pelas respostas.

          Onde roda
          Local (no seu PC)
          Preço
          Código aberto (grátis)
          Licença
          MIT
          Requisitos
          8 GB de RAM para modelos 7B/8B em Q4; GPU opcional
          Nível
          Iniciante
          Ver ficha completa, como usar e alternativas →

          Qwen 3 (Alibaba)

          Modelos de Linguagem · LLM de texto

          ★ 95

          Modelo generalista que responde às perguntas com base nos trechos recuperados.

          Onde roda
          Local (no seu PC)
          Preço
          Código aberto (grátis)
          Licença
          Apache 2.0 (maioria dos tamanhos)
          Requisitos
          0.6B–4B: 1–3 GB de RAM. 32B: ~20 GB. 235B MoE: servidor
          Nível
          Intermediário
          Ver ficha completa, como usar e alternativas →

          Jina AI (Embeddings + Reader)

          APIs de IA · Embeddings e leitura web

          ★ 87

          Alternativa em nuvem com camada grátis para embeddings, quando privacidade total não é obrigatória.

          Onde roda
          Nuvem (API ou site)
          Preço
          Grátis com limites (camada grátis)
          Licença
          Proprietária — tier gratuito generoso
          Requisitos
          Qualquer máquina com internet
          Nível
          Iniciante
          Ver ficha completa, como usar e alternativas →

          Como escolher

          Escolha os embeddings pelo idioma dos documentos
          Para acervos em português, prefira as famílias que listam multilinguismo entre os pontos fortes.
          Escolha o banco vetorial pelo volume
          Coleções pequenas ficam bem em bancos simples; acervos grandes pedem bibliotecas de busca mais eficientes.
          Código ou interface visual?
          Frameworks dão controle total sobre cada etapa; ferramentas visuais entregam um chat funcional em menos tempo.
          Você precisa citar as fontes?
          RAG útil mostra de onde veio a resposta. Escolha o pipeline que devolve os trechos usados junto com o texto.
          Comece com um acervo pequeno
          Indexe um conjunto reduzido de documentos para validar o fluxo antes de processar a coleção inteira.

          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

          ChromaDB

          Pontos fortes

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

          Limitações

          • Escala muito grande pede outro banco
          • Recursos de produção

          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

          LangChain & LangGraph

          Pontos fortes

          • Ecossistema gigante de integrações
          • Prototipar cadeias e agentes rápido

          Limitações

          • Abstrações mudam entre versões
          • Difícil depurar casos complexos

          LlamaIndex

          Pontos fortes

          • RAG com muitas fontes e tipos de índice
          • Workflows de dados e agentes

          Limitações

          • Muitas abstrações escondem detalhes
          • Curva de API considerável

          Haystack (deepset)

          Pontos fortes

          • Pipelines de RAG em produção
          • Componentes explícitos e testáveis

          Limitações

          • Comunidade menor que LangChain
          • Curva de aprendizado

          Dify

          Pontos fortes

          • Entregar app de IA com RAG sem escrever infraestrutura
          • Trabalho em equipe com editor visual

          Limitações

          • Controle fino exige sair da plataforma
          • Licença com condições

          Flowise

          Pontos fortes

          • Protótipo visual de RAG em minutos
          • Exportar como API ou widget

          Limitações

          • Fluxos grandes ficam difíceis de versionar
          • Menos flexível que código

          Ollama

          Pontos fortes

          • Rodar LLM local com um comando
          • Primeiro contato com modelos abertos

          Limitações

          • Throughput abaixo do vLLM em produção
          • Recursos avançados de serving

          Qwen 3 (Alibaba)

          Pontos fortes

          • Programação e código
          • Raciocínio e matemática
          • Português e multilíngue

          Limitações

          • Geração de imagem ou vídeo
          • Modelos grandes pedem GPU forte

          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

          Perguntas frequentes

          RAG substitui fine-tuning?
          Não. RAG entrega informação atualizada ao modelo no momento da pergunta; fine-tuning muda o comportamento do modelo. Para consultar arquivos, RAG é o caminho mais direto.
          Funciona sem GPU?
          Sim. Os modelos de embeddings catalogados listam uso em CPU, e a busca vetorial também. Só as respostas ficam mais lentas.
          Meus arquivos ficam privados?
          Sim, no arranjo local: embeddings, banco vetorial e modelo rodando no seu computador. Nada é enviado para fora.
          Preciso entender de programação?
          Não obrigatoriamente. As ferramentas visuais do catálogo permitem montar o fluxo arrastando blocos, embora os frameworks deem mais controle.

          Monte sua stack de RAG

          O montador de stack combina embeddings, memória e modelo numa receita coerente e estima os requisitos de hardware.

          Abrir o montador de stack →