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

          IA local para conversar com PDFs e documentos

          Conversar com PDFs localmente é um caso clássico de RAG: extrair o texto, quebrar em trechos, gerar embeddings e guardar num banco vetorial para o modelo consultar. O catálogo tem todas as peças gratuitas, inclusive para PDF escaneado.

          O primeiro passo é transformar o documento em texto. Se o PDF já tem texto selecionável, a extração é direta; se é digitalizado, entra OCR. O catálogo tem modelos de OCR que lidam com layout e tabelas.

          Depois, o texto é dividido em trechos e cada trecho vira um embedding — uma representação numérica do significado. Esses vetores vão para um banco vetorial, que permite encontrar os trechos certos por pergunta.

          Por fim, o modelo de linguagem recebe a pergunta junto com os trechos encontrados e responde com base neles. Tudo isso pode rodar no seu computador, sem enviar documentos para nenhum serviço.

          Ferramentas gratuitas do catálogo para este caso

          PaddleOCR

          Modelos de Linguagem · OCR

          ★ 85

          Extrai texto de PDFs digitalizados, com suporte a layout complexo e tabelas.

          Onde roda
          Local (no seu PC)
          Preço
          Código aberto (grátis)
          Licença
          Apache 2.0
          Requisitos
          ~2 GB de RAM em CPU (GPU acelera bastante)
          Nível
          Intermediário
          Ver ficha completa, como usar e alternativas →

          Qwen2.5-VL / Vision

          Modelos de Linguagem · Visão

          ★ 88

          Modelo de visão que também lê documentos e prints, útil quando a página é uma imagem.

          Onde roda
          Local (no seu PC)
          Preço
          Código aberto (grátis)
          Licença
          Apache 2.0 (variantes abertas)
          Requisitos
          3B: ~4 GB em Q4. 7B: ~6 GB. 72B: GPU de 48 GB+
          Nível
          Intermediário
          Ver ficha completa, como usar e alternativas →

          BGE-M3 (BAAI)

          Modelos de Linguagem · Embeddings

          ★ 90

          Embeddings multilíngues com busca híbrida, forte em coleções de documentos variados.

          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 de rodar, 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 alta performance, 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 focado em ingestão e indexação de dados 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 documentos e publicar 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 arrastando e soltando blocos.

          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 responde às perguntas usando o modelo escolhido.

          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 →

          LM Studio

          Runtimes & Frameworks · Runtime local com interface

          ★ 93

          Alternativa com interface gráfica para rodar o modelo local.

          Onde roda
          Local (no seu PC)
          Preço
          Gratuito (não aberto)
          Licença
          Gratuito para uso pessoal (software proprietário, sem custo)
          Requisitos
          8 GB de RAM; 16 GB+ recomendado para modelos maiores
          Nível
          Iniciante
          Ver ficha completa, como usar e alternativas →

          Como escolher

          O PDF tem texto ou é digitalizado?
          Isso decide a primeira etapa. PDFs digitalizados precisam de OCR; os demais podem ir direto para a divisão em trechos.
          Interface ou código?
          Se você quer montar o fluxo visualmente, ferramentas com interface resolvem. Se precisa controlar cada etapa, os frameworks de código dão mais flexibilidade.
          Quantos documentos você tem?
          Coleções pequenas convivem com bancos vetoriais simples; coleções grandes pedem bibliotecas de busca mais eficientes.
          Escolha os embeddings pelo idioma
          Como os documentos costumam estar em português, prefira famílias que listam multilinguismo entre os pontos fortes.
          Separe a citação da resposta
          Um bom RAG mostra de qual trecho veio a resposta. Escolha o pipeline que devolve as fontes junto com o texto gerado.

          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.

          PaddleOCR

          Pontos fortes

          • OCR multilíngue com layout complexo
          • Tabelas e documentos digitalizados

          Limitações

          • Ecossistema fora do Paddle
          • Manuscrito difícil

          Qwen2.5-VL / Vision

          Pontos fortes

          • Ler documentos, gráficos e screenshots
          • OCR e compreensão visual

          Limitações

          • Não gera imagem (só entende)
          • Versão 72B exige hardware sério

          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

          LM Studio

          Pontos fortes

          • Interface gráfica amigável para modelos locais
          • Baixar e testar modelos sem terminal

          Limitações

          • Menos automação que CLI/API
          • Aplicativo proprietário

          Perguntas frequentes

          Meus PDFs ficam privados?
          Sim, se você usar a combinação local: OCR, embeddings, banco vetorial e modelo rodando no seu computador. Nada é enviado para a nuvem.
          Preciso de GPU para isso?
          Não necessariamente. Os modelos de embeddings catalogados listam uso em CPU, e o OCR também funciona sem placa, embora mais devagar.
          Por que não jogar o PDF inteiro no modelo?
          Documentos longos excedem o contexto do modelo e encarecem o processamento. Dividir em trechos e recuperar só o relevante é o que torna o uso viável.
          Dá para fazer isso sem programar?
          Sim. As ferramentas visuais do catálogo permitem montar o fluxo arrastando blocos, sem escrever código.

          Monte o fluxo completo

          A receita de “Chat com PDFs” do catálogo abre o montador já preenchido com as peças necessárias para conversar com seus documentos.

          Abrir o montador de stack →