Escalando a Engenharia com confiança: o papel da IA, RAG e governança no iFood

Como conectamos documentação, IA e segurança para escalar engenharia no iFood

Introdução: o desafio real por trás do onboarding técnico

Em empresas de tecnologia que operam em larga escala, o onboarding técnico costuma ser um ponto sensível. Quanto maior a organização, maior tende a ser o volume de padrões, guias, decisões arquiteturais e requisitos de segurança que uma pessoa desenvolvedora precisa conhecer antes de contribuir com confiança.

No iFood, esse desafio não é diferente. Operamos com múltiplas plataformas, dezenas de times de engenharia e um ecossistema técnico que evolui continuamente. Historicamente, isso se traduziu em um grande volume de documentação técnica, essencial, mas distribuída em diferentes portais e contextos.

O problema não está na existência da documentação. Ele surge quando o acesso ao conhecimento se torna um gargalo para a autonomia, especialmente nos primeiros dias de trabalho, mas também no dia a dia de quem já atua na empresa. Cada hora investida tentando localizar padrões ou entender requisitos internos é uma hora a menos, gerando impacto real no produto.

A pergunta que orientou nosso trabalho foi direta: como reduzir o tempo entre a necessidade de implementar uma mudança e a entrega de código alinhado aos padrões do iFood, sem comprometer a qualidade, a segurança ou a governança? Ao longo deste artigo, e por meio de demonstrações práticas, mostramos como conectamos documentação, inteligência artificial e engenharia para responder a esse desafio.

A documentação existe, mas o desafio é torná-la acionável. Hoje, o iFood conta com documentação robusta sobre:

• Padrões de engenharia e arquitetura;
• Diretrizes de segurança e privacidade;
• Boas práticas de cloud, observabilidade e CI/CD;
• Especificações de plataformas internas;
• Guias de uso de ferramentas de inteligência artificial.

Esses materiais são produzidos e mantidos pelos próprios times, refletindo decisões reais de engenharia. Ainda assim, para quem está chegando, há um desafio prático: saber onde procurar e como conectar essas informações ao contexto de uma tarefa específica.

Reconhecer esse “outro lado da moeda” foi essencial. A solução não seria pedir que pessoas desenvolvedoras lessem menos documentação, mas sim mudar a forma como o conhecimento é consumido.

Indexação de conhecimento e RAG: da leitura à contextualização

O primeiro passo foi transformar a documentação em conhecimento indexado e reutilizável. Para isso, estruturamos uma arquitetura baseada em Retrieval-Augmented Generation (RAG), na qual as principais fontes técnicas do iFood são indexadas continuamente.

Na prática, isso permite que:

• O contexto relevante seja recuperado dinamicamente, conforme a pergunta ou tarefa;
• O conhecimento correto seja apresentado no momento certo;
• A pessoa leitora não precisa conhecer previamente a estrutura dos portais.

Essa abordagem reduz o custo cognitivo e aproxima a documentação do fluxo real de trabalho. O foco deixa de ser “onde está a informação” e passa a ser “como aplicar esse conhecimento”.

GenPlat: governança de IA como parte da engenharia

Toda essa camada de inteligência é orquestrada pela plataforma de IA generativa do iFood, chamada GenPlat. Para quem está fora do contexto, vale explicar: a GenPlat funciona como um gateway centralizado de acesso a modelos de linguagem, sejam eles proprietários ou de código aberto.

Mais do que um ponto de integração, a GenPlat concentra governança técnica e de segurança, incluindo:

• Controle de consumo e limites de uso de tokens;
• Tratamento automático de dados pessoais por meio de anonimização;
• Monitoramento de uso, latência e custo;
• Detecção de tentativas de abuso, como prompt injection e jailbreak.

Esses mecanismos não são adicionados posteriormente como camadas externas. Eles fazem parte do desenho da plataforma e são desenvolvidos pelos próprios times de engenharia, o que garante alinhamento entre velocidade, segurança e conformidade.

Do ponto de vista do negócio, isso reduz riscos operacionais e cria previsibilidade de custo. Do ponto de vista técnico, elimina a necessidade de cada time resolver o mesmo problema de forma isolada.

Code agents como ponto de encontro entre padrão e prática

Com o conhecimento indexado e a governança estabelecida, o próximo passo foi levar essas capacidades para onde o código realmente se executa: os ambientes de desenvolvimento.

Hoje, esse modelo se integra naturalmente ao ecossistema moderno de code agents, presentes em ferramentas como GitHub Copilot, Cursor, Claude Code e outros ambientes assistidos por IA. Esses agentes passaram a suportar extensões padronizadas de acesso a conhecimento e ferramentas, como MCP (Model Context Protocol) e skills executáveis, permitindo que bases de conhecimento corporativas e serviços internos sejam consumidos diretamente durante o desenvolvimento.

No iFood, esses agentes são conectados tanto à base de conhecimento quanto à GenPlat por meio de integrações baseadas em MCP e skills executáveis, permitindo que diferentes ferramentas de desenvolvimento consumam os mesmos serviços de forma padronizada.

Os code agents utilizados no iFood são conectados tanto à base de conhecimento quanto à GenPlat. Isso significa que eles:

• Reconhecem padrões de engenharia adotados pela empresa;
• Incorporam diretrizes de segurança e privacidade;
• Contextualizam respostas com base no domínio técnico correto;
• Auxiliam na escrita de código alinhado às práticas internas.

O resultado é que uma pessoa desenvolvedora pode, já no primeiro dia, interagir com o código de um projeto real e receber orientações alinhadas aos padrões da organização, sem precisar consultar manualmente múltiplos documentos.

É importante reforçar: isso não elimina a documentação. Pelo contrário. Ela se torna ainda mais relevante, pois passa a ser utilizada ativamente pelos sistemas que apoiam o desenvolvimento.

A arquitetura apresentada até aqui se materializa no dia a dia por meio de ferramentas que já fazem parte do fluxo de desenvolvimento. No vídeo a seguir, mostramos como esse modelo funciona na prática, tanto para pessoas que estão chegando quanto para quem já atua em aplicações maduras.

Demonstrações práticas: do primeiro dia à engenharia em escala

Para tornar esses conceitos mais concretos, preparamos uma demonstração prática em vídeo. Ela mostra como a mesma base de conhecimento, combinada com code agents e governança de IA, apoia tanto pessoas desenvolvedoras que estão chegando quanto quem já atua há mais tempo no iFood.

Demo: Do “código encontrado na Internet” ao padrão de engenharia do iFood

Em nossa demonstração, simulamos uma pessoa desenvolvedora recém-chegada à empresa resolvendo um problema comum: integrar uma aplicação simples a um modelo de linguagem.

O fluxo começa da forma mais tradicional possível. A pessoa desenvolvedora pesquisa na Internet um exemplo simples em Python para consumir a API da OpenAI, copia o trecho de código e o executa localmente em seu ambiente de desenvolvimento, como o PyCharm, uma IDE amplamente adotada pela comunidade open source e por empresas de tecnologia.

O resultado é um “hello world” simples, com interação direta com o modelo de linguagem. Até esse ponto, nada muda em relação ao que qualquer pessoa faria fora do iFood.

A diferença começa quando esse código precisa atender aos padrões internos de engenharia, segurança e privacidade. Em vez de consultar manualmente múltiplas documentações, a pessoa utiliza um code agent (como Copilot, Cursor ou Claude Code) integrado ao MCP do Tompero Docs, que expõe a documentação de engenharia como uma fonte estruturada de contexto consumível pelos agentes.

A partir disso, o code agent sugere automaticamente:

• a substituição do endpoint direto do provedor pelo endpoint da GenPlat;
• ajustes de configuração alinhados aos padrões de engenharia;
• a ativação explícita dos controles de privacidade.

A pessoa desenvolvedora revisa a sugestão, compreende as mudanças e aceita o código gerado.

No passo final da demo, mostramos um ponto crítico de governança: a mensagem enviada ao modelo contém um endereço de e-mail. Antes que o prompt chegue ao provedor de LLM, a GenPlat aplica o processo de redação, removendo o dado pessoal automaticamente. O modelo nunca recebe a informação sensível.

O resultado é um código funcional, alinhado aos padrões do iFood, com privacidade aplicada por padrão, sem que a pessoa precise implementar manualmente essas proteções.

Interação do usuário utilizando  o code agent (copilot/claude code) integrado à documentação de engenharia (mcp tompero).

Desde que este projeto foi iniciado, o ecossistema de engenharia assistida por IA evoluiu rapidamente. Hoje, além de integrações baseadas em RAG, muitas organizações estão adotando protocolos padronizados como MCP e o conceito de skills executáveis, que permitem expor capacidades internas, como consulta a documentação, geração de código validado ou execução de ferramentas, diretamente para code agent

Essa evolução amplia significativamente o potencial da arquitetura apresentada neste artigo. Em vez de depender de integrações específicas com uma única ferramenta, serviços como o Tompero Docs podem ser disponibilizados como MCP servers ou skills reutilizáveis, permitindo que diferentes agentes, como Copilot, Cursor ou Claude Code, consumam o mesmo conhecimento de engenharia de forma consistente.

Esse cenário ilustra o princípio de que quando documentação, IA e governança estão integradas ao fluxo de desenvolvimento, o padrão deixa de ser algo que se consulta e passa a ser algo que se aplica.

Uma única base de conhecimento, múltiplos usos

Um aprendizado importante desse processo foi perceber que a mesma base de conhecimento poderia ser reutilizada para além dos ambientes de desenvolvimento.

Hoje, essa fonte também alimenta:

Um bot interno de suporte à engenharia, usado para esclarecimento rápido de dúvidas:

A interface de linha de comando tompero ask, que permite consultar padrões técnicos e diretrizes diretamente pelo terminal:

Essa reutilização traz dois benefícios claros: consistência das respostas e redução de retrabalho na manutenção de múltiplas fontes de informação. Para o negócio, isso significa escala. Para as equipes, significa confiança.

Quatro lições essenciais

Ao longo dessa jornada, alguns aprendizados se destacaram:

• Documentação é mais valiosa quando integrada ao fluxo, não quando isolada;
• Governança de IA precisa ser pensada como produto de engenharia, não como controle externo;
• Reduzir o tempo de onboarding não é apenas ganho de eficiência, mas também de engajamento;
• Segurança bem desenhada não desacelera, viabiliza escala.

Embora ainda estejamos evoluindo, já observamos uma redução significativa no tempo necessário para que novas pessoas contribuam com código produtivo, além de maior aderência aos padrões técnicos desde o início.

Menos fricção, mais impacto

No iFood, acreditamos que a qualidade de engenharia e a segurança não devem depender exclusivamente de leitura extensiva ou de conhecimento prévio acumulado. Elas precisam emergir do próprio ecossistema de ferramentas.

Ao conectar documentação, inteligência artificial, protocolos abertos de integração com code agents e governança em uma única experiência, damos um passo importante para tornar o desenvolvimento mais acessível, consistente e escalável.

Seguimos trabalhando para ampliar a automação de descoberta de fontes de conhecimento e aprofundar a transparência sobre nossos mecanismos de segurança. A engenharia segue em movimento. E, como toda boa plataforma em evolução, continua em versão beta.