Perguntas frequentes

Principalmente por dois motivos. Primeiro, o motor de recomendações é um motor de regras determinístico, não um modelo chutando a partir do seu log: ele lê métricas estruturadas (tempos, contagem de linhas, uso de memória) e aplica heurísticas testadas e cobertas por testes (como o tamanho-alvo de uma shuffle partition, ou o que realmente diferencia um risco real de OOM de uma configuração apenas conservadora). A mesma entrada sempre produz a mesma recomendação, com o mesmo raciocínio, sempre. Um agente de IA genérico que recebe um Spark event log bruto ou um run_results.json primeiro precisa fazer o parse correto de um formato genuinamente complicado, e então raciocinar sobre ele sem alucinar um limite que soa plausível mas está errado — uma falha bem conhecida quando você pede a um modelo para "simplesmente olhar isso e dizer o que está errado".

Segundo, privacidade: o opti-pipe só lê métricas numéricas do seu arquivo — nunca seu SQL, nomes de modelos, código de DataFrame ou caminhos de arquivo (veja a próxima pergunta). Colar um log bruto em um chatbot genérico expõe tudo isso ao modelo.

Também existe uma segunda opinião opcional, o "Ask AI", em cima do motor de regras, para quando você quiser uma checagem de sanidade sobre uma recomendação específica — mas é uma segunda opinião, não a base, e o motor determinístico funciona igual com ou sem ela.

É um botão opcional ao lado de uma recomendação que pergunta "essa recomendação do motor determinístico realmente faz sentido dado o contexto mais completo do meu arquivo?" — uma segunda opinião de um modelo, sob demanda, não um requisito para usar o opti-pipe. O motor de regras acima dele continua gratuito, determinístico e totalmente coberto por testes de qualquer forma.

Essas resolvem um problema mais amplo (monitoramento contínuo, alertas, dashboards em toda a sua stack) e custam de acordo. O opti-pipe é mais específico de propósito: você envia um artefato real que seu pipeline já produziu e recebe recomendações de configuração concretas, aprováveis antes de aplicar. Sem agente para instalar, sem plataforma para rodar, nada para continuar pagando só para olhar um gráfico.

Não. Toda recomendação exige aprovação antes de ser aplicada — o opti-pipe diz o que encontrou e o que mudaria, com o raciocínio por trás, e você decide. Nada toca sua configuração real de Spark, dbt ou Flink por conta própria.

Os dados do seu pipeline enviados são anonimizados por design — só métricas numéricas (tempos, contagem de linhas, valores de memória e similares) são lidas do seu arquivo. Seu SQL, nomes de modelos, código de DataFrame e caminhos de arquivo nunca são lidos, armazenados ou enviados a lugar nenhum, incluindo o recurso opcional "Ask AI".

Não. Envie seu próprio arquivo (ou explore os dados de amostra ao vivo) e você recebe uma recomendação real e completa por pipeline, de graça, sem precisar de cadastro. Uma conta libera todas as recomendações daquele pipeline, não só a primeira.

Sim, por enquanto — o opti-pipe está em acesso antecipado e é gratuito, sem cartão exigido, sem cobrança. Planos pagos vêm por aí quando o billing estiver totalmente ligado; nada na sua conta muda automaticamente quando isso acontecer, e os usuários já em acesso antecipado vão saber disso diretamente antes de qualquer cobrança.

Não. Se cadastrar hoje não coleta nenhum cartão nem inicia nenhum tipo de relação de cobrança — simplesmente não há nada para cobrar. Se e quando planos pagos forem lançados, isso vai ser um opt-in claro e separado, não algo que acontece silenciosamente com uma conta já existente.

Um Spark event log, o target/run_results.json do dbt, ou uma exportação de métricas do Flink via sua API REST — um artefato genuíno que sua própria execução já produziu, não algo que você preenche à mão. Veja o guia de envio para saber exatamente onde encontrar cada um.

Sim — o dashboard tem pipelines de amostra ao vivo que você pode explorar sem nenhuma configuração, para ver como é uma recomendação real antes de mexer nos seus próprios arquivos.