O que aprendi (sem esperar) ao criar um app de análise de sentimentos

Eu não planejei fazer um projeto de análise de sentimentos. A ideia surgiu de forma despretensiosa, depois que um professor comentou sobre a Manus IA, uma ferramenta capaz de gerar código a partir de descrições em linguagem natural. Como já conhecia outras inteligências artificiais como ChatGPT, Claude IA e Gemini, resolvi fazer uma comparação entre elas. Para isso, escolhi um projeto de exemplo em Python que vi em um site de sugestões: um app de análise de sentimentos. A proposta era simples — enviar o mesmo prompt para as quatro IAs e ver como cada uma se sairia. O que era pra ser só um teste rápido acabou se tornando uma experiência completa que me ensinou muito mais do que eu imaginava — não exatamente sobre sentimentos ou modelos de linguagem, mas sobre documentação, boas práticas e uso responsável da inteligência artificial.

Montando o projeto com múltiplas IAs

Depois de receber os códigos das quatro IAs, comecei a analisar as diferenças. Nenhuma entrega foi perfeita: houve erros, estruturas diferentes, e abordagens distintas para a mesma tarefa. Corrigi bugs, testei trechos e fui construindo uma versão funcional do projeto com base no que funcionava melhor de cada resultado. A essa altura, o projeto já estava em um repositório no GitHub. E foi aí que comecei a pensar: Como documentar esse processo da forma mais clara, ética e útil possível?

Explorando documentação como parte do projeto

Comecei organizando a documentação em arquivos separados:

• Um README.md para apresentar o projeto.
• Um CONTRIBUTING.md com diretrizes para colaboração.
• Arquivos de configuração do projeto.
• E arquivos extras em Markdown explicando as motivações e comparações entre as IAs.

Foi aí que descobri o MkDocs, uma ferramenta que transforma arquivos markdown em um site de documentação navegável. Como eu já estava escrevendo tudo em markdown, decidi experimentar — e o resultado me surpreendeu. Com pouco esforço, consegui publicar toda a documentação como um site no GitHub Pages. Fiquei orgulhoso de como esse pequeno experimento ganhou uma estrutura profissional.

O que eu realmente aprendi

No final das contas, aprendi muito pouco sobre análise de sentimentos — e tudo bem.

O que mais levei comigo foi:

• Como diferentes IAs respondem a um mesmo prompt técnico
• A importância de documentar o uso de IA com clareza e responsabilidade
• A prática de organizar arquivos de projeto e adotar padrões reais de documentação
• A experiência de usar ferramentas como MkDocs e Streamlit em um contexto prático
• A satisfação de publicar um projeto completo, com deploy e tudo

Esse projeto se transformou em um laboratório pessoal, onde explorei coisas que me interessam de verdade — mesmo que isso não tenha sido o plano inicial.

Reflexões finais

Antes, eu me cobrava muito para seguir cronogramas, cumprir metas perfeitas e fazer projetos "do jeito certo". Mas percebi que minha melhor forma de aprender é quando sigo minha curiosidade. Foi assim que esse projeto nasceu: de um simples teste com IAs, sem pressão, sem planejamento rígido — mas com liberdade para explorar, errar e documentar. Se você também sente que seus projetos “não têm valor suficiente”, talvez esteja olhando para eles com a régua errada. Às vezes o aprendizado está mais no processo do que no resultado técnico.

E compartilhar esse caminho pode ajudar mais gente do que você imagina.

Veja o projeto completo em: github.com/Alan-oliveir/Sentiment_Radar_APP