Usando o Cursor para o desafio de projeto Criando um APP de Organização de Finanças Pessoais

Desenvolver uma aplicação completa normalmente envolve muitas decisões: entender o problema, definir as funcionalidades, escolher as tecnologias, modelar o banco de dados, criar a API, desenvolver a interface e testar a integração entre todas essas partes.

No desafio de projeto da DIO, decidi experimentar uma abordagem diferente. Em vez de utilizar a inteligência artificial apenas para gerar pequenos trechos de código, usei o Cursor como um parceiro durante todo o processo de desenvolvimento.

O resultado foi o FinançaFácil, uma aplicação web de organização financeira que permite registrar receitas e despesas por meio de uma conversa simples.

A ideia do projeto

Muitas pessoas começam a controlar suas finanças, mas abandonam esse hábito depois de algum tempo. Um dos motivos é a quantidade de informações que normalmente precisam ser preenchidas para registrar uma simples despesa: valor, descrição, categoria, data, forma de pagamento e outras informações.

Pensando nesse problema, a ideia central do FinançaFácil foi simplificar o registro financeiro.

Em vez de preencher um formulário, o usuário pode escrever algo como:

“Gastei 45 reais no almoço hoje.”

A aplicação interpreta a mensagem, identifica o valor, a categoria, a descrição e a data. Em seguida, apresenta os dados encontrados e solicita uma confirmação antes de registrar a transação.

Além do chat financeiro, a aplicação possui autenticação, dashboard, gerenciamento de transações, metas financeiras, relatórios e geração de um plano de economia.

Começando por um prompt bem estruturado

Antes de pedir ao Cursor que criasse o projeto, procurei transformar a ideia em uma especificação detalhada.

O prompt utilizado descrevia:

o problema que a aplicação deveria resolver;
o público-alvo;
as funcionalidades obrigatórias;
as regras de negócio;
a arquitetura esperada;
as tecnologias que deveriam ser utilizadas;
os critérios de aceite;
os testes necessários;
a documentação que deveria ser produzida.

Também determinei que o frontend fosse criado com React e TypeScript, dentro da pasta front, e que o backend fosse desenvolvido com PHP, dentro da pasta back. Para persistência dos dados, defini o uso do MySQL.

Essa etapa foi importante porque percebi que trabalhar com inteligência artificial não significa simplesmente escrever “crie um aplicativo”. Quanto mais claro for o contexto, melhores são as decisões tomadas durante a implementação.

O prompt funcionou como um contrato para o projeto.

Dividindo o trabalho entre subagentes

Como o projeto possuía várias áreas diferentes, organizei o desenvolvimento utilizando subagentes especializados.

As responsabilidades foram divididas entre agentes de:

análise funcional;
arquitetura;
banco de dados;
backend;
frontend;
experiência do usuário e acessibilidade;
qualidade e segurança;
documentação.

Essa divisão ajudou a transformar uma tarefa muito ampla em etapas menores e mais controláveis.

Um dos pontos mais importantes foi definir os contratos da API e a estrutura do banco antes de avançar com a implementação das telas. Dessa forma, frontend e backend puderam seguir uma referência comum, reduzindo inconsistências entre os dados enviados pela interface e os dados esperados pela API.

A documentação do projeto passou a funcionar como uma fonte de verdade, reunindo PRD, arquitetura, contratos da API, modelo do banco, tipos compartilhados e registros de validação.

A arquitetura escolhida

O FinançaFácil foi dividido em três partes principais:

Uma aplicação frontend desenvolvida com React, TypeScript e Vite;
Uma API REST desenvolvida com PHP e Slim Framework;
Um banco de dados relacional MySQL.

O frontend funciona como uma SPA e se comunica exclusivamente com o backend por meio de requisições HTTP em formato JSON.

No backend, organizei o código em camadas:

os controllers recebem as requisições;
os services executam as regras de negócio;
os repositories realizam o acesso ao banco;
o PDO executa consultas preparadas no MySQL.

A autenticação utiliza JWT, e os dados financeiros são sempre filtrados pelo usuário autenticado. Isso impede que uma pessoa consulte ou altere transações pertencentes a outra conta.

Para valores monetários, foram utilizados campos DECIMAL, evitando os problemas de precisão que poderiam ocorrer com tipos como float.

O chat financeiro

A funcionalidade que considero mais interessante no projeto é o registro de transações por linguagem natural.

O usuário pode escrever frases como:

“Paguei 120 reais de internet ontem.”

“Recebi 3.500 de salário hoje.”

“Gastei 32,90 com Uber.”

O sistema analisa a frase e procura identificar:

se é uma receita ou despesa;
o valor;
a descrição;
a categoria;
a data da movimentação.

Depois dessa análise, o chat apresenta os dados encontrados e solicita a confirmação do usuário. A transação nunca é registrada automaticamente.

Essa confirmação foi uma decisão importante, porque estamos trabalhando com informações financeiras. Mesmo que o parser interprete corretamente a maioria das frases, o usuário precisa ter a oportunidade de revisar e corrigir os dados.

Inteligência sem depender de uma API externa

Apesar de o projeto utilizar uma experiência semelhante à de um agente de inteligência artificial, o MVP não depende obrigatoriamente de um modelo de linguagem externo.

O parser foi criado utilizando:

expressões regulares;
palavras-chave;
normalização de valores monetários;
reconhecimento de datas relativas;
regras de categorização.

Dessa forma, a aplicação consegue interpretar padrões comuns em português, incluindo valores como R$ 1.200,50, além de expressões como “hoje”, “ontem” e “semana passada”.

Essa abordagem trouxe duas vantagens para o MVP: o processamento não possui custo por requisição e as respostas são praticamente instantâneas.

Ao mesmo tempo, a arquitetura possui uma interface de provedor de NLP preparada para que, futuramente, o parser local possa ser substituído ou complementado por um modelo de linguagem.

Outras funcionalidades desenvolvidas

Além do chat, o FinançaFácil oferece um conjunto de recursos para que o usuário tenha uma visão mais clara da própria situação financeira.

No dashboard, é possível acompanhar saldo, receitas, despesas, evolução mensal, categorias com maiores gastos e transações recentes.

Na área de transações, o usuário pode pesquisar, filtrar, cadastrar, editar e excluir receitas e despesas.

Também foi criado um módulo de metas financeiras. Nele, o usuário pode definir um objetivo, o valor desejado, o prazo e registrar novos aportes. A aplicação calcula automaticamente o percentual já alcançado.

Os relatórios apresentam a distribuição das despesas por categoria e a evolução financeira ao longo dos meses.

Por fim, o sistema pode gerar um plano básico de economia utilizando a regra 50-30-20 como referência.

Validação e testes

Uma das minhas preocupações foi não considerar o projeto concluído apenas porque as telas estavam aparecendo corretamente.

Por isso, o processo também incluiu testes automatizados, lint, build e validação do banco de dados.

No backend, foram executados 60 testes com PHPUnit, incluindo testes relacionados ao parser, autenticação, valores monetários e integração com transações.

No frontend, foram executados 23 testes com Vitest e Testing Library, cobrindo pontos como validação do login, proteção de rotas, formatação dos dados e confirmação de transações pelo chat.

O build do frontend foi concluído sem erros de TypeScript, e a análise do ESLint também foi executada sem erros ou avisos. As migrations e os seeds foram validados utilizando MySQL 8.4 em um container Docker.

O que aprendi com o processo

O principal aprendizado deste projeto foi entender que o resultado produzido por uma inteligência artificial depende muito da qualidade das instruções fornecidas.

Quando o pedido é genérico, a resposta também tende a ser genérica. Quando existem contexto, critérios de aceite, regras de negócio e uma ordem clara de execução, a IA consegue atuar de maneira muito mais próxima de uma equipe de desenvolvimento.

Também percebi que Vibe Coding não significa aceitar tudo o que a IA produz.

Foi necessário orientar, limitar o escopo, definir padrões e exigir validações. A IA ajudou a acelerar a implementação, mas as decisões sobre o produto e sobre a arquitetura ainda precisaram de intenção e direção.

Outro aprendizado foi a importância da documentação. Ao registrar as decisões antes da implementação, ficou mais fácil manter o banco, o backend e o frontend alinhados.

Limitações e próximos passos

Como o projeto foi desenvolvido como um MVP, ainda existem algumas limitações.

O parser local funciona bem para frases mais diretas, mas pode ter dificuldades com mensagens muito ambíguas. A aplicação também não possui integração real com bancos, Open Finance ou serviços de pagamento.

Entre as possíveis evoluções estão:

integração com um modelo de linguagem;
importação automática de transações por Open Finance;
exportação de relatórios em PDF ou CSV;
criação de uma PWA com suporte offline;
alertas de orçamento por categoria;
recuperação de senha por e-mail;
versão mobile nativa.

Conclusão

Criar o FinançaFácil foi uma experiência importante para entender, na prática, como utilizar inteligência artificial durante um projeto completo.

Mais do que gerar código, o desafio envolveu aprender a comunicar uma ideia, transformar um problema em requisitos e coordenar diferentes etapas do desenvolvimento.

O Cursor foi utilizado como parceiro de implementação, mas o resultado só foi possível porque existia uma direção clara: qual problema resolver, quais regras seguir e como validar a entrega.

Para mim, esse é o ponto mais interessante do Vibe Coding: a inteligência artificial pode acelerar muito o desenvolvimento, mas cabe ao desenvolvedor fornecer contexto, avaliar as decisões e garantir que o resultado realmente resolva o problema proposto.

O código-fonte e a documentação completa do FinançaFácil estão disponíveis no repositório público do projeto.

https://github.com/Renantx/app-financas-DIO