Como eu consumo notícias de tech — e por que criei o Decodifica.Tech

Eu leio sobre tecnologia todo dia. E você provavelmente também.

Mas em algum momento de 2026, percebi que estava gastando mais tempo encontrando o que ler do que lendo de verdade. Tinha 40+ abas abertas, 3 apps de RSS, newsletters empilhando na inbox, e aquela sensação constante de que estava perdendo algo importante.

Foi aí que nasceu o Decodifica.Tech.

O problema: mais conteúdo, menos signal

Se você trabalha com tecnologia, já conhece o cenário. Todo dia, os mesmos assuntos aparecem em 20 outlets diferentes. O Hacker News tem o link original, o TechCrunch faz o post com a manchete sensacionalista, o Ars Technica entra no detalhe técnico, e 15 blogs republicam a mesma coisa com pequenas variações.

Enquanto isso, aquele post de engenharia da Stripe sobre como eles resolveram um problema real de arquitetura? Enterrado no meio do barulho.

O mundo da tech não tem problema de oferta de conteúdo. Tem problema de filtragem.

Eu tentei de tudo: curar feeds RSS manualmente, assinar 10 newsletters, usar listas do Twitter. Nada escalava. Cada vez que um blog novo aparecia, eu adicionava na lista e a carga aumentava. Nunca diminuía.

A ideia: e se eu automatizasse a filtragem?

Sou engenheiro. Quando tenho um problema repetitivo, meu instinto é automatizar.

A ideia inicial era simples: um script Python que puxava RSS de uns 50 blogs, agrupava notícias parecidas e me dava uma lista limpa. Algo para mim, pra ler com o café da manhã.

Funcionou. Na primeira semana, já estava economizando uns 30 minutos por dia. Em vez de abrir 40 abas, eu abria uma — com as 10-15 histórias que realmente importavam.

Aí veio o pensamento: “Se isso me ajuda, provavelmente ajuda outros devs brasileiros também.”

De script pessoal a pipeline completa

O que começou como um script de 200 linhas virou uma pipeline de 7 etapas:

1. Ingest — Puxa artigos das últimas 24h de 290+ fontes RSS. Blogs de engenharia da Netflix, Uber, Airbnb, Spotify. Portais como Hacker News, Ars Technica, InfoQ. Especialistas como Julia Evans, Martin Fowler, Simon Willison. A curadoria das fontes é o que faz a diferença.

2. Cluster — Se 20 sites cobriram a mesma notícia, vira 1 história com a melhor fonte. Uso TF-IDF + similaridade de cosseno para agrupar artigos automaticamente. Essa etapa sozinha elimina 70-80% do ruído.

3. Rank — Cada história recebe uma pontuação baseada em autoridade da fonte, quantos sites cobriram, qualidade do conteúdo e recência. Nada de “tudo é importante” — a seleção é dinâmica. Em dias movimentados, mais histórias. Em dias calmos, menos.

4. Synthesize — IA (GPT-4o-mini via Azure OpenAI) transforma as top histórias em um resumo bem escrito em Português Brasileiro. Não é tradução literal — é síntese com contexto e implicações práticas.

5. Podcast — Um roteiro de diálogo entre três apresentadores (Anna, Maria e Pedro) é gerado e convertido em áudio com vozes neurais da Azure. O tom é descontraído — como amigos falando de tech.

6. Instagram — Um carrossel visual é gerado com backgrounds criados por IA e publicado automaticamente.

7. Publish — Hugo gera o site estático, Cloudflare Pages hospeda, GitHub Actions orquestra tudo. Zero intervenção manual.

Tudo roda em um cron diário às 07:00 BRT. Quando acordo, o post já está no ar.

As decisões técnicas (e por que elas importam)

Python como cola universal

A pipeline inteira roda em Python 3.12. Não é a linguagem mais rápida, mas é a que tem melhor ecossistema para o que eu preciso: feedparser para RSS, scikit-learn para clusterização, openai SDK para síntese, azure-cognitiveservices-speech para TTS.

Cada etapa é um módulo independente que pode rodar sozinho. Isso facilitou muito o debug e a evolução incremental.

Hugo + PaperMod para o site

Eu queria um site estático, rápido, sem banco de dados e sem server para manter. Hugo gera o site inteiro em menos de 1 segundo. O tema PaperMod é limpo, responsivo e tem busca full-text embutida.

Hospedagem no Cloudflare Pages: gratuito, CDN global, bandwidth ilimitado. Não pago nada por hosting.

Azure OpenAI para síntese

Escolhi Azure OpenAI ao invés da API direta da OpenAI por alguns motivos: melhor SLA, região mais próxima, e eu já tinha créditos. O modelo GPT-4o-mini é surpreendentemente bom para síntese em português — e absurdamente barato.

Como fallback, tenho Groq (Llama 3.3 70B) configurado para os dias em que a Azure tem problemas. Nunca precisei usar, mas está lá.

GitHub Actions como orquestrador

A pipeline completa roda em ~4 minutos no runner Ubuntu do GitHub Actions. O workflow faz tudo: instala dependências, roda a pipeline Python, builda o Hugo, faz deploy no Cloudflare, e publica no Instagram.

Tem até um cron de backup 45 minutos depois, caso o primeiro não dispare (sim, crons do GitHub Actions às vezes falham silenciosamente).

O elefante na sala: custo

Quando conto para as pessoas o que o Decodifica.Tech faz, a primeira pergunta é: “Quanto custa?”

A resposta surpreende: ~R$1 por mês. Menos de vinte centavos de dólar.

O segredo é que GPT-4o-mini custa centavos por chamada, o tier gratuito do Azure Speech é generoso, e tanto Cloudflare Pages quanto GitHub Actions têm free tiers absurdos para projetos pessoais.

Lições aprendidas

Curadoria de fontes é tudo. O algoritmo de ranking é bom, mas a qualidade do output depende da qualidade do input. Gastei mais tempo selecionando e categorizando as 290+ fontes do que escrevendo código.

IA para síntese funciona, mas não substitui editorial. O GPT-4o-mini é excelente para transformar artigos técnicos em resumos claros em português. Mas para análise profunda, opinião e contexto — ainda precisa de um humano. Por isso estou começando esta série de artigos originais.

Simplicidade escala. A pipeline é um script Python linear. Sem microserviços, sem Kubernetes, sem fila de mensagens. Um cron, um runner, um deploy. Poderia ser mais elegante? Com certeza. Mas funciona todo dia, sem falhar, e eu consigo manter sozinho.

Automatize o repetitivo, preserve o criativo. A coleta, agrupamento e formatação são mecânicos — perfeitos para automação. A curadoria de fontes, a análise editorial e o toque humano não são. O Decodifica.Tech automatiza o primeiro para liberar tempo para o segundo.

O que vem por aí

Este é o primeiro de uma série de artigos onde vou abrir o capô do Decodifica.Tech. Nos próximos posts, vou entrar no detalhe técnico de cada componente:

• Como funciona a clusterização — TF-IDF, similaridade de cosseno e Union-Find na prática
• Gerando podcast com vozes neurais — a stack de TTS da Azure por trás dos episódios diários
• A arquitetura completa — diagramas, fluxo de dados e decisões de design

Se você ficou curioso, o código é open-source: github.com/ricmmartins/decodifica.tech.

E se você é um profissional de tech que quer acompanhar o cenário sem gastar 1 hora por dia lendo blogs, o Decodifica.Tech existe pra isso. Todo dia, 07:00 BRT, um resumo fresquinho na tela.

Tem perguntas ou sugestões? Comenta aqui embaixo (via GitHub Discussions) ou manda um email.