Curso de backend de Supabase – Tutorial paso a paso
< 1 minuto
Actualizado el 1 de junio de 2025
¿Cómo acceder al curso NoCode StartUp Supabase?
Mira el vídeo a continuación del curso gratuito de Supabase para principiantes en NoCode StartUp, ideal para aquellos que quieran integrar Supabase con FlutterFlow de forma práctica.
Es ideal para la integración con plataformas no-code como FlutterFlow, lo que le permite construir apps completo con un backend robusto sin depender de sus propios servidores.
¿Qué tipo de base de datos utiliza Supabase?
PostgreSQL es un sistema de gestión de bases de datos relacionales de código abierto y altamente confiable.
Ofrece funciones avanzadas como compatibilidad con ACID (atomicidad, consistencia, aislamiento y durabilidad), consultas complejas, índices, activadores y más.
Supabase aprovecha la solidez y flexibilidad de PostgreSQL para proporcionar una poderosa base de datos para que los desarrolladores creen sus aplicaciones.
¿Qué podemos construir con supabase y FlutterFlow?
Supabase es una herramienta versátil que se puede utilizar para una amplia variedad de proyectos. A continuación se muestran algunos ejemplos de proyectos que se pueden construir con Supabase:
Aplicaciones de gestión de tareas:Puede crear una aplicación de gestión de tareas donde los usuarios puedan crear, actualizar y eliminar tareas.
Aplicación de comercio electrónico:gestionar productos, pedidos y usuarios.
Aplicación de redes sociales:publicar, seguir e interactuar con contenido.
Estos son sólo algunos ejemplos, ¡pero las posibilidades son infinitas! Supabase ofrece capacidades de base de datos, autenticación y almacenamiento de archivos, lo que le permite crear una amplia variedad de aplicaciones.
Conocido como “Castelo”, descubrió el poder del No-Code al crear su primera startup completamente sin programación – y eso lo cambió todo. Inspirado por esta experiencia, combinó su pasión por la enseñanza con el universo No-Code, ayudando a miles de personas a crear sus propias tecnologías. Reconocido por su atractiva enseñanza, la herramienta FlutterFlow lo nombró Educador del Año y se convirtió en Embajador oficial de la plataforma. Hoy, su enfoque está en la creación de aplicaciones, SaaS y agentes de IA utilizando las mejores herramientas No-Code, capacitando a las personas para innovar sin barreras técnicas.
O avanço dos modelos de linguagem tem transformado a maneira como interagimos com a tecnologia, e o GLM 4.5 surge como um marco importante nessa evolução.
Desenvolvido pela equipe da Zhipu AI, esse modelo vem conquistando destaque global ao oferecer uma combinação poderosa de eficiência computacional, raciocínio estruturado e suporte avançado para agentes de inteligência artificial.
Para desenvolvedores, empresas e entusiastas da IA, entender o que é o GLM 4.5 e como ele se posiciona frente a outros LLMs é essencial para aproveitar suas funcionalidades ao máximo.
O que é o GLM 4.5 e por que ele importa
O que é o GLM 4.5 e por que ele importa?
O GLM 4.5 é um modelo de linguagem do tipo Mixture of Experts (MoE), com 355 bilhões de parâmetros totais e 32 bilhões ativos por forward pass.
Sua arquitetura inovadora permite o uso eficiente de recursos computacionais, sem sacrificar desempenho em tarefas complexas.
O modelo também está disponível em versões mais leves, como o GLM 4.5-Air, otimizadas para custo-benefício.
Projetado com foco em tarefas de raciocínio, geração de código e interação com agentes autônomos, o GLM 4.5 destaca-se por seu suporte ao modo de pensamento híbrido, que alterna entre respostas rápidas e raciocínio profundo sob demanda.
Características técnicas do GLM 4.5
O diferencial técnico do GLM 4.5 está em sua combinação de otimizações na arquitetura MoE e aprimoramentos no pipeline de treinamento. Entre os aspectos mais relevantes estão:
Roteamento inteligente e balanceado
O modelo emprega gates sigmoides e normalização QK-Norm para otimizar o roteamento entre especialistas, o que garante melhor estabilidade e uso de cada módulo especializado.
Capacidade de contexto estendida
Com suporte para até 128 mil tokens de entrada, o GLM 4.5 é ideal para documentos longos, códigos extensos e históricos profundos de conversação. Ele também é capaz de gerar até 96 mil tokens de saída.
Otimizador Muon e Grouped-Query Attention
Esses dois avanços permitem que o GLM 4.5 mantenha alto desempenho computacional mesmo com a escalabilidade do modelo, beneficiando implantações locais ou em nuvem.
Ferramentas, APIs e integração do GLM 4.5
Ferramentas, APIs e integração do GLM 4.5
O ecossistema da Zhipu AI facilita o acesso ao GLM 4.5 por meio de APIs compatíveis com o padrão OpenAI, além de SDKs em diversas linguagens. O modelo também é compatível com ferramentas como:
vLLM e SGLang para inferência local
ModelScope e HuggingFace para uso com pesos abertos
Ambientes com compatibilidade OpenAI SDK para migração fácil de pipelines existentes
O GLM 4.5 foi projetado para cenários onde modelos genéricos enfrentam limitações. Entre suas aplicações destacam-se:
Ingeniería de software
Com desempenho elevado em benchmarks como SWE-bench Verified (64.2) e Terminal-Bench (37.5), ele se posiciona como excelente opção para automação de tarefas complexas de código.
Assistentes e Agentes Autônomos
Nos testes TAU-bench y BrowseComp, GLM 4.5 superou modelos como Claude 4 e Qwen, provando ser eficaz em ambientes onde a interação com ferramentas externas é essencial.
Análise de dados e relatórios complexos
Com grande capacidade de contexto, o modelo pode sintetizar relatórios extensos, gerar insights e analisar documentos longos com eficiência.
Comparativo com GPT 4, Claude 3 e Mistral desempenho versus custo
Comparativo com GPT-4, Claude 3 e Mistral: desempenho versus custo
Um dos pontos mais notáveis do GLM 4.5 é seu custo significativamente menor em relação a modelos como GPT-4, Claude 3 Opus y Mistral Large, mesmo oferecendo desempenho comparável em vários benchmarks.
Por exemplo, enquanto o custo médio de geração de tokens com o GPT-4 pode ultrapassar US$ 30 por milhão de tokens gerados, o GLM 4.5 opera com médias de US$ 2.2 por milhão de saída, com opções ainda mais acessíveis como o GLM 4.5-Air por apenas US$ 1.1.
Em termos de performance:
Claude 3 lidera em tarefas de raciocínio linguístico, mas GLM 4.5 se aproxima em raciocínio matemático e execução de código.
Mistral brilha em velocidade e compilação local, mas não alcança a profundidade contextual de 128k tokens como o GLM 4.5.
GPT-4, embora robusto, cobra um preço elevado por um desempenho que em muitos cenários é equiparado por GLM 4.5 a uma fração do custo.
Esse custo-benefício posiciona o GLM 4.5 como excelente escolha para startups, universidades e equipes de dados que desejam escalar aplicações de IA com orçamento controlado.
Comparativo de desempenho com outros LLMs
O GLM 4.5 não apenas compete com os grandes nomes do mercado, mas também os supera em várias métricas. Em termos de raciocínio e execução de tarefas estruturadas, obteve os seguintes resultados:
Esses números são indicativos claros de um modelo maduro, pronto para uso comercial e acadêmico em larga escala.
Futuro e tendências para o GLM 4.5
Futuro e tendências para o GLM 4.5
O roadmap da Zhipu AI aponta para uma expansão ainda maior da linha GLM, com versões multimodais como o GLM 4.5-V, que adiciona entrada visual (imagens e vídeos) à equação.
Essa direção acompanha a tendência de integração entre texto e imagem, essencial para aplicações como OCR, leitura de screenshots e assistentes visuais.
Também são esperadas versões ultra-eficientes como o GLM 4.5-AirX e opções gratuitas como o GLM 4.5-Flash, que democratizam o acesso à tecnologia.
Um modelo para quem busca eficiência com inteligência
Ao reunir uma arquitetura sofisticada, versatilidade em integrações e excelente desempenho prático, o GLM 4.5 se destaca como uma das opções mais sólidas do mercado de LLMs.
Seu foco em raciocínio, agentes e eficiência operacional o torna ideal para aplicações críticas e cenários empresariais exigentes.
Neste vídeo eu te levo para a prática com um agente SDR de IA. A ideia é mostrar um funil inteiro automatizado. Vamos conectar captação, qualificação, CRM e follow up num fluxo só.
O objetivo é simples. Receber o lead, responder na hora e qualificar com contexto. Depois disso, repassar ao vendedor no ponto certo.
Exemplo com formulário e WhatsApp
Começamos por um formulário simples. Pode ser Tally ou o que você já usa no site. Nome, telefone, e-mail e a demanda do lead.
Assim que o lead envia, a automação dispara no N8N. O agente manda a primeira mensagem no Whatsapp. O atendimento começa em segundos, sem espera.
O agente entende o contexto do pedido. Responde de forma humanizada com base nos dados do formulário. E já guia a conversa para a qualificação.
Qualificação e repasse ao vendedor
O SDR de IA faz perguntas objetivas. Identifica dor, urgência, orçamento e serviço ideal. Registra tudo para não se perder nenhuma informação.
Quando o interesse esquenta, o agente muda o status no CRM. Ele para o atendimento automatizado. E repassa direto para o vendedor humano finalizar.
Automação e banco de dados
Toda interação é registrada no Supabase. Isso garante histórico, métricas e governança dos dados. Facilita auditoria e evolução do agente.
A modelagem salva nome, contato, origem e estágio. Salva também as últimas mensagens e marcações de follow up. Com isso, relatórios e disparos ficam precisos.
Integração com Notion CRM
O CRM do exemplo é o Noción. Mas a lógica vale para Pipedrive, RD Station ou qualquer outro. Basta ter API e conectar no N8N.
As colunas principais são claras. Novo lead, atendimento humano, venda realizada e finalizado. O agente move os cards conforme o progresso.
Quando qualifica, o agente cria um resumo no card. Inclui dor principal, solução sugerida e próxima ação. O vendedor entra sabendo exatamente o que fazer.
Função de Follow Up
Se o lead parar de responder, ninguém fica no escuro. O agente dispara uma sequência de reativação. A agenda e as regras ficam salvas no banco.
Os textos são úteis e respeitosos. Nada de spam, sempre com valor claro. O foco é facilitar a decisão do lead.
Ferramentas e arquitetura
Interface de conversa no Whatsapp. Automação e orquestração no N8N. Base de dados no Supabase.
O formulário pode ser Tally ou equivalente. O CRM pode ser Noción ou outro de sua escolha. A arquitetura é flexível e modular.
No agente usamos TRAPO para contexto. Memória para manter a conversa coesa. E functions para acionar CRM e banco.
Fluxo mestre e recursos multimídia
O fluxo mestre entende texto, imagem e áudio. Divide mensagens longas em partes e responde na ordem. Tudo fica logado para consulta e melhoria contínua.
Há um subfluxo dedicado ao Notion. Ele cria, move e comenta cards automaticamente. Isso mantém o pipeline e a equipe alinhados.
Resumo para vendedores
O cartão chega com contexto pronto. Quem é o lead, o que pediu e o que o agente sugeriu. Mais o próximo passo recomendado.
Isso reduz fricção no handoff. Aumenta a taxa de conversão e a velocidade de fechamento. O vendedor foca em fechar, não em investigar.
Estratégias de Follow Up
Defina janelas de tempo objetivas. Exemplo prático: 2 horas para o Follow Up 1, 4 horas para o 2. Depois, marcar como não respondido e encerrar.
Para e-commerce, use o abandono de carrinho. Para serviços cíclicos, use lembretes programados. Bônus e descontos podem destravar a resposta.
O importante é registrar cada envio. Quem recebeu, quando recebeu e qual mensagem foi. Isso evita repetição e mantém o controle.
Formação Agentes 2.0 e templates
Se quiser replicar, a Formação Gestor de Agentes de IA 2.0 ajuda. Lá tem templates de fluxos, prompts e integrações. Além de suporte, comunidade e estudos de caso.
Com fundamentos e prática guiada, você acelera a execução. Constrói agentes profissionais com governança e métricas. E coloca seu funil no piloto automático com qualidade.
No contexto de 2025, em que a velocidade da informação e a personalização da experiência do consumidor são diferenciais competitivos cruciais, o uso de agente de IA para marketing digital deixou de ser uma tendência e se consolidou como uma realidade fundamental.
Nesta leitura completa, você vai descobrir como funcionam, para que servem, quais ferramentas utilizar e por que empresas que dominam essa tecnologia estão anos luz à frente da concorrência.
O que é um agente de IA para marketing digital
O que é um agente de IA para marketing digital?
Uno agente de IA para marketing digital é uma entidade autônoma baseada em inteligência artificial que atua com autonomia parcial ou total em processos de marketing, como captação de leads, segmentação de audiências, criação de conteúdo, análise de dados e execução de campanhas.
Para entender melhor o conceito, vale consultar esta definição acadêmica de agentes inteligentes. Esses agentes utilizam modelos de machine learning e processamento de linguagem natural para entender comportamentos e responder de forma personalizada em escala.
Diferente de simples automações, como e-mails programados ou bots de resposta, os agentes com IA são capazes de aprender com interações passadas, adaptar suas estratégias e agir conforme métricas em tempo real.
Como funcionam os agentes inteligentes no marketing moderno
Os agentes de IA funcionam a partir da integração de dados internos (CRM, ERPs, funis) com dados externos (tendências de mercado, redes sociais, comportamento do usuário).
Para um mergulho técnico, o CDP Institute mantém um guia completo sobre governança desses dados. A partir dessa base, os agentes podem tomar decisões e executar tarefas de forma independente.
Por exemplo, um agente pode:
Detectar que um lead visitou três vezes uma página de preço e ainda não converteu;
Personalizar um e-mail com oferta específica com base no comportamento anterior;
Acompanhar a abertura e interação com o e-mail e replanejar o follow‑up caso o lead clique ou ignore.
Essa lógica adaptativa é o que permite uma experiência de marketing verdadeiramente centrada no cliente.
Ferramentas e plataformas que utilizam agentes de IA
Em 2025, algumas das ferramentas mais relevantes para criação e gestão de agentes de IA para marketing incluem:
Hacer (Integromat)
Com sua abordagem visual e integração com milhares de apps, é possível criar agentes que reagem a eventos em CRMs, landing pages e e‑commerces. Conheça o site oficial do Make para explorar integrações avançadas.
Usando modelos GPT‑4o e ferramentas como o Curso de Agentes con OpenAI, é viável criar agentes que escrevem cópias, conversam com leads em tempo real e analisam sentimentos de comentários.
Plataformas consagradas também avançaram na adoção de IA. O Salesforce Einstein para Marketing recomenda automações personalizadas com base em dados históricos, enquanto o HubSpot AI detecta oportunidades de venda cruzada em tempo real.
Casos de uso reais de agentes de IA em campanhas digitais
Casos de uso reais de agentes de IA em campanhas digitais
E‑commerce com IA preditiva
A loja virtual Dafiti implantou um agente de IA para recomendar produtos personalizados em e‑mails baseados no histórico de compras e navegação.
De acordo com o case detalhado publicado na TI Inside, a iniciativa não só elevou em 28 % a taxa de conversão, como também proporcionou redução de custos operacionais de até 80 % e ganhos expressivos de agilidade na execução das campanhas.
Geração de demanda B2B
Empresas como a Resultados Digitais (RD Station) implementaram agentes que identificam leads mais propensos à conversão com base em sinais comportamentais.
Benefícios estratégicos dos agentes de IA no marketing digital
Empresas que implementam corretamente agentes de IA conseguem não apenas escalar suas operações, mas também elevar drasticamente a eficiência das suas campanhas. Um relatório da Deloitte sobre personalização em escala comprova ganhos como:
Personalização em escala: cada usuário recebe interações alinhadas ao seu perfil e estágio na jornada.
Decisões em tempo real: otimização de campanhas à medida que os dados mudam.
Redução de custos operacionais: menos necessidade de equipes gigantes para execução tática.
Velocidade de aprendizado: os agentes melhoram conforme operam, criando um ciclo de feedback positivo.
Tendências para 2025 e além no uso de agentes inteligentes
Tendências para 2025 e além no uso de agentes inteligentes
Com a popularização dos modelos de IA multimodal e do conceito de “marketing autônomo”, a Gartner — predições de marketing 2025‑2028 projeta uma explosão na adoção de agentes especializados por canal (e‑mail, redes sociais, SEO, CRM).
Outro ponto é a integração entre IA e interfaces no-code, permitindo que profissionais de marketing criem seus próprios agentes sem depender de devs.
Também são esperadas inovações como agentes com personalidades distintas por campanha, regulamentação da IA generativa — incluindo iniciativas como o EU AI Act — e avanços em IA que compreendem ironia, humor e contexto profundo de marca.
Avançar com agentes de IA no marketing exige preparação
Está claro que o uso de agente de IA para marketing digital representa uma vantagem competitiva evidente em 2025.
No entanto, o sucesso na implementação exige compreensão técnica, clareza nos objetivos e escolha das ferramentas certas.
Se você deseja dominar essas habilidades, veja as formações da No Code Start Up e comece a criar seus primeiros agentes com foco em performance, escala e personalização real.