# IA aplicada ao conserto de placas, sem alucinação.

> Qual IA funciona de verdade no conserto e na manutenção de eletrônicos? Por que os chatbots alucinam com esquemas elétricos, e o que um agente de diagnóstico anti-alucinação, ancorado no boardview, faz de diferente.

Source: https://wrenchboard.cloud/pt/ia-conserto-eletronicos

Pergunte a um chatbot genérico onde fica o fusível de entrada numa placa que ele nunca viu: ele vai responder mesmo assim. O WrenchBoard faz o contrário: um agente de IA limitado pelo esquema elétrico real, pelo boardview real e por regras de defeito auditadas. Ele só cita o que consegue provar na sua placa.

## O que a IA muda de verdade *numa oficina de conserto*

O conserto em nível de componente do dia a dia não é limitado pela habilidade com a solda: é limitado pelo acesso ao conhecimento. As referências existem: esquemas elétricos em PDF com centenas de páginas, boardviews, tópicos de fórum em que a resposta está no post 47, a experiência de um veterano que se aposenta junto com ele. Nenhum buscador raciocina sobre nada disso.

É exatamente nisso que um modelo de linguagem é bom: ler fontes heterogêneas, cruzar umas com as outras, raciocinar sobre elas com palavras simples. Com uma condição: que as respostas dele estejam **ancoradas na placa que está na sua bancada**, e não numa média estatística do que ele leu durante o treinamento.

## A arquitetura: *um agente com limites*

O WrenchBoard não cola uma caixa de chat num visualizador. O agente de diagnóstico é construído *dentro* da ferramenta, com 36 ferramentas especializadas que ele chama enquanto raciocina:

- **Ler a placa**: consultar o [grafo elétrico compilado a partir do esquema](https://wrenchboard.cloud/pt/esquema-eletrico-em-grafo), procurar um componente, listar as regras de defeito que batem com os sintomas.
- **Pilotar o [boardview](https://wrenchboard.cloud/pt/visualizador-boardview)**: destacar, dar zoom, escurecer, apontar um pino, propor um protocolo de medição que a visão segue passo a passo.
- **Diário do reparo**: registrar cada medição, comparar antes/depois, gravar a causa confirmada no fim da sessão.
- **Sensores**: pedir um quadro do microscópio da oficina quando o raciocínio precisa ver a placa.

Toda resposta passa por um filtro: um refdes que o parser não conhece é sinalizado, não afirmado. As hipóteses saem com a sua probabilidade, vindas das regras auditadas do aparelho, e quando o agente raciocina além das regras, só pela topologia do esquema, ele avisa.

## Memória em camadas, *como numa equipe*

O valor de um técnico experiente é a experiência acumulada. O agente do WrenchBoard espelha essa estrutura com quatro memórias distintas: **padrões de defeito entre aparelhos** e **roteiros de diagnóstico** (compartilhados, somente leitura), o **pacote de conhecimento** do aparelho atual (somente leitura, montado offline e auditado), e o **caderno** do reparo em andamento (leitura e escrita, relido a cada retomada de sessão).

O resultado: o conhecimento circula na direção certa. O que um diagnóstico confirma enriquece a base; o que a base contém é rastreável e auditável; nada depende da memória imprevisível do modelo.

## Escolher *a profundidade do raciocínio*

Nem todo defeito merece o mesmo poder de cálculo. Na abertura da sessão você escolhe o nível do modelo: Haiku para diagnósticos rápidos de defeitos conhecidos, Sonnet para o dia a dia, Opus (no plano Pro) para as placas difíceis, em que um raciocínio longo sobre o grafo compensa. O mesmo fluxo de trabalho, detalhado na página [diagnóstico de placa-mãe](https://wrenchboard.cloud/pt/diagnostico-placa-mae), vale em todos os níveis.

## IA de oficina, *não IA de demonstração*

A aposta do WrenchBoard: a IA que ajuda no conserto não é a que impressiona numa demo, mas a que erra menos na bancada. É por isso que todo o conjunto, do [software de microsolda](https://wrenchboard.cloud/pt/software-microsolda) completo até um simples destaque no boardview, é construído em torno da verificabilidade. Teste uma sessão num aparelho coberto: o plano grátis basta para você tirar as suas próprias conclusões.

## Perguntas frequentes

### Qual a diferença para perguntar direto ao ChatGPT ou ao Claude?

Um chatbot genérico raciocina de memória, sem acesso à sua placa: ele pode inventar um refdes ou citar o esquema de outro modelo. O agente do WrenchBoard está ligado à placa realmente lida (boardview, grafo elétrico do esquema, regras de defeito do aparelho), e cada referência que ele cita é validada contra esses dados antes de aparecer na tela.

### Qual modelo de IA move o agente?

Os modelos Claude da Anthropic, com o nível escolhido na abertura da sessão (Haiku, Sonnet, e Opus no plano Pro) conforme a profundidade de raciocínio que você precisa. O projeto ficou em 2º lugar no hackathon “Built with Opus 4.7” da Anthropic.

### O que “anti-alucinação” quer dizer na prática?

Toda resposta do agente passa por um filtro: os refdes citados são conferidos contra os componentes realmente presentes no boardview lido (com tolerância a erro de digitação), e as causas propostas precisam vir das regras do aparelho ou do grafo elétrico compilado. Uma referência que não dá para verificar é sinalizada como tal, nunca apresentada como fato.

### A IA faz as medições por mim?

Não, ela não substitui nem as suas pontas de prova nem o seu julgamento. Ela organiza o ciclo: hipótese ranqueada por probabilidade, protocolo de medição passo a passo, interpretação dos valores que você informa. Ela também pode pedir um quadro do seu microscópio para examinar uma área da placa.

### Meus dados de reparo são usados para treinar o modelo?

Não. As sessões alimentam a memória de diagnóstico da plataforma (medições, causas confirmadas, roteiros), não o treinamento de modelos de linguagem. E o motor é source-available: uma oficina pode hospedá-lo por conta própria e manter todos os dados localmente.