As 15 principais plataformas e bibliotecas de IA de código aberto
Implantar seu próprio modelo de IA ou, em alguns casos, ajustar modelos preexistentes apresenta diversos desafios:
- Escolher um provedor de nuvem : Você pode se integrar profundamente com um provedor, apenas para descobrir que é difícil mudar para outro mais tarde, quando necessário.
- Escassez de recursos de GPU : Se sua implantação estiver restrita a uma localização geográfica, você poderá enfrentar escassez de recursos de GPU disponíveis devido à alta demanda nessa região.
- Dependência e escalabilidade da nuvem : Muitas plataformas prendem você a serviços de nuvem específicos.
Plataformas de código aberto que oferecem APIs unificadas ajudam a enfrentar esses desafios, permitindo a implantação em múltiplas nuvens e otimizando o gerenciamento de recursos de GPU. Abaixo, listamos 15 exemplos de plataformas/bibliotecas de código aberto:
Breve visão geral de plataformas e bibliotecas de código aberto
Ao escolher essas plataformas, focamos principalmente em sua capacidade de escalabilidade, facilidade de integração e se estão prontas para uso empresarial.
Você pode clicar nos links para explorar explicações detalhadas para cada um deles:
1. Estruturas de aprendizado de máquina:
- TensorFlow : Uma biblioteca para treinamento de aprendizado de máquina em larga escala e implantação em produção. Permite o treinamento de modelos em CPUs, GPUs e TPUs.
- PyTorch : Um framework de aprendizado profundo em Python com grafos computacionais dinâmicos. Ideal para pesquisa e experimentação em aprendizado profundo. Suporte limitado a TPUs.
- JAX : Uma plataforma para computação numérica de alto desempenho e pesquisa em aprendizado de máquina. Visa a execução rápida de cálculos numéricos em CPUs, GPUs e TPUs.
- Keras : Uma API de alto nível para aprendizado profundo que funciona sobre frameworks como o TensorFlow. Possui uma sintaxe amigável para iniciantes.
- Scikit-learn : Uma biblioteca Python de código aberto para tarefas clássicas de aprendizado de máquina, como classificação, regressão e agrupamento. Oferece uma API fácil de usar. Funciona bem com conjuntos de dados de pequeno a médio porte.
2. AutoML e plataformas de aprendizado de máquina distribuídas:
- H2O.ai : Uma plataforma distribuída para automatizar fluxos de trabalho de aprendizado de máquina em big data.
- MLflow : Uma plataforma para gerenciar o ciclo de vida de aprendizado de máquina. Ela oferece suporte ao rastreamento de experimentos, empacotamento de modelos e funciona com TensorFlow, PyTorch, scikit-learn e R.
3. Ecossistemas de Modelos de Linguagem Amplos (LLM):
- Hugging Face Transformers : Uma plataforma/biblioteca com mais de 63.000 modelos pré-treinados para tarefas de texto, visão computacional, áudio e multimodal. Integra-se com TensorFlow, PyTorch e JAX.
- GPT4All : Um ecossistema para executar LLMs localmente em CPUs ou GPUs, online ou offline. Suporta mais de 1.000 modelos como LLaMA, Mistral e DeepSeek R1.
- Open WebUI : Interface web auto-hospedada para interação com LLMs que suporta múltiplos provedores de modelos, recuperação baseada em documentos (RAG) e plugins extensíveis.
4. Plataformas de IA conversacional:
- Rasa : Plataforma para criação de chatbots e assistentes virtuais. Oferece ferramentas para revisão de conversas, marcação e colaboração.
- Botpress : Plataforma com design de fluxo visual e integrações GPT. Combina a criação de layouts por meio de arrastar e soltar com personalização em nível de código.
5. Plataformas de agentes:
- Langchain Deep Agents : Fornece uma estrutura para a construção de agentes de IA com recursos de planejamento de tarefas, delegação de subagentes, memória persistente e integração de ferramentas.
- OpenAgents : Permite que redes de agentes de IA se descubram, se comuniquem e colaborem em tarefas por meio de arquitetura modular e protocolos de comunicação padronizados.
- OpenClaw : Funciona como um gateway auto-hospedado que conecta modelos de IA a plataformas de mensagens, permitindo que os usuários automatizem tarefas.
1. Estruturas de aprendizado de máquina
TensorFlow
O TensorFlow, desenvolvido pela equipe do Brain, é uma biblioteca de código aberto para computação numérica e aprendizado de máquina em larga escala . Ele usa grafos de fluxo de dados (um diagrama onde as operações são nós e os dados fluem ao longo de linhas de conexão) para construir modelos, tornando-o escalável e adequado para produção.
O TensorFlow oferece suporte a vários tipos de hardware, incluindo CPUs e GPUs, permitindo a implantação em sistemas web, móveis, de borda e corporativos.
- Abstração com Keras : O TensorFlow integra-se com o Keras, uma API de alto nível que reduz a complexidade na construção e no treinamento de modelos. Isso facilita o início para iniciantes, ao mesmo tempo que oferece opções de personalização.
- Prontidão para produção : O TensorFlow é amplamente utilizado em produção. Ele suporta computação distribuída (executando em várias máquinas simultaneamente) e oferece ferramentas de implantação como TensorFlow Serving, TensorFlow Lite e TensorFlow.js.
- TensorBoard : Inclui o TensorBoard, uma ferramenta de visualização para monitorar o treinamento, o desempenho e a estrutura do modelo. Útil para depuração e otimização.
Limitações do TensorFlow
- Com foco principal em dados numéricos : o TensorFlow é bom para computação numérica (por exemplo, dados de imagem, texto e sinal), mas é menos eficaz para tarefas de raciocínio simbólico, como processamento de regras ou raciocínio em grafos de conhecimento.
PyTorch
PyTorch, desenvolvido pelo laboratório de pesquisa de IA do Facebook, é uma biblioteca de código aberto para aprendizado de máquina e aprendizado profundo .
- Maturidade do ecossistema: O PyTorch oferece suporte à pesquisa com grafos computacionais dinâmicos e interoperabilidade de modelos por meio do ONNX.
- A implantação em produção é cada vez mais gerenciada por meio de frameworks de serviço externos, como vLLM e Triton Inference Server. Ferramentas anteriores, como o TorchServe , usadas para implantação de modelos, foram arquivadas e não recebem mais manutenção ativa.
- Gráficos computacionais dinâmicos : Permitem alterações na arquitetura do modelo durante a execução, proporcionando flexibilidade para experimentação e pesquisa.
- Facilidade de depuração : Semelhante a uma linguagem de programação, o PyTorch fornece mensagens de erro detalhadas e oferece suporte à depuração passo a passo.
- PyTorch Lightning : um wrapper desenvolvido pela comunidade que simplifica o código PyTorch com abstrações de alto nível. Embora não faça parte oficialmente do PyTorch, melhora a usabilidade e é frequentemente comparado ao Keras do TensorFlow.
Limitações do PyTorch
- Com foco principal em aprendizado profundo : o PyTorch é altamente otimizado para redes neurais profundas, mas pode ser menos versátil para tarefas de IA mais amplas, como modelagem probabilística.
JAX
JAX foi apresentado publicamente por volta de 2018 e desenvolvido pela comunidade Google+.
O nome significa "Just Another XLA", sendo que XLA se refere a Álgebra Linear Acelerada. O JAX é reconhecido por sua excelência em computação numérica e diferenciação automática.
- Diferenciação automática: o JAX pode calcular automaticamente o quanto cada parâmetro em um modelo deve ser ajustado para melhorar a precisão.
- Esse processo é chamado de retropropagação (comparar a previsão do modelo com o resultado correto e, em seguida, propagar o erro para trás através da rede para atualizar seus parâmetros).
- Ao automatizar esses cálculos, o JAX elimina a necessidade de codificação manual de gradientes.
- Aceleração por hardware : Funciona em CPUs, GPUs e TPUs.
- Paralelização e vetorização : Distribui automaticamente as cargas de trabalho entre vários dispositivos, melhorando a escalabilidade.
Limitações do JAX
- Ecossistema menor : Comparado ao TensorFlow ou PyTorch, o JAX possui menos bibliotecas e tutoriais de terceiros.
- Ferramentas de produção limitadas : Falta um conjunto robusto de ferramentas de implantação prontas para produção.
Nota: Embora não sejam plataformas de IA completas, bibliotecas como Keras (uma API de alto nível para aprendizado profundo) e Scikit-learn (para aprendizado de máquina clássico) são frequentemente incluídas em ferramentas de IA de código aberto:
Keras
Keras é uma API de alto nível para construir e treinar modelos de aprendizado profundo . Ela funciona principalmente sobre o TensorFlow, embora também possa ser integrada a outros backends. Sua API de alto nível é intuitiva para iniciantes, mas flexível o suficiente para o desenvolvimento de redes neurais mais complexas.
- Flexibilidade de backend : Funciona em diversas plataformas de backend, como TensorFlow e PyTorch.
- Implementação eficiente : Suporta compilação XLA (álgebra linear acelerada) para treinamento e inferência de modelos mais rápidos.
Limitações do Keras
- Controle de nível inferior : Oferece um controle menos preciso em comparação com o uso direto de bibliotecas de backend como TensorFlow ou PyTorch.
- Foco específico : Projetado principalmente para aprendizado profundo.
Scikit-learn
O Scikit-learn (frequentemente chamado de sklearn) é uma biblioteca Python de código aberto para aprendizado de máquina . É construída sobre o NumPy (computação numérica) e o Matplotlib (visualização de dados) e fornece uma ampla gama de ferramentas para pré-processamento, modelagem e avaliação de dados.
A biblioteca se concentra em tarefas essenciais de aprendizado de máquina, como classificação, regressão e agrupamento.
- Ampla cobertura de algoritmos : Implementa a maioria das técnicas clássicas de aprendizado de máquina, incluindo regressão linear, árvores de decisão, SVMs, k-means e métodos de conjunto.
- Integração : Construído sobre NumPy e SciPy, é compatível com o amplo ecossistema de ciência de dados em Python.
Limitações do Scikit-learn
- Não é adequado para aprendizado profundo : Diferentemente do TensorFlow ou do PyTorch, ele não lida com redes neurais ou tarefas de aprendizado profundo em larga escala.
- Limitações de desempenho : Otimizado para conjuntos de dados de pequeno a médio porte; menos eficiente para dados em larga escala em comparação com estruturas distribuídas.
- Menos especializado para produção : Projetado principalmente para pesquisa e prototipagem, em vez de implantação em larga escala.
2. AutoML e plataformas de aprendizado de máquina distribuídas
H2O.ai
H2O.ai é uma plataforma distribuída de aprendizado de máquina em memória . Ela suporta algoritmos estatísticos e de aprendizado de máquina amplamente utilizados, como máquinas de gradiente impulsionado (GBM), modelos lineares generalizados (GLM) e aprendizado profundo.
- Fluxos de trabalho automatizados: Executa o processo de aprendizado de máquina de ponta a ponta (treinamento, ajuste e avaliação de múltiplos modelos) dentro de um limite de tempo definido pelo usuário.
- Processamento distribuído em memória: os dados são processados em vários nós (máquinas ou servidores) em uma rede, com cada nó armazenando parte dos dados na memória (RAM) em vez de depender do armazenamento em disco, que é mais lento. Portanto, se você estiver analisando terabytes de dados, ter os dados na memória permite cálculos mais rápidos.
Limitações do H2O.ai
- Uso intensivo de recursos : O design distribuído em memória pode exigir recursos computacionais significativos.
- Menos flexibilidade para pesquisa : Otimizado para aprendizado de máquina aplicado e fluxos de trabalho de AutoML. Não é adequado para tarefas de pesquisa personalizadas.
MLflow
MLflow é uma plataforma de código aberto projetada para dar suporte ao desenvolvimento de modelos de aprendizado de máquina e aplicações de IA generativa. Possui quatro componentes principais:
- Rastreamento : Permite o rastreamento de experimentos através do registro de parâmetros, métricas e resultados, facilitando a comparação entre diferentes execuções.
- Modelos : Oferece ferramentas para empacotar, gerenciar e implantar modelos de diversas bibliotecas de aprendizado de máquina em múltiplos ambientes de serviço e inferência.
- Avaliação e rastreamento de agentes de IA : Ajuda os desenvolvedores a criar agentes de IA confiáveis, fornecendo recursos para avaliar, comparar e depurar o comportamento dos agentes.
- Registro de modelos : Facilita o gerenciamento do ciclo de vida dos modelos, incluindo controle de versão, transições de estágio (de teste para produção) e anotações.
As funcionalidades incluem:
- Rastreamento de experimentos : Registra e compara parâmetros, métricas, artefatos e resultados, permitindo que as equipes reproduzam experimentos e identifiquem os modelos com melhor desempenho.
- Registro de modelos : Repositório centralizado para gerenciar o ciclo de vida do modelo, incluindo versionamento (manter diferentes versões salvas de um modelo) e anotações (adicionar notas ou metadados para contexto).
- Ampla compatibilidade com frameworks e APIs : Compatível com Python, Java, R e APIs REST, e integra-se com frameworks populares de aprendizado de máquina, como Scikit-learn, TensorFlow, PyTorch e XGBoost.
Limitações do MLflow
- Complexidade de escalabilidade: Executar o MLflow em grande escala requer uma infraestrutura significativa (bancos de dados, servidores de rastreamento).
- Orquestração limitada: o MLflow não oferece orquestração de fluxo de trabalho nativamente; é necessária a integração com ferramentas como Airflow, Kubeflow ou Prefect.
3. Ecossistemas de Modelos de Linguagem Amplos (LLM)
Transformers de rosto abraçado
O Hugging Face Transformers é uma biblioteca de código aberto que fornece modelos pré-treinados para inferência e treinamento. A biblioteca é construída principalmente em torno do PyTorch , com suporte para desenvolvimento de modelos em larga escala, utilitários de treinamento e implantação simplificada por meio de pipelines e treinadores.
O suporte a JAX está disponível por meio de integrações com o Keras , enquanto o suporte anterior ao TensorFlow foi removido em versões recentes.
A Hugging Face hospeda modelos para diferentes áreas:
- Texto
- Visão
- Áudio
- Multimodal
As principais características são:
- Modelos Transformer pré-treinados : A Hugging Face oferece milhões de modelos pré-treinados (já treinados em grandes conjuntos de dados, para que os usuários possam ajustá-los ou aplicá-los diretamente sem precisar começar do zero).
- Comunidade ativa e documentação : Tutoriais abrangentes, guias e contribuições frequentes mantêm a biblioteca atualizada com os avanços mais recentes.
As limitações de Hugging Face Transformers
- Altas exigências computacionais : Muitos modelos requerem hardware potente (GPUs/TPUs) para serem executados de forma eficiente.
- Qualidade variável do modelo : Os modelos contribuídos pela comunidade podem estar desatualizados ou receber manutenção inconsistente.
GPT4All
O GPT4All é essencialmente um ecossistema de LLMs de código aberto (com suporte para mais de 1.000 modelos, incluindo LLaMA, Mistral e DeepSeek R1).
É um chatbot local e privado para cargas de trabalho em múltiplos dispositivos, funciona tanto em CPUs quanto em GPUs e pode operar online ou offline.
- Funcionamento offline : Pode ser executado sem conexão com a internet em laptops ou dispositivos móveis.
- Ampla compatibilidade com modelos : Compatível com modelos como DeepSeek R1, LLaMa, Mistral e Nous-Hermes (abrangendo muitos dos LLMs de código aberto mais utilizados).
- Privacidade : Mantém todos os dados locais (as respostas são geradas no computador do usuário), garantindo a segurança das informações confidenciais.
Limitações do GPT4All
- Escopo limitado : Projetado principalmente como um chatbot, com aplicações limitadas além da IA conversacional.
Abrir interface web
Open WebUI é uma interface web auto-hospedada para interação com grandes modelos de linguagem, disponível localmente ou através de APIs compatíveis com OpenAI.
- Suporte a múltiplos modelos: Conecta-se a modelos locais ou na nuvem (por exemplo, Ollama ou APIs compatíveis com OpenAI) por meio de uma interface unificada.
- RAG integrado e chat de documentos: Suporta consultas a documentos carregados e bases de conhecimento usando geração aumentada por recuperação.
- Sistema de plugins e extensibilidade: os desenvolvedores podem ampliar a funcionalidade com ferramentas, pipelines e plugins, ou adicionar suporte para provedores de modelos adicionais.
- Opções de implantação flexíveis: Pode ser instalado usando Docker, Kubernetes ou outras ferramentas de contêiner.
Limitações da interface web aberta
- Riscos de segurança em caso de configuração incorreta: Vulnerabilidades ou conexões inseguras com servidores de modelos externos podem expor tokens ou permitir a violação do sistema se não forem devidamente protegidas.
4. Plataformas de IA conversacional
Rasa
Rasa é uma plataforma de IA conversacional de código aberto projetada para a criação de chatbots e assistentes virtuais. Ela se concentra em IA conversacional e desenvolvimento de chatbots. A Rasa traz conceitos padrão de plataformas de IA, como gerenciamento de dados, monitoramento, colaboração e integração de fluxo de trabalho, para o domínio da IA conversacional.
- Ferramentas de revisão de conversas : Oferece uma caixa de entrada dedicada para revisar diálogos reais de usuários, ajudando as equipes a entender como as pessoas interagem naturalmente com um chatbot implementado com o Rasa.
- Etiquetagem e filtragem : Permite a classificação de conversas por intenção, ação, valores de slots e status de revisão.
- Funcionalidades de colaboração : Permite que as equipes compartilhem fluxos de trabalho, atribuam revisões e categorizem conversas.
- Detecção de erros : Permite sinalizar mensagens problemáticas para que possam ser tratadas posteriormente no ciclo de desenvolvimento.
Limitações de Rasa
- Escopo específico : Projetado principalmente para aprimorar assistentes por meio da revisão de conversas, e não como uma plataforma geral de PNL (Processamento de Linguagem Natural) ou ciência de dados.
- Esforço manual necessário : Embora a filtragem e a etiquetagem ajudem, grande parte do processo de melhoria ainda depende da revisão manual das conversas.
Botpress
O Botpress é uma plataforma de IA conversacional de código aberto, projetada para criar, implantar e gerenciar chatbots.
- Fluxo visual e controle : Oferece um construtor de fluxo do tipo "arrastar e soltar" para projetar conversas de chatbot, permitindo também personalização avançada por meio de código.
- Integração de IA generativa : integração nativa com GPT para perguntas e respostas em base de conhecimento e respostas de formato livre.
Limitações do Botpress
- Ecossistema de plugins e integrações ainda imaturo : A biblioteca de plugins e integrações é menor do que a de concorrentes como Dialogflow ou Rasa (os plugins da comunidade ainda não têm amplo suporte).
- Funcionalidades empresariais limitadas nos planos gratuitos/abertos : recursos como SSO, ferramentas de conformidade e configurações de alta disponibilidade estão disponíveis principalmente no plano Enterprise pago.
- Riscos de dependência da IA generativa : Dependência excessiva de integrações com GPT. O uso de APIs LLM externas ou de modelos grandes geralmente acarreta custos ou latência .
5. Plataformas de agentes
Agentes profundos de Langchain
Deep Agents é uma estrutura de agentes de código aberto da LangChain que fornece uma "estrutura de agentes" estruturada com planejamento integrado, uso de ferramentas, memória e coordenação de subagentes.
- Planejamento e decomposição de tarefas: os agentes podem dividir automaticamente tarefas complexas em etapas menores usando ferramentas de planejamento integradas (por exemplo, rastreamento de tarefas no estilo "todo").
- Delegação de subagentes: A estrutura permite que os agentes criem subagentes especializados para lidar com subtarefas.
- Gerenciamento de contexto com sistemas de arquivos: os agentes podem armazenar e recuperar informações por meio de sistemas de arquivos virtuais ou plugáveis.
- Memória persistente: O sistema pode armazenar conhecimento entre conversas ou sessões, permitindo que os agentes mantenham o contexto a longo prazo.
- Ferramentas de desenvolvimento e CLI: O SDK Deep Agents e a interface de linha de comando permitem que os desenvolvedores criem agentes que executam código, acessam arquivos, fazem solicitações da web e se integram a APIs externas.
Limitações dos Agentes Profundos Langchain
- Mais adequado para tarefas complexas: A estrutura foi projetada para fluxos de trabalho de longa duração ou com várias etapas, portanto, pode representar uma sobrecarga desnecessária para aplicativos de agentes mais simples.
- Maior complexidade: Recursos como subagentes, sistemas de arquivos e ferramentas de planejamento podem aumentar a complexidade do sistema e exigir uma configuração cuidadosa.
Agentes Abertos
O OpenAgents fornece a infraestrutura para a criação de redes de agentes nas quais agentes de IA podem descobrir uns aos outros, comunicar-se e colaborar em tarefas.
- Redes de agentes: Permitem que vários agentes de IA se conectem e colaborem em redes estruturadas para resolver tarefas complexas.
- Protocolos para comunicação entre agentes: Inclui mecanismos integrados para descoberta, mensagens e colaboração entre agentes.
- Integração com ferramentas e estruturas LLM: Funciona com provedores LLM e estruturas de agentes comuns e oferece suporte a protocolos como MCP e A2A para interação com agentes.
- Arquitetura modular: Utiliza um sistema modular orientado a eventos que permite aos desenvolvedores expandir a funcionalidade e personalizar o comportamento do agente.
Limitações do OpenAgents
- Ainda em desenvolvimento: A documentação e as APIs estão em constante desenvolvimento, o que significa que os exemplos ou interfaces podem sofrer alterações.
- Complexidade dos sistemas multiagentes: Construir e gerenciar grandes redes de agentes pode apresentar desafios de coordenação e infraestrutura.
Garra aberta
O OpenClaw funciona como uma ponte que conecta plataformas de bate-papo a modelos de IA, permitindo que o assistente execute tarefas como gerenciar e-mails, agendar eventos e automatizar fluxos de trabalho.
- Integração de mensagens multiplataforma: O assistente funciona por meio de aplicativos de bate-papo comuns (por exemplo, WhatsApp, Telegram, Discord, Slack), permitindo que os usuários interajam com a IA a partir de plataformas que já utilizam.
- Arquitetura auto-hospedada: Os usuários executam o gateway OpenClaw localmente ou em seu próprio servidor, mantendo o controle sobre os dados e as chaves de API, em vez de depender de um serviço hospedado na nuvem.
- Automação de tarefas: A IA pode executar ações reais, como enviar e-mails, gerenciar calendários ou lidar com fluxos de trabalho digitais diretamente a partir de comandos de chat.
- Suporte a múltiplos modelos: O OpenClaw pode se conectar a diferentes provedores de modelos de IA (por exemplo, OpenAI, Anthropic ou outros), permitindo que os usuários escolham os modelos com base em suas necessidades.
- Roteamento de agentes e gerenciamento de sessões: A plataforma suporta roteamento multiagente e sessões separadas para diferentes usuários ou espaços de trabalho.
Limitações do OpenClaw
- Riscos de segurança associados a extensões: Plugins de terceiros podem conter código malicioso, expondo potencialmente dados sensíveis se não forem cuidadosamente analisados.
- Permissões de sistema elevadas: Como o assistente pode acessar arquivos, executar scripts ou controlar aplicativos, configurações incorretas ou instruções maliciosas podem criar vulnerabilidades de segurança.
O que é IA de código aberto?
Na prática, a IA de código aberto refere-se a sistemas, modelos ou algoritmos disponibilizados publicamente para que qualquer pessoa possa usá-los, estudá-los, modificá-los e compartilhá-los. Aplicações típicas incluem grandes modelos de linguagem, sistemas de tradução, chatbots e outras ferramentas baseadas em IA.
No entanto, historicamente não houve um padrão amplamente aceito sobre o que se qualifica como IA de código aberto :
- Exemplos de código fechado : OpenAI e Anthropic mantiveram conjuntos de dados, modelos e algoritmos em segredo.
- Modelos de zona cinzenta : Meta e Google lançaram modelos adaptáveis, mas os críticos argumentaram que eles não eram verdadeiramente de código aberto devido a limitações de licenciamento e conjuntos de dados não divulgados.
Para resolver isso, a Open Source Initiative (OSI) , organização conhecida por definir padrões de código aberto, lançou uma definição formal para IA. 1
Segundo a OSI, um sistema de IA de código aberto deve:
- Pode ser usado para qualquer finalidade sem necessidade de permissão.
- Permitir a inspeção de seus componentes para que os pesquisadores possam entender como ele funciona.
- Ser modificável para qualquer finalidade, incluindo a alteração de resultados.
- Pode ser compartilhado, com ou sem modificações, para qualquer finalidade.
Na prática, porém, muitas versões de IA descritas como "abertas" são melhor caracterizadas como modelos de peso aberto , o que significa que publicam os pesos do modelo, mas não divulgam os dados de treinamento completos ou o processo de desenvolvimento necessário para atender aos critérios de código aberto da OSI.
Links de referência
Seja o primeiro a comentar
Seu endereço de e-mail não será publicado. Todos os campos são obrigatórios.