🛡️ NeuralGuard: Levando o detector de código vulnerável com IA para o Pull Request
Pessoal,
Quem acompanhou as séries anteriores aqui no TabNews lembra que começamos construindo um detector de vulnerabilidades com ML.NET e CodeBERT. O modelo funcionava muito bem, mas ficava isolado, rodando apenas como um experimento local dentro de uma aplicação de console.
Essa nova série de 14 artigos dá continuidade àquele projeto. O objetivo agora é tirar o detector do terminal e levá-lo para um cenário real de engenharia de software: rodando direto dentro de uma pipeline de CI/CD e interagindo diretamente nos Pull Requests do GitHub.
🧠 O que você vai encontrar na série:
🔬 Fundamentos de Segurança em C#:
Uma análise profunda de 5 vulnerabilidades clássicas (SQL Injection, XSS, Command Injection, Path Traversal e Insecure Deserialization). Mostro o mecanismo interno de cada uma, exemplos de códigos vulneráveis e como corrigi-los (incluindo casos onde o Path.Combine pode piorar as coisas).
📉 O "Exame que Valeu Nada" (Data Leakage):
Um relato honesto sobre como um erro comum na divisão de treino/teste inflou artificialmente os resultados iniciais do modelo, como esse bug foi descoberto e quais são as métricas reais pós-correção.
📦 MLOps Prático:
Como empacotar o modelo treinado em uma dotnet tool e resolver o problema de distribuir um arquivo de 500MB sem entupir o repositório Git ou estourar o tempo de download da pipeline.
⚖️ A Fadiga de Alertas vs. Claude:
Por que 77.3% de acurácia é um número perigoso para barrar o merge de um colega de equipe. Explico como resolvemos isso usando uma arquitetura híbrida: o modelo local faz a triagem barata e o Claude (via SDK oficial em C#) entra dando o veredito final em um formato estruturado que o programa consegue ler.
🤖 GitHub Action de Ponta a Ponta:
A construção da Action que analisa apenas as linhas alteradas no diff, comenta no PR de forma inteligente e segura o merge sem se tornar o "bot chato" que todo mundo silencia.
O projeto completo está documentado passo a passo, mostrando os acertos, os erros metodológicos e as decisões de arquitetura necessárias para transformar IA em uma ferramenta de produção realista.