Líder do time de chatbots do T-Bank apresenta o dature: configurações com tipagem segura em dataclasses

Nikolai Vidov, líder do time de chatbots do T, publicou no Habr o terceiro artigo da série sobre configurações em Python. Nele, apresenta o dature, uma biblioteca para configuração com tipagem segura baseada em dataclasses. O autor escreve em Python desde 2017 e já trabalhou com arquivos INI, variáveis de ambiente no Docker, templates YAML no Helm, modelos pydantic, Vault e Consul. O anúncio disponível não traz nem API nem benchmarks, apenas a motivação. Por isso, vamos analisar que problema esse tipo de biblioteca resolve e o que vale verificar nela.

De onde vem a dor

A configuração de um serviço quase nunca fica em um único lugar. Os valores-base ficam em um arquivo no repositório, parte deles é sobrescrita por variáveis de ambiente no contêiner, os segredos vêm do Vault e outras informações são buscadas no Consul. Cada fonte entrega os dados no seu próprio formato: strings, dicionários, às vezes JSON dentro de uma string. Os tipos se perdem pelo caminho. O resultado: a porta vira string, o valor booleano se transforma em "false", que em Python é verdadeiro, e um erro de digitação no nome da chave só aparece em produção.

O autor descreve isso como o caminho pelo qual a equipe "chegou a esse ponto". Os dois artigos anteriores da série explicam como isso aconteceu e por que as abordagens atuais não satisfazem ele e os colegas.

Aposta nas dataclasses

O título já indica a escolha principal: a configuração é descrita com dataclasses comuns, e não com modelos pydantic. Essa decisão tem uma lógica clara. As dataclasses fazem parte da biblioteca padrão, não exigem dependência de terceiros para descrever o esquema, são bem compreendidas por mypy e pyright e oferecem autocompletar na IDE. Se a estrutura da configuração é descrita por tipos, o analisador estático encontra o acesso a um campo inexistente antes mesmo da execução.

O anúncio não deixa claro quais recursos o dature oferece: como ele lê as fontes, como as combina e o que faz com estruturas aninhadas. Tudo isso é detalhado no artigo completo. Inventar detalhes sem ele seria incorreto.

Principais fatos do anúncio

• Autor: Nikolai Vidov, líder do time de chatbots do T.
• Experiência: Python desde 2017.
• Fontes de configuração com as quais trabalhou: INI, variáveis de ambiente, YAML e Helm, pydantic, Vault, Consul.
• Formato: terceiro artigo da série sobre configurações em Python.
• Abordagem: configuração com tipagem segura em dataclasses.
• Publicado em: 9 de outubro de 2026, no blog corporativo do T no Habr.

O que verificar antes de adotar

Chatbots e serviços em torno de LLMs costumam ter muitas configurações: chaves de provedores, nomes de modelos, limites de requisições, timeouts, caminhos para prompts. Por isso, erros de configuração saem caro nesse contexto. Se você está avaliando o dature ou uma ferramenta parecida, verifique cinco pontos:

• Prioridade das fontes: o que prevalece, o arquivo ou a variável de ambiente, e se isso pode ser configurado.
• Conversão de tipos: como a biblioteca trata strings vindas do ambiente, sobretudo valores booleanos e listas.
• Estruturas aninhadas: se há suporte a dataclasses dentro de dataclasses e como ficam os nomes das variáveis de ambiente para elas.
• Segredos: se os valores não vazam para os logs nem para o repr do objeto.
• Mensagens de erro: se indicam o caminho exato até o campo problemático e a origem do valor.

Se você já usa pydantic, migrar apenas por causa dos tipos dificilmente se justifica. Já para um serviço novo e pequeno, em que importa depender o mínimo possível de bibliotecas de terceiros, vale testar a abordagem com dataclasses em uma configuração. Comece pelo artigo completo, procure nele as respostas para as cinco perguntas acima e só depois decida.