Trilha de Estudo
Ir para notas que citam estaTrilha de Estudo é o caminho recomendado para quem chega à bancada Generative AI sem base prévia, ou quer organizar o que já sabe, e deseja aprender IA generativa na ordem em que as ideias se apoiam umas nas outras. São oito etapas, do funcionamento de um modelo de linguagem até agentes, interfaces geradas por IA e modelos de decisão. Siga os conceitos de cada etapa da esquerda para a direita e, quando quiser ver a teoria em ação, abra a sessão indicada ao fim da etapa.
Etapa 1 Fundamentos de modelos de linguagem
Tudo o que a bancada construiu parte do mesmo ponto: entender o que um modelo de linguagem faz quando responde, quanto ele consegue considerar de uma vez e por que às vezes erra com confiança. Ao fim desta etapa você entende o vocabulário básico, sabe onde cada peça se encaixa no mercado de IA generativa e reconhece as limitações que motivam todas as técnicas seguintes.
Large Language Model → Token → Tokenização de Texto → Janela de Contexto → Alucinação → Viés em Modelos de Inteligência Artificial → Camadas do Ecossistema de IA Generativa
Na prática: Abertura Retomada 2025 da Bancada Generative AI (2025-01-27) recapitula essa base e compara modelos grandes e pequenos.
Etapa 2 Conversar bem com o modelo
A primeira forma de adaptar um modelo sem mexer nele é saber pedir. Esta etapa mostra como estruturar uma instrução, quais técnicas de prompting existem e como um prompt de sistema define papel e limites de um assistente. Ela também apresenta o risco que acompanha tudo isso: textos maliciosos que tentam sequestrar a instrução original.
Engenharia de Prompt → Técnicas de Prompting → Prompt de Sistema → GPTs Personalizados → Injeção de Prompt
Na prática: Sessão de Bancada Técnicas Avançadas de Prompt para Geração de Código (2024-07-15) aplica zero-shot, few-shot e prompt em cadeia à geração de código.
Etapa 3 Dados e RAG
O RAG foi a técnica que a bancada mais explorou, e ele depende de dados bem preparados antes de qualquer coisa. Esta etapa começa pelo tratamento e pela qualidade dos dados, passa pela divisão dos documentos em pedaços, pela vetorização e pela busca semântica, e chega às variações mais sofisticadas da técnica. Ao fim você consegue desenhar um pipeline de RAG de ponta a ponta e escolher o tipo adequado ao problema.
Preparação de Dados para Modelos de IA → Qualidade de Dados → Limpeza de Dados Antes da Vetorização → Retrieval-Augmented Generation → Chunking → Embeddings → Banco Vetorial → Busca por Similaridade Vetorial → Pipeline de RAG → Tipos de RAG → Graph RAG
Na prática: Desafio RAG Local com MCP (2026-03-17) monta um RAG local e ajusta o score de similaridade passo a passo.
Etapa 4 Fine-tuning e especialização de modelos
Quando prompt e RAG não bastam, o caminho é especializar o modelo. Esta etapa cobre o ajuste fino, desde o formato do dataset e a escolha dos hiperparâmetros até o risco de overfitting, e depois sobe um nível para o método de decisão que a bancada construiu no seu Learning Prototype: quando usar cada técnica, como definir as habilidades esperadas e o que muda ao colocar documentos inteiros no contexto.
Fine-tuning → Dataset de Treinamento para Fine-tuning → Hiperparâmetros de Fine-tuning → Overfitting → Aumento de Dados de Treinamento → Especialização de Modelos de Linguagem → Método de Especialização de LLM → Habilidades Especiais na Especialização de LLM → Cache-Augmented Generation → Envenenamento de Contexto → Especialização de LLM para Linguagem de Programação Proprietária
Na prática: Sessão de Bancada Fine-tuning com um FAQ de Atendimento ao Cliente (2024-07-01) mostra o ajuste fino completo, e Tech Talk Especialização de LLM na Prática (2026-03-13) mostra o método aplicado a um projeto real.
Etapa 5 Escolher, avaliar e rodar modelos
Especializar exige escolher bem o modelo base e medir se o resultado melhorou. Esta etapa ensina a comparar modelos com benchmarks e com outro modelo atuando como juiz, e depois mostra como modelos pequenos são otimizados para rodar localmente, com quanto hardware e com quais ferramentas.
Escolha do Modelo de IA → Benchmark de Modelos de IA → LM Arena → LLM as a Judge → Small Language Model → Quantização → Destilação de Modelos → LoRA → Execução Local de Modelos de Linguagem → Dimensionamento de Hardware para Modelos Locais → Ollama
Na prática: Café com Código Comparando LLMs com LLM as a Judge (2026-03-10) compara modelos com um juiz automatizado, e Tech Talk SLM on Device Modelos de Linguagem Pequenos no Dispositivo (2026-07-13) mostra modelos pequenos rodando no dispositivo.
Etapa 6 Agentes, protocolos e skills
Com o modelo escolhido e especializado, o passo seguinte é deixá-lo agir: chamar ferramentas, decidir quais fontes consultar e cooperar com outros agentes. Esta etapa vai da chamada de função aos sistemas multiagente, passa pelos protocolos que padronizam conexões com dados e entre agentes e termina nas skills e no desenvolvimento orientado a especificações, sempre com os limites e a supervisão humana que mantêm o sistema confiável.
Function Calling → Agente de IA → RAG Agêntico → Padrões de Orquestração de Agentes → Sistemas Multiagente → Agente Orquestrador → Guardrails → Human in the Loop → Model Context Protocol → Protocolo Agent2Agent → Skills de IA → Spec-Driven Development
Na prática: Sessão de Bancada Agentic RAG da Evolução do RAG aos Padrões de Agentes (2025-02-24) apresenta os padrões de orquestração, e Sessão de Bancada Skills de IA na Prática (2026-06-09) explica a relação entre skills, agentes e SDD.
Etapa 7 IA multimodal e interfaces geradas por IA
A última etapa leva a IA generativa para além do texto e para dentro da experiência do usuário. Ela começa pelos modelos que processam imagem, áudio e texto juntos e pelos modelos que simulam o mundo antes de agir, e segue para interfaces inteligentes, o cuidado de design responsável, a prototipação com IA, interfaces inteiras geradas em tempo real pela resposta do modelo e, por fim, modelos que escutam e respondem em voz.
Inteligência Artificial Multimodal → Arquitetura Multimodal → World Models → Interfaces Inteligentes → Heurísticas para IA Responsável em Interfaces → Prototipação Rápida com IA → Design System como Fonte de Verdade para IA → Generative UI → Arquitetura da Generative UI → IA Generativa de Voz → Arquiteturas de IA de Voz → Turno de Fala
Na prática: Sessão de Bancada IA Multimodal Arquitetura e Aplicações Práticas (2026-04-28) abre a frente multimodal, Tech Talk Generative UI Interfaces Geradas em Tempo Real (2026-08-25) mostra interfaces geradas em tempo real, e Tech Talk IA Generativa que Escuta e Fala (2026-09-23) fecha a etapa com a conversa por voz.
Etapa 8 Modelos de decisão
Nem toda tarefa pede um modelo que escreve. Esta etapa apresenta os modelos que só escolhem entre opções e devolvem uma confiança junto, e mostra como usá-los na frente de um LLM: por que um JSON com enum não resolve, por que a lista precisa da opção nenhuma, como transformar a confiança em faixas de ação e quando o decisor compensa o custo de manter mais um modelo. Ela se apoia na escolha de modelos da etapa 5 e nos agentes da etapa 6.
Modelo de Decisão → Arquitetura de um Modelo de Decisão → If Caro → Structured Outputs → Opção Nenhuma → Faixas de Confiança → Calibração de Confiança → Decisor na Frente do LLM → Quando Usar um Modelo de Decisão → Mapa de Modelos de Decisão
Na prática: Tech Talk Modelos de Decisão Nem Toda Resposta Precisa Ser Escrita (2026-10-21) apresenta o tema do quebra gelo à demonstração ao vivo, e Ensaio de Triagem com Modelos de Decisão compara um LLM e dois decisores sobre as mesmas 50 mensagens de clientes.
Os conceitos que ficaram fora desta trilha, como ferramentas específicas, práticas do LabS e temas de ética e privacidade, estão todos no Índice de Conceitos; para voltar à visão geral do vault, abra o Início.