Pular para o conteúdo
LabS Atlas
Generative AI
Entrar
Sessões

Tech Talk Especialização de LLM na Prática (2026-03-13)

13 mar 20261h 08min
Assistir gravação

Entre para ler os trechos da transcrição de cada capítulo e perguntar ao Labinho sobre esta sessão.

O Labinho é o assistente que responde com as notas e as sessões do LabS e mostra de onde tirou cada resposta.

atualizado há 25 dias
Resumo da sessão

A sessão apresentou a bancada de Generative AI e o tema de especialização de LLMs na prática, destacando seu papel no desenvolvimento de conhecimento técnico, componentes de software, agentes, UX e dados. Foi explicado que o trabalho surgiu de um Learning Prototype voltado a adaptar modelos de IA para necessidades específicas da plataforma FICO, utilizada em motores de decisão. A iniciativa evoluiu de experimentos com MyGPT e Prompt Hub para protótipos no Google AI Studio e, posteriormente, integrações com n8n, bancos vetoriais e outros componentes. O objetivo foi superar as limitações dos modelos generalistas, especialmente na geração de código da linguagem proprietária SRL, na criação de massas de teste e no apoio à configuração e documentação de regras de negócio.

Foi demonstrado um protótipo capaz de analisar documentos, orientar a construção de motores de decisão, validar regras, estimar esforço, mapear dados, gerar arquivos de configuração, criar massas de teste e produzir código SRL compilável. A solução combinou RAG, engenharia de prompts, agentes monotarefa e um orquestrador, com guardrails para evitar usos fora do contexto e controlar custos. O protótipo foi apresentado a clientes, recebeu feedback positivo e entrou em fase de concept para se transformar em produto ou POC, com desafios relacionados a precisão, volume de dados, custos, segurança, versionamento, arquitetura, integração ao ecossistema da empresa e possível uso de frameworks como LangGraph.

Também foi esclarecida a diferença entre workflows que usam IA e agentes autônomos: workflows seguem etapas rígidas e previamente definidas, enquanto agentes possuem maior capacidade de raciocínio, uso de ferramentas e decisão sobre os próximos passos. Ficou encaminhada a continuidade do concept, com aprofundamento da camada de agentes, documentação, arquitetura e estimativas, além de sessões futuras sobre conceituação de agentes e atividades práticas com n8n e LangGraph. Permanecem em aberto a escolha da arquitetura definitiva, a validação de desempenho e segurança, a evolução das funcionalidades e a definição de como a solução será implantada comercialmente.

Gerado por IA a partir da transcrição.
Capítulos · 18
01:57
Abertura e orientações da sessão
Assistir
04:59
Conexão com o workshop do LabS
Assistir
06:27
Apresentação das trilhas de IA e agentes
Assistir
09:28
Especialização de LLM na bancada Generative AI
Assistir
14:27
Case FICO: IA aplicada ao desenvolvimento
Assistir
31:43
Integração do protótipo com n8n
Assistir
34:11
Agentes monotarefa e orquestração
Assistir
38:19
RAG, engenharia de prompts e ferramentas
Assistir
43:14
Limites das ferramentas e evolução do fluxo
Assistir
44:28
Guardrails e controle de custos
Assistir
45:58
Integração com IA e exemplos de uso
Assistir
47:32
Projeto sem agentes e desafios de versionamento
Assistir
51:08
Da prototipação ao produto
Assistir
1:00:03
Próximos encontros e abertura para perguntas
Assistir
1:02:24
Diferença entre workflows e agentes
Assistir
1:03:44
Raciocínio, ferramentas e autonomia dos agentes
Assistir
1:05:13
Orquestração e conceitos de multiagentes
Assistir
1:07:04
Encerramento e sessões práticas do workshop
Assistir
Cortes · 7
Especialização de LLM na bancada Generative AI
A apresentação contextualiza a bancada Generative AI e seus principais focos, como IA generativa, agentes e impactos em UX e dados. Em seguida, explica como um Learning Prototype levou à exploração prática da especialização de modelos de linguagem para usos específicos.
09:28 – 14:21Assistir
Do protótipo ao Decision Ops Framework
Leonardo apresenta o desafio de integrar IA ao desenvolvimento de soluções da FICO, incluindo assistentes para código, testes e desenvolvimento de motores de decisão. Ele mostra a evolução dos experimentos com MyGPT, Prompt Hub, Google AI Studio e N8N até chegar a um protótipo apresentado a clientes, com funcionalidades de planejamento, validação, geração de dados, parametrização e produção de código SRL.
14:27 – 31:39Assistir
Como o N8N viabilizou a solução especializada
A equipe explica como transformou um protótipo criado no Google AI Studio em uma solução executável localmente e integrada ao N8N. O recorte detalha a divisão em agentes monotarefa, a criação de um orquestrador e os cuidados necessários para reduzir alucinações e gerar código na linguagem proprietária SRL.
31:43 – 38:19Assistir
RAG, engenharia de prompt e guardrails
O recorte mostra os problemas encontrados na documentação da linguagem SRL, como exemplos desatualizados e ambiguidades de sintaxe, e explica a combinação de RAG com engenharia de prompt para corrigi-los. Também são apresentadas as ferramentas usadas, como modelos da OpenAI, Qdrant, MongoDB e Mistral, além dos limites de uso e dos guardrails criados para evitar consumo excessivo e solicitações fora do escopo.
38:19 – 45:59Assistir
Desafios técnicos e evolução do protótipo
É apresentado um projeto com blocos de IA, mas sem arquitetura agêntica, destacando dificuldades na geração de arquivos Python e problemas de compatibilidade entre versões. A discussão também aborda a transformação do protótipo em produto, considerando versionamento, custos, precisão, volume de dados e escolha das ferramentas.
47:32 – 51:08Assistir
Do protótipo validado ao produto
A equipe explica como o protótipo foi validado e passou a uma fase de concepção de produto. São discutidos os principais desafios dessa etapa: robustez, segurança, infraestrutura, integração ao ecossistema da empresa, governança e incorporação de uma camada de agentes.
51:09 – 1:00:03Assistir
Diferença entre workflow e agente
A conversa esclarece que um workflow pode usar IA, mas segue etapas rígidas e não possui raciocínio próprio ou autonomia. Já um agente interpreta o contexto, usa ferramentas, busca informações e decide dinamicamente os passos, enquanto uma arquitetura multiagente envolve a coordenação entre agentes especializados.
1:02:24 – 1:07:02Assistir
Perguntas desta sessão
Como foi feita a especialização do LLM para a linguagem SRL?
A especialização combinou RAG com documentação de SRL e engenharia de prompt. O RAG foi ajustado para selecionar os trechos mais relevantes, enquanto os prompts corrigiam informações desatualizadas, falta de padronização e detalhes que faziam o modelo gerar código inválido. Também foram usados agentes monotarefa, coordenados por uma camada de orquestração, para reduzir alucinações e direcionar cada solicitação ao componente adequado.
34:13 – 43:13Assistir
Qual é a diferença entre um workflow que usa IA e um agente de IA?
Um workflow com IA segue um passo a passo previamente definido, semelhante a uma sequência de condicionais, e não possui raciocínio próprio nem autonomia para decidir novas ações. Um agente tem um modelo de raciocínio, interpreta o contexto, pode usar ferramentas, consultar APIs ou bancos de dados, interagir com o ambiente e decidir quais etapas executar para alcançar o resultado desejado.
1:01:01 – 1:04:51Assistir