Conceitos de IA Avançados

RAG é uma arquitetura que combina busca semântica com geração de texto. Em vez de depender apenas do conhecimento interno do LLM (que é estático e limitado pela data de corte), o sistema recupera documentos relevantes em tempo real e os insere no contexto da requisição antes de gerar a resposta.

Embeddings são representações numéricas de texto (ou imagem, áudio) em um espaço vetorial de alta dimensão (ex: 1536 dimensões). Textos semanticamente similares ficam próximos nesse espaço. O modelo de embedding converte qualquer texto em um vetor que captura seu significado.

Bancos de dados especializados em armazenar e buscar vetores por similaridade (distância coseno ou L2), em vez de busca por palavra-chave exata (SQL LIKE).

Um agente de IA é um sistema onde o LLM não só gera texto — ele decide qual ação tomar, executa ferramentas, observa o resultado e itera até concluir a tarefa. O ciclo fundamental é: Perceber → Raciocinar → Agir → Observar.

Skills são capacidades modulares e reutilizáveis que podem ser instaladas em um agente de IA, funcionando como "plugins de comportamento". Cada skill encapsula um conjunto de instruções, ferramentas e exemplos que ensinam o agente a executar um tipo específico de tarefa com qualidade consistente.

Um harness (ou agent harness) é o scaffolding — a estrutura de controle — que orquestra o loop de execução de um agente. Ele gerencia o ciclo de vida: inicializa o contexto, chama o LLM, intercepta chamadas de ferramentas, executa-as e reinjeta os resultados, repetindo até o objetivo ser alcançado ou um limite ser atingido.

MCP é um protocolo aberto (criado pela Anthropic) que padroniza como modelos de IA se conectam a ferramentas e fontes de dados externas. Funciona como um "USB para IA": qualquer aplicação que implemente o protocolo MCP pode ser usada por qualquer modelo compatível, sem integrações customizadas.

SWE-agent (Software Engineering Agent) é a categoria de agentes de IA especializados em tarefas de engenharia de software: ler código, editar arquivos, executar testes, depurar erros e submeter Pull Requests de forma autônoma.

Claude Code é a implementação da Anthropic: um agente de desenvolvimento autônomo que roda no terminal, tem acesso ao filesystem, pode executar comandos, instalar dependências e interagir com Git — tudo guiado pelo desenvolvedor via linguagem natural.

Guardrails são controles técnicos que protegem sistemas de IA em produção — validando o que entra (input) e o que sai (output) para garantir segurança, conformidade e proteção de dados pessoais (PII). São a diferença entre um modelo que pode dizer qualquer coisa e um sistema confiável para uso empresarial.

Evals (evaluations) são suítes de testes automatizados para medir qualidade, consistência e regressão em sistemas de LLM em produção. Assim como unit tests medem corretude de código, evals medem qualidade de respostas — mas com critérios que podem ser subjetivos ou difíceis de verificar automaticamente.

Usar modelos de IA generativa para criar automaticamente casos de teste, testes unitários, testes de integração e dados de teste. O LLM analisa o código-fonte (ou especificação) e gera cobertura de teste que cobriria edge cases que um desenvolvedor poderia não considerar manualmente.

Model Routing é a prática de direcionar cada requisição para o modelo mais adequado com base na complexidade, custo e latência requerida. Em vez de sempre usar o modelo mais caro e poderoso, o sistema classifica a tarefa e escolhe o modelo certo para aquela complexidade específica.

LLMOps é a disciplina de operar, monitorar e versionar sistemas baseados em LLMs em produção. É o MLOps adaptado para as particularidades dos modelos de linguagem: prompts são código, respostas são não-determinísticas, e regressões podem ser sutis e difíceis de detectar.

Context Engineering é a prática de estruturar deliberadamente o conteúdo da context window para maximizar a qualidade da resposta e minimizar custo. Vai além do "prompt engineering" — é uma disciplina que inclui o que incluir, em que ordem, em que formato e o que omitir do contexto de cada chamada ao LLM.

DORA (DevOps Research and Assessment) são 4 métricas que medem a performance de times de engenharia de software. Definidas pelo Google Cloud após pesquisa com 32.000 profissionais, são o padrão de referência para medir elite performers.