Tradução automática Este artigo foi traduzido automaticamente a partir da versão original em inglês.
Notas de campo práticas sobre as partes dos sistemas de AI que têm de sobreviver à produção: agentes, avaliação, segurança, memória, retrieval, engenharia de modelos e infraestrutura.
Escolha abaixo um percurso de acordo com o problema: sistemas de agentes, avaliação ou retrieval e linguagem. Para um guia de decisão mais curto, consulte Respostas rápidas.
Comece aqui
Sistemas de agentes
Um percurso ligado por reasoning, memória, ferramentas, segurança, runtime e engenharia do harness.
Avaliação
Avalie o comportamento dos agentes e cada etapa de um sistema de geração aumentada por retrieval.
Retrieval e linguagem
Construa pipelines de ranking, escolha sistemas de Document AI e estruture linguagem de forma fiável.
Série principal
Deslize pelos seis artigos →
Ferramentas de desenvolvimento · Agentes de IA
Mapeie pydantic para Zod, FastAPI para Hono e Celery para uma fila em Postgres e, em seguida, crie um serviço de agentes com streaming num monorepo TypeScript com pnpm.
· 26 min
Agentes de IA Parte 6
Como o código de controlo em torno de um AI agent autoriza tools, preserva o progresso, verifica a conclusão e justifica cada componente adicional através de ablation.
· 27 min
Engenharia de modelos · Infraestrutura de IA
Um guia prático para escolher percursos de quantização de LLM e modelos de difusão com base no bottleneck, hardware, kernel do runtime, dados de calibração e verificações de deployment.
· 28 min
Agentes de IA
Porque os AI agents em produção precisam de memória orientada por schema, com validade temporal, proveniência e gestão estruturada de conflitos, em vez de recuperação de texto bruto através de vectores.
· 17 min
Agentes de IA
Como avaliar AI agents em produção, transformando traces em datasets de regressão versionados, métricas de trajectória, judges calibrados e gates de CI.
· 25 min
Agentes de IA Parte 5
Como executar AI agents de longa duração em produção com sessões, harnesses, sandboxes, checkpoints, traces e padrões de deployment que recuperam de falhas de forma limpa.
· 43 min
Sistemas de recuperação e linguagem
Métricas de avaliação de RAG para parsing, retrieval, reranking, generation, citações e telemetria em produção, com código e modos de falha.
· 41 min
Agentes de IA Parte 4
Porque as guardrails dos LLMs não são suficientes para a segurança de AI agents e onde entram as permissões, os sandboxes, o HITL, o scoping de MCP e as verificações de policy.
· 39 min
Sistemas de recuperação e linguagem
Em 2026, NER implica escolher entre GLiNER, spaCy, Transformers e extração com LLM para equilibrar latência, precisão e controlo do schema.
· 37 min
Agentes de IA Parte 3
Compare JSON tool calling, MCP, Skills, CLI e execução de código para AI agents, com regras de design de ACI e os compromissos de produção que importam.
· 24 min
Engenharia de modelos · Infraestrutura de IA
Uma referência prática a 45 conceitos de engenharia de LLM para sistemas de produção, abrangendo inferência, treino, arquitetura, deployment e operações.
· 75 min
Sistemas de recuperação e linguagem
Em 2026, OCR significa escolher entre pipelines clássicos e VLMs para texto, layout, tabelas e extração de documentos.
· 15 min
Infraestrutura de IA
Benchmarks que comparam Polars, DataFusion, Daft, Ray Data, Pandas e Spark em workloads tabulares e multimodais, com código e regras de decisão.
· 17 min
Agentes de IA Parte 2
Como conceber a memória de AI Agents com checkpoints, PostgreSQL ou Redis, vector stores como Qdrant e memória baseada em ficheiros para sistemas de execução prolongada.
· 21 min
Sistemas de recuperação e linguagem
Como criar uma stack de ranking de pesquisa com BM25, embeddings densos, RRF híbrido, reranking com cross-encoder e reranking listwise com LLM no Amazon ESCI.
· 30 min
Agentes de IA Parte 1
Compare ReAct, ReWOO e Plan-and-Execute para AI agents. Os exemplos em LangGraph mostram como cada loop troca adaptabilidade por custo, latência e estrutura de planeamento.
· 14 min
Engenharia de modelos
Uma análise técnica das Hyper-Connections com restrições na variedade (mHC) da DeepSeek, do aumento da largura do residual stream, do routing Sinkhorn e da estabilidade do treino.
· 11 min
Agentes de IA
O que as submissões públicas do Desafio Enterprise RAG 3 revelam sobre iteração de prompts, validação, estratégia de contexto, wrappers de ferramentas e arquitetura de agentes.
· 11 min
Engenharia de modelos
Quando fazer fine-tuning de LLMs, quando usar RAG ou prompting e como se enquadram LoRA, QLoRA, DoRA, Unsloth, Axolotl, datasets, avaliações e deployment.
· 23 min
Agentes de IA · Engenharia de modelos
Como o Raciocínio Guiado por Schema utiliza vLLM, XGrammar, schemas Pydantic e constrained decoding para impor outputs de LLM estruturalmente válidos.
· 12 min
Engenharia de modelos · Infraestrutura de IA
Avalie e implemente o LoRAX para serving de adaptadores LoRA de cauda longa, com APIs atuais, endurecimento do chart de Kubernetes, segurança dos adaptadores, routing consciente da cache e compromissos face ao vLLM.
· 12 min
Agentes de IA
Como o domain-driven design ajuda os AI agents a utilizarem uma linguagem partilhada, bounded contexts, serviços, repositories e regras de negócio determinísticas.
· 10 min
Agentes de IA
Como conceber context engineering para AI agents: context windows, hierarquia de instruções, retrieval, memória, tools, guardrails, proveniência e compressão.
· 17 min
Agentes de IA · Ferramentas de desenvolvimento
Crie um servidor MCP personalizado com uv e FastMCP, disponibilize ferramentas de ML feature store, teste-as localmente e ligue o servidor ao Claude Desktop.
· 9 min
Engenharia de modelos
Como interpretar os nomes de modelos com pesos abertos, separando a função no treino, a arquitetura, o método de quantização, o formato de armazenamento, o runtime e a adequação ao hardware.
· 11 min
Ferramentas de desenvolvimento
Compare ferramentas locais de geração de imagens no macOS em termos de configuração, suporte de modelos, controlo do workflow, reprodutibilidade, extensões e estado de manutenção.
· 8 min
Engenharia de modelos · Ferramentas de desenvolvimento
Compare ferramentas para LLMs locais no macOS por interface, formato do modelo, margem de memória, exposição de API e fluxo de desenvolvimento em Apple Silicon.
· 7 min
Ferramentas de desenvolvimento
Como funciona o pyproject.toml para sistemas de build, metadados do projeto, dependências de runtime, grupos de desenvolvimento, pontos de entrada da CLI e configuração de ferramentas.
· 6 min
Ferramentas de desenvolvimento
Explicação dos ficheiros de arranque do Zsh: quando são carregados ~/.zprofile e ~/.zshrc no macOS e no Linux, o que deve ficar em cada ficheiro e como diagnosticar o modo da shell em execução.
· 5 min
Infraestrutura de IA
O que os foundation models mudaram no MLOps: unidades de release, retrieval, tools, avaliação, tracing, serving e risco operacional.
· 9 min
Engenharia de modelos · Infraestrutura de IA
Como escalar grandes modelos de linguagem entre GPUs e nós com paralelismo de dados, totalmente sharded, tensor, pipeline, de contexto e de experts.
· 11 min
Ferramentas de desenvolvimento
Checklist de configuração de um MacBook para AI engineering: ferramentas do Xcode, Homebrew, Python com uv, Docker, configuração do terminal e VS Code.
· 7 min
Ferramentas de desenvolvimento
Como uso uv no macOS para instalar Python, gerir dependências de projetos, ficheiros de lock, scripts inline e ferramentas CLI usadas uma única vez.
· 7 min
Ainda não há nada aqui.
