Respostas rápidas para decisões de engenharia de AI

Escolha a pergunta que precisa de responder. Cada guia apresenta uma recomendação inicial, explica quando esta muda e inclui uma ligação para um artigo detalhado. Estas são opções para testar na sua própria tarefa, não uma classificação de vencedores universais.

Agentes de AI

• Preciso de um agente ou de um workflow fixo?

  Use um workflow fixo quando conseguir definir os passos e as ramificações. Considere passos escolhidos pelo modelo quando as regras fixas não conseguem tratar a tarefa de forma fiável.

• Com que framework de agentes devo começar?

  Escolha com base no controlo de que precisa sobre os passos, o progresso guardado e a recuperação. Compare um SDK pequeno com um workflow baseado em grafos antes de adicionar mais componentes.

• Que ferramenta de avaliação de agentes devo usar?

  Comece pelo objetivo: inspecionar execuções, testar alterações ou verificar ações de ferramentas. Uma ferramenta pode ajudar a executar os seus testes; ainda assim, precisa de definir o que constitui uma tarefa bem-sucedida.

• Como devo proteger um agente de AI?

  Limite aquilo que as respetivas ferramentas podem fazer. Verifique as permissões antes das ações, isole a execução de código e peça aprovação quando as consequências o exigirem.

• Devo usar function calling, MCP, uma CLI ou skills?

  Estes mecanismos têm finalidades diferentes e podem funcionar em conjunto. Escolha separadamente a forma de expor uma ferramenta e as instruções que explicam quando a utilizar.

• Quando é útil o raciocínio orientado por schema?

  Use-o quando precisar de verificar campos intermédios antes de executar uma ação. Uma estrutura válida continua a exigir verificações de evidências e regras da aplicação.

Retrieval e documentos

• Que modelo de NER é adequado para as minhas entidades?

  Comece pelas suas labels e exemplos. Labels estáveis, labels variáveis, spans sobrepostos e factos inferidos entre frases exigem testes diferentes.

• Que ferramenta de OCR é adequada para os meus documentos?

  Teste o output de que precisa: texto, ordem de leitura, tabelas ou campos específicos. Digitalizações limpas e layouts de página complexos podem exigir abordagens diferentes.

• Preciso de RAG básico, RAG agentic ou GraphRAG?

  Comece por uma única passagem de retrieval. Considere pesquisas repetidas quando as perguntas seguintes dependem dos resultados anteriores, ou GraphRAG quando precisar de resumos sobre uma coleção.

• Que ferramentas e métricas de avaliação de RAG devo usar?

  Verifique as evidências recuperadas separadamente da resposta gerada. Escolha as métricas com base na falha que precisa de encontrar e nos dados de referência de que dispõe.

• Quando devo adicionar embeddings ou um reranker?

  Meça primeiro um baseline de pesquisa por palavras-chave. Adicione outra etapa apenas quando esta resolver um problema de retrieval ou ranking medido dentro do seu orçamento de tempo.

Modelos e ferramentas locais

• Que ferramenta local de LLM devo usar no macOS?

  Escolha com base na forma como pretende trabalhar: uma interface de desktop, uma API local ou código Python. Confirme que o modelo selecionado funciona efetivamente no seu Mac.

• Que formato de quantização de LLM devo usar?

  Verifique primeiro o que o seu runtime e hardware suportam. Depois compare o consumo de memória, a velocidade e a qualidade na sua tarefa.

• Devo usar prompting, RAG ou fine-tuning?

  Experimente prompting para instruções, retrieval para conhecimento em falta e fine-tuning para comportamentos que consiga demonstrar com exemplos. Poderá precisar de mais do que uma abordagem.

Para consultar as explicações completas, explore os artigos longos.