DockerRAGMCPAPIsAgentesIA & MLFORMAÇÃO EM TEXTO • DO FUNDAMENTO À PRODUÇÃO

Do fundamento à arquitetura de IA.

Aprenda AI Engineering e Agent Engineering em 9 níveis e 32 fases, com uma preparação acadêmica adicional. São 112 aulas em texto, exemplos comentados, laboratórios resolvidos e fontes para aprofundar.

112 aulas e laboratórios9 níveis + preparação8 projetos de portfólio

Explorar o percurso →Ver o mapa conectado ↗

O curso é esta formação completa. Siga o percurso e revise cada etapa no seu ritmo.

Sua formação

0 de 112 aulas concluídas • 0 de 8 projetos

Começar primeira aula

Leitura: Programação JavaScript, contratos e debugging

Seu progresso fica salvo neste navegador. Concluir a leitura não substitui demonstrar o domínio nos exercícios.

SEU PERCURSO

Seu próximo salto começa aqui.

Do primeiro fundamento aos agentes em produção. Explore cada etapa da formação.

Método de estudo e preparação

A formação combina leitura e prática durante 48 semanas sugeridas, com 8 a 12 horas por semana. As oito unidades de preparação acrescentam estudo em ritmo próprio. Os níveis agrupam competências; as fases organizam assuntos e projetos; as aulas são as unidades de estudo. Adapte o ritmo e avance quando conseguir demonstrar domínio nos projetos.

Ritmo recomendado — 8–12 horas por semana: 2h teoria/documentação, 4–6h laboratório, 2–4h projeto e revisão. Se tiver menos tempo, preserve a ordem e estenda a duração.

Como usar o plano

A sequência foi montada por pré-requisitos: não pule fundamentos de API, contexto, ferramentas e avaliação para correr direto para multi-agentes.
Cada fase contém: objetivo, tópicos, prática, projeto e critério de domínio.
Se você já domina um tópico, faça o projeto/critério de domínio. Se passar sem consultar tutorial, avance.
Regra 70/20/10: ~70% construindo, 20% lendo documentação e analisando sistemas, 10% teoria pura.
Mantenha um repositório único de estudos com /notes, /labs, /projects, /evals e /architecture-decisions.
A cada 4 semanas, refaça um pequeno projeto antigo usando o conhecimento novo; isso evidencia evolução e evita aprendizado fragmentado.

Rotina de estudo

Leia documentação oficial primeiro; use textos e exemplos como complemento.
Implemente primeiro sem framework quando possível. Depois reproduza com um SDK/framework e compare trade-offs.
Para cada tema, escreva uma ADR curta: problema, opções, decisão, consequências.
Crie evals desde cedo. Seu aprendizado melhora quando você mede sistemas, não apenas observa demos.
Evite aprender cinco frameworks iguais. Domine conceitos e escolha 1–2 implementações por categoria.
Todo projeto deve incluir README, arquitetura, setup local, testes, riscos conhecidos e custo aproximado.
Quando um tema for “emergente” (ex.: A2A), estude o protocolo e um laboratório; não invista o mesmo tempo de APIs, RAG, tools, evals ou segurança.
A cada trimestre, descarte ferramentas que perderam relevância sem descartar os conceitos subjacentes.

Orientações do planejamento original. A recomendação sobre mídias foi adaptada à formação em texto.

Ambiente dos laboratórios

Stack base sugerida — TypeScript ou Python para IA; PostgreSQL + pgvector; Redis; Docker; uma fila; OpenAI/Anthropic/Gemini via API; n8n; GitHub Actions. Use frameworks somente depois de dominar a API direta.

Esta stack é para os projetos de aprendizagem. O site continua sem banco de dados e com progresso local.

Projetos de portfólio

Capstone 1 — LLM Application: API de atendimento com structured output, testes, logs e fallback.
APIsIA & MLAvaliação
Roteiro de entrega e avaliação
Uma loja precisa responder consultas de pedido sem inventar estados quando a API está indisponível.
Marcos cumulativos
1. Defina o contrato de entrada, identidade e saída estruturada.
2. Implemente consulta e fallback antes de conectar geração.
3. Integre o modelo escolhido e compare a execução com o runner offline.
Evidências exigidas
- Requisição válida e inválida com status e schema conferidos.
- API indisponível retorna pendência explícita, sem confirmar entrega.
- Trace relaciona request, evidência consultada e resposta, sem segredo no log.
Impede demonstrar domínio: A resposta afirma um estado de pedido que não foi confirmado ou mostra dados de outro usuário.
Insuficiente: somente copiar exemplos. Aceitável: resolver e demonstrar todos os critérios. Forte: acrescentar contraexemplos e defender os compromissos da solução.
Capstone 2 — AI Coding System: Repositório com AGENTS.md, rules, skills, specs e fluxo de implementação/review.
AgentesIA & MLProgramação
Roteiro de entrega e avaliação
A equipe vai adicionar cancelamento de pedido a um repositório existente com ajuda de IA.
Marcos cumulativos
1. Documente exploração e contrato em uma spec antes da alteração.
2. Crie instruções e uma skill pequena com entradas e limites.
3. Implemente um incremento revisável, rode checks e faça revisão independente do diff.
Evidências exigidas
- Spec liga cada requisito a arquivo, comportamento e evidência.
- Teste de regressão falha antes da correção e passa depois dela.
- Review registra ao menos um contraexemplo ou explica por que a mudança conserva contratos.
Impede demonstrar domínio: A entrega declara testes aprovados que não foram executados ou muda requisitos para esconder uma falha.
Insuficiente: somente copiar exemplos. Aceitável: resolver e demonstrar todos os critérios. Forte: acrescentar contraexemplos e defender os compromissos da solução.
Capstone 3 — Knowledge Assistant: RAG com pgvector, hybrid retrieval, reranking, memória seletiva e evals.
PostgreSQLRAGAvaliação
Roteiro de entrega e avaliação
Duas organizações consultam manuais com versões conflitantes e documentos privados.
Marcos cumulativos
1. Prepare corpus com origem, tenant e versão.
2. Implemente recuperação e compare busca exata/híbrida antes do reranking.
3. Acrescente geração com citação e memória seletiva sem alterar autorização.
Evidências exigidas
- Conjunto por ID com trecho esperado e pergunta sem resposta.
- Relatório separa falha de recuperação e falha de geração.
- Consulta cruzada não expõe o documento privado; memória expirada não reaparece.
Impede demonstrar domínio: Documento não autorizado chega ao contexto ou uma citação não sustenta a afirmação feita.
Insuficiente: somente copiar exemplos. Aceitável: resolver e demonstrar todos os critérios. Forte: acrescentar contraexemplos e defender os compromissos da solução.
Capstone 4 — Agent Platform: Agente com tools, approvals, state, tracing, subagents e workflow persistente.
AgentesAutomação
Roteiro de entrega e avaliação
Um agente prepara uma compra, espera aprovação e enfrenta timeout depois do efeito.
Marcos cumulativos
1. Separe planejamento, aprovação e execução da tool.
2. Persista checkpoint e recibo do efeito em papéis distintos.
3. Adicione subagente e orçamento somente depois de provar a retomada simples.
Evidências exigidas
- Retomada em processo novo conserva identidade e estado.
- Alterar quantidade invalida a aprovação anterior.
- Timeout após o efeito produz reconciliação, comprovando uma única compra no ledger.
Impede demonstrar domínio: A retomada duplica o efeito ou reutiliza aprovação para payload diferente.
Insuficiente: somente copiar exemplos. Aceitável: resolver e demonstrar todos os critérios. Forte: acrescentar contraexemplos e defender os compromissos da solução.
Capstone 5 — MCP Integration: MCP Server seguro expondo ferramentas reais de uma aplicação.
MCP
Roteiro de entrega e avaliação
Um cliente MCP consulta pedidos e solicita uma atualização limitada por escopo.
Marcos cumulativos
1. Defina tools, resources, schemas e fronteiras de identidade.
2. Execute cliente e servidor separados no transporte escolhido.
3. Teste descoberta, erro de domínio, autorização e timeout.
Evidências exigidas
- Handshake e versão negociada registrados junto da execução.
- Argumento inválido é rejeitado e URI privada não é lida por outro usuário.
- Resultado observado pelo cliente corresponde ao estado da aplicação.
Impede demonstrar domínio: Texto do modelo determina o tenant autorizado ou uma falha é convertida em sucesso.
Insuficiente: somente copiar exemplos. Aceitável: resolver e demonstrar todos os critérios. Forte: acrescentar contraexemplos e defender os compromissos da solução.
Capstone 6 — Business Automation: n8n + APIs + agente + human-in-the-loop + observabilidade.
n8nAPIsAgentesAvaliação
Roteiro de entrega e avaliação
Um workflow de atendimento consulta contexto e propõe uma ação que requer decisão humana.
Marcos cumulativos
1. Configure gatilho, identidade confiável e contrato dos itens.
2. Conecte memória/recuperação e teste duas sessões antes da geração.
3. Vincule aprovação à ação e publique o caminho de erro e reconciliação.
Evidências exigidas
- Itens de duas sessões não compartilham histórico nem documentos privados.
- Aprovação expirada ou de payload alterado bloqueia a escrita.
- Execuções reais do workflow registram nós, inputs, outputs e falhas; simulador é identificado à parte.
Impede demonstrar domínio: Fluxo age sem aprovação válida ou a entrega chama simulador local de execução n8n.
Insuficiente: somente copiar exemplos. Aceitável: resolver e demonstrar todos os critérios. Forte: acrescentar contraexemplos e defender os compromissos da solução.
Capstone 7 — Production AI: Gateway multi-model, evals, guardrails, tracing, orçamento e deploy.
IA & MLSegurançaAvaliação
Roteiro de entrega e avaliação
Uma versão nova mantém a média de acertos, mas regride em autorização e custo.
Marcos cumulativos
1. Versione casos, prompts e artefatos e estabeleça condições críticas.
2. Adicione gateway, limites e métricas por segmento.
3. Implemente gate, rollout gradual e rollback verificável.
Evidências exigidas
- Runner conserva denominadores, IDs e relatório por categoria.
- Regressão crítica bloqueia publicação apesar da média.
- Limite de custo por request declarado, reserva e consumo medidos; estouro bloqueia nova chamada e não elimina o recibo de uma ação já executada.
- Falha provocada durante rollout aciona rollback e mantém rastreabilidade.
Impede demonstrar domínio: A média global compensa violação crítica ou um alias muda o artefato aprovado sem nova avaliação.
Insuficiente: somente copiar exemplos. Aceitável: resolver e demonstrar todos os critérios. Forte: acrescentar contraexemplos e defender os compromissos da solução.
Capstone final — AI SaaS multi-tenant: Arquitetura completa: API, workers, queues, RAG, agents, MCP, auth, evals, observabilidade, CI/CD e documentação de decisões.
RAGMCPAPIsAgentes
Roteiro de entrega e avaliação
Integre os projetos anteriores em um serviço de atendimento multi-tenant com retomada, recuperação e operação documentada.
Marcos cumulativos
1. Congele contratos e faça ADRs sobre dados, filas, isolamento e orçamento.
2. Integre uma fatia vertical antes de expandir ferramentas e provedores.
3. Execute recuperação de falhas, backup/restauração, avaliação e rollout com o mesmo artefato versionado.
Evidências exigidas
- Um request autorizado percorre API, fila, worker, recuperação e resposta com um trace correlacionado.
- Reentrega, reinício e timeout não duplicam escrita nem misturam tenants.
- Backup restaurado em ambiente limpo conserva dados e recibos; retomar uma tarefa restaurada não duplica seu efeito e os resultados conferem com o inventário anterior.
- Runbook identifica sinais, responsáveis, comandos de recuperação e resultados efetivamente observados.
Impede demonstrar domínio: Não há evidência integrada da fatia vertical ou os limites dos testes são apresentados como garantias de produção.
Insuficiente: somente copiar exemplos. Aceitável: resolver e demonstrar todos os critérios. Forte: acrescentar contraexemplos e defender os compromissos da solução.

Escala profissional e checklist de domínio

A escala profissional abaixo é diferente dos nove níveis curriculares. Ela descreve competências demonstradas.

Nível 0 — Consumidor: Usa ChatGPT/Copilot, mas não constrói sistemas.
Nível 1 — AI Developer: Integra LLMs por API, structured outputs e tool calling.
Nível 2 — AI Application Engineer: Constrói RAG, memória, contexto e automações confiáveis.
Nível 3 — Agent Engineer: Projeta loops, tools, harness, MCP e orchestration.
Nível 4 — Production AI Engineer: Domina evals, observabilidade, segurança, custos, filas, workers e deploy.
Nível 5 — AI Architect: Desenha plataformas multi-tenant, gateways, políticas, integração entre agentes e operação em escala.
Nível 6 — Especialista: Consegue criar abstrações/harnesses próprios, investigar falhas sistêmicas e definir padrões técnicos para equipes.

Checklist final

Explico LLMs, tokens, contexto, embeddings e inferência sem depender de analogias vagas.
Integro múltiplos providers diretamente por API e produzo saídas estruturadas confiáveis.
Projeto contexto e memória conscientemente.
Utilizo coding agents com rules, skills, specs e validações.
Projeto tools pequenas, seguras, observáveis e idempotentes.
Construo e avalio RAG além do “vector search + prompt”.
Construo agente único robusto antes de decidir por multi-agent.
Consigo implementar flows equivalentes em Agents SDK / ADK / LangGraph e justificar escolha.
Crio e protejo MCP Servers.
Entendo onde A2A agrega interoperabilidade.
Combino workflows determinísticos e agentic em n8n.
Meço qualidade com evals e golden datasets.
Investigo falhas com tracing, logs, custo e latência.
Faço threat modeling e aplico guardrails reais, além de prompts de recusa.
Roteio modelos e controlo custo sem derrubar qualidade.
Opero filas, workers, cache, persistência, CI/CD e rollback.
Desenho arquitetura de AI SaaS com segurança, resiliência e multi-tenancy.
Tenho base suficiente de ML/estatística para compreender métricas e conversar com times de ML.

DockerRAGMCPAPIsAgentesIA & MLFORMAÇÃO EM TEXTO • DO FUNDAMENTO À PRODUÇÃO

Do fundamento à arquitetura de IA.

112 aulas e laboratórios9 níveis + preparação8 projetos de portfólio

Explorar o percurso →Ver o mapa conectado ↗

O curso é esta formação completa. Siga o percurso e revise cada etapa no seu ritmo.

Sua formação

0 de 112 aulas concluídas • 0 de 8 projetos

Começar primeira aula

Leitura: Programação JavaScript, contratos e debugging

Seu progresso fica salvo neste navegador. Concluir a leitura não substitui demonstrar o domínio nos exercícios.

SEU PERCURSO

Seu próximo salto começa aqui.

Do primeiro fundamento aos agentes em produção. Explore cada etapa da formação.

Método de estudo e preparação

Ritmo recomendado — 8–12 horas por semana: 2h teoria/documentação, 4–6h laboratório, 2–4h projeto e revisão. Se tiver menos tempo, preserve a ordem e estenda a duração.

Como usar o plano

A sequência foi montada por pré-requisitos: não pule fundamentos de API, contexto, ferramentas e avaliação para correr direto para multi-agentes.
Cada fase contém: objetivo, tópicos, prática, projeto e critério de domínio.
Se você já domina um tópico, faça o projeto/critério de domínio. Se passar sem consultar tutorial, avance.
Regra 70/20/10: ~70% construindo, 20% lendo documentação e analisando sistemas, 10% teoria pura.
Mantenha um repositório único de estudos com /notes, /labs, /projects, /evals e /architecture-decisions.
A cada 4 semanas, refaça um pequeno projeto antigo usando o conhecimento novo; isso evidencia evolução e evita aprendizado fragmentado.

Rotina de estudo

Leia documentação oficial primeiro; use textos e exemplos como complemento.
Implemente primeiro sem framework quando possível. Depois reproduza com um SDK/framework e compare trade-offs.
Para cada tema, escreva uma ADR curta: problema, opções, decisão, consequências.
Crie evals desde cedo. Seu aprendizado melhora quando você mede sistemas, não apenas observa demos.
Evite aprender cinco frameworks iguais. Domine conceitos e escolha 1–2 implementações por categoria.
Todo projeto deve incluir README, arquitetura, setup local, testes, riscos conhecidos e custo aproximado.
Quando um tema for “emergente” (ex.: A2A), estude o protocolo e um laboratório; não invista o mesmo tempo de APIs, RAG, tools, evals ou segurança.
A cada trimestre, descarte ferramentas que perderam relevância sem descartar os conceitos subjacentes.

Orientações do planejamento original. A recomendação sobre mídias foi adaptada à formação em texto.

Ambiente dos laboratórios

Esta stack é para os projetos de aprendizagem. O site continua sem banco de dados e com progresso local.

Projetos de portfólio

Capstone 1 — LLM Application: API de atendimento com structured output, testes, logs e fallback.
APIsIA & MLAvaliação
Roteiro de entrega e avaliação
Uma loja precisa responder consultas de pedido sem inventar estados quando a API está indisponível.
Marcos cumulativos
1. Defina o contrato de entrada, identidade e saída estruturada.
2. Implemente consulta e fallback antes de conectar geração.
3. Integre o modelo escolhido e compare a execução com o runner offline.
Evidências exigidas
- Requisição válida e inválida com status e schema conferidos.
- API indisponível retorna pendência explícita, sem confirmar entrega.
- Trace relaciona request, evidência consultada e resposta, sem segredo no log.
Impede demonstrar domínio: A resposta afirma um estado de pedido que não foi confirmado ou mostra dados de outro usuário.
Insuficiente: somente copiar exemplos. Aceitável: resolver e demonstrar todos os critérios. Forte: acrescentar contraexemplos e defender os compromissos da solução.
Capstone 2 — AI Coding System: Repositório com AGENTS.md, rules, skills, specs e fluxo de implementação/review.
AgentesIA & MLProgramação
Roteiro de entrega e avaliação
A equipe vai adicionar cancelamento de pedido a um repositório existente com ajuda de IA.
Marcos cumulativos
1. Documente exploração e contrato em uma spec antes da alteração.
2. Crie instruções e uma skill pequena com entradas e limites.
3. Implemente um incremento revisável, rode checks e faça revisão independente do diff.
Evidências exigidas
- Spec liga cada requisito a arquivo, comportamento e evidência.
- Teste de regressão falha antes da correção e passa depois dela.
- Review registra ao menos um contraexemplo ou explica por que a mudança conserva contratos.
Impede demonstrar domínio: A entrega declara testes aprovados que não foram executados ou muda requisitos para esconder uma falha.
Insuficiente: somente copiar exemplos. Aceitável: resolver e demonstrar todos os critérios. Forte: acrescentar contraexemplos e defender os compromissos da solução.
Capstone 3 — Knowledge Assistant: RAG com pgvector, hybrid retrieval, reranking, memória seletiva e evals.
PostgreSQLRAGAvaliação
Roteiro de entrega e avaliação
Duas organizações consultam manuais com versões conflitantes e documentos privados.
Marcos cumulativos
1. Prepare corpus com origem, tenant e versão.
2. Implemente recuperação e compare busca exata/híbrida antes do reranking.
3. Acrescente geração com citação e memória seletiva sem alterar autorização.
Evidências exigidas
- Conjunto por ID com trecho esperado e pergunta sem resposta.
- Relatório separa falha de recuperação e falha de geração.
- Consulta cruzada não expõe o documento privado; memória expirada não reaparece.
Impede demonstrar domínio: Documento não autorizado chega ao contexto ou uma citação não sustenta a afirmação feita.
Insuficiente: somente copiar exemplos. Aceitável: resolver e demonstrar todos os critérios. Forte: acrescentar contraexemplos e defender os compromissos da solução.
Capstone 4 — Agent Platform: Agente com tools, approvals, state, tracing, subagents e workflow persistente.
AgentesAutomação
Roteiro de entrega e avaliação
Um agente prepara uma compra, espera aprovação e enfrenta timeout depois do efeito.
Marcos cumulativos
1. Separe planejamento, aprovação e execução da tool.
2. Persista checkpoint e recibo do efeito em papéis distintos.
3. Adicione subagente e orçamento somente depois de provar a retomada simples.
Evidências exigidas
- Retomada em processo novo conserva identidade e estado.
- Alterar quantidade invalida a aprovação anterior.
- Timeout após o efeito produz reconciliação, comprovando uma única compra no ledger.
Impede demonstrar domínio: A retomada duplica o efeito ou reutiliza aprovação para payload diferente.
Insuficiente: somente copiar exemplos. Aceitável: resolver e demonstrar todos os critérios. Forte: acrescentar contraexemplos e defender os compromissos da solução.
Capstone 5 — MCP Integration: MCP Server seguro expondo ferramentas reais de uma aplicação.
MCP
Roteiro de entrega e avaliação
Um cliente MCP consulta pedidos e solicita uma atualização limitada por escopo.
Marcos cumulativos
1. Defina tools, resources, schemas e fronteiras de identidade.
2. Execute cliente e servidor separados no transporte escolhido.
3. Teste descoberta, erro de domínio, autorização e timeout.
Evidências exigidas
- Handshake e versão negociada registrados junto da execução.
- Argumento inválido é rejeitado e URI privada não é lida por outro usuário.
- Resultado observado pelo cliente corresponde ao estado da aplicação.
Impede demonstrar domínio: Texto do modelo determina o tenant autorizado ou uma falha é convertida em sucesso.
Insuficiente: somente copiar exemplos. Aceitável: resolver e demonstrar todos os critérios. Forte: acrescentar contraexemplos e defender os compromissos da solução.
Capstone 6 — Business Automation: n8n + APIs + agente + human-in-the-loop + observabilidade.
n8nAPIsAgentesAvaliação
Roteiro de entrega e avaliação
Um workflow de atendimento consulta contexto e propõe uma ação que requer decisão humana.
Marcos cumulativos
1. Configure gatilho, identidade confiável e contrato dos itens.
2. Conecte memória/recuperação e teste duas sessões antes da geração.
3. Vincule aprovação à ação e publique o caminho de erro e reconciliação.
Evidências exigidas
- Itens de duas sessões não compartilham histórico nem documentos privados.
- Aprovação expirada ou de payload alterado bloqueia a escrita.
- Execuções reais do workflow registram nós, inputs, outputs e falhas; simulador é identificado à parte.
Impede demonstrar domínio: Fluxo age sem aprovação válida ou a entrega chama simulador local de execução n8n.
Insuficiente: somente copiar exemplos. Aceitável: resolver e demonstrar todos os critérios. Forte: acrescentar contraexemplos e defender os compromissos da solução.
Capstone 7 — Production AI: Gateway multi-model, evals, guardrails, tracing, orçamento e deploy.
IA & MLSegurançaAvaliação
Roteiro de entrega e avaliação
Uma versão nova mantém a média de acertos, mas regride em autorização e custo.
Marcos cumulativos
1. Versione casos, prompts e artefatos e estabeleça condições críticas.
2. Adicione gateway, limites e métricas por segmento.
3. Implemente gate, rollout gradual e rollback verificável.
Evidências exigidas
- Runner conserva denominadores, IDs e relatório por categoria.
- Regressão crítica bloqueia publicação apesar da média.
- Limite de custo por request declarado, reserva e consumo medidos; estouro bloqueia nova chamada e não elimina o recibo de uma ação já executada.
- Falha provocada durante rollout aciona rollback e mantém rastreabilidade.
Impede demonstrar domínio: A média global compensa violação crítica ou um alias muda o artefato aprovado sem nova avaliação.
Insuficiente: somente copiar exemplos. Aceitável: resolver e demonstrar todos os critérios. Forte: acrescentar contraexemplos e defender os compromissos da solução.
Capstone final — AI SaaS multi-tenant: Arquitetura completa: API, workers, queues, RAG, agents, MCP, auth, evals, observabilidade, CI/CD e documentação de decisões.
RAGMCPAPIsAgentes
Roteiro de entrega e avaliação
Integre os projetos anteriores em um serviço de atendimento multi-tenant com retomada, recuperação e operação documentada.
Marcos cumulativos
1. Congele contratos e faça ADRs sobre dados, filas, isolamento e orçamento.
2. Integre uma fatia vertical antes de expandir ferramentas e provedores.
3. Execute recuperação de falhas, backup/restauração, avaliação e rollout com o mesmo artefato versionado.
Evidências exigidas
- Um request autorizado percorre API, fila, worker, recuperação e resposta com um trace correlacionado.
- Reentrega, reinício e timeout não duplicam escrita nem misturam tenants.
- Backup restaurado em ambiente limpo conserva dados e recibos; retomar uma tarefa restaurada não duplica seu efeito e os resultados conferem com o inventário anterior.
- Runbook identifica sinais, responsáveis, comandos de recuperação e resultados efetivamente observados.
Impede demonstrar domínio: Não há evidência integrada da fatia vertical ou os limites dos testes são apresentados como garantias de produção.
Insuficiente: somente copiar exemplos. Aceitável: resolver e demonstrar todos os critérios. Forte: acrescentar contraexemplos e defender os compromissos da solução.

Escala profissional e checklist de domínio

A escala profissional abaixo é diferente dos nove níveis curriculares. Ela descreve competências demonstradas.

Nível 0 — Consumidor: Usa ChatGPT/Copilot, mas não constrói sistemas.
Nível 1 — AI Developer: Integra LLMs por API, structured outputs e tool calling.
Nível 2 — AI Application Engineer: Constrói RAG, memória, contexto e automações confiáveis.
Nível 3 — Agent Engineer: Projeta loops, tools, harness, MCP e orchestration.
Nível 4 — Production AI Engineer: Domina evals, observabilidade, segurança, custos, filas, workers e deploy.
Nível 5 — AI Architect: Desenha plataformas multi-tenant, gateways, políticas, integração entre agentes e operação em escala.
Nível 6 — Especialista: Consegue criar abstrações/harnesses próprios, investigar falhas sistêmicas e definir padrões técnicos para equipes.

Checklist final

Explico LLMs, tokens, contexto, embeddings e inferência sem depender de analogias vagas.
Integro múltiplos providers diretamente por API e produzo saídas estruturadas confiáveis.
Projeto contexto e memória conscientemente.
Utilizo coding agents com rules, skills, specs e validações.
Projeto tools pequenas, seguras, observáveis e idempotentes.
Construo e avalio RAG além do “vector search + prompt”.
Construo agente único robusto antes de decidir por multi-agent.
Consigo implementar flows equivalentes em Agents SDK / ADK / LangGraph e justificar escolha.
Crio e protejo MCP Servers.
Entendo onde A2A agrega interoperabilidade.
Combino workflows determinísticos e agentic em n8n.
Meço qualidade com evals e golden datasets.
Investigo falhas com tracing, logs, custo e latência.
Faço threat modeling e aplico guardrails reais, além de prompts de recusa.
Roteio modelos e controlo custo sem derrubar qualidade.
Opero filas, workers, cache, persistência, CI/CD e rollback.
Desenho arquitetura de AI SaaS com segurança, resiliência e multi-tenancy.
Tenho base suficiente de ML/estatística para compreender métricas e conversar com times de ML.

Do fundamento à arquitetura de IA.

Sua formação

Seu próximo salto começa aqui.

Como usar o plano

Rotina de estudo

Ambiente dos laboratórios

Projetos de portfólio

Marcos cumulativos

Evidências exigidas

Marcos cumulativos

Evidências exigidas

Marcos cumulativos

Evidências exigidas

Marcos cumulativos

Evidências exigidas

Marcos cumulativos

Evidências exigidas

Marcos cumulativos

Evidências exigidas

Marcos cumulativos

Evidências exigidas

Marcos cumulativos

Evidências exigidas

Checklist final

Do fundamento à arquitetura de IA.

Sua formação

Seu próximo salto começa aqui.

Como usar o plano

Rotina de estudo

Ambiente dos laboratórios

Projetos de portfólio

Marcos cumulativos

Evidências exigidas

Marcos cumulativos

Evidências exigidas

Marcos cumulativos

Evidências exigidas

Marcos cumulativos

Evidências exigidas

Marcos cumulativos

Evidências exigidas

Marcos cumulativos

Evidências exigidas

Marcos cumulativos

Evidências exigidas

Marcos cumulativos

Evidências exigidas

Checklist final