LLMs e Agentes de IA

Entenda a arquitetura Transformer, tokenização, embeddings e o mecanismo de atenção. Esta aula introdutória desmistifica os conceitos por trás dos LLMs e estabelece uma base sólida para construir aplicações de IA generativa de verdade.

Entenda a arquitetura Transformer, tokenização, embeddings e o mecanismo de atenção, e como os modelos de linguagem aprendem a prever e gerar texto.

• Tokenização, embeddings e janelas de contexto
• Atenção, Transformers e geração de texto
• Modelos abertos vs. APIs: como escolher

Aprenda técnicas de prompting que funcionam: few-shot, chain-of-thought e saídas estruturadas. Você vai escrever prompts robustos e reduzir alucinações em aplicações reais.

• Few-shot, chain-of-thought e role prompting
• Saídas estruturadas e function calling
• Como reduzir alucinações e medir qualidade

Conecte LLMs aos seus dados com RAG. Aprenda chunking, embeddings, bancos vetoriais e estratégias de recuperação para respostas fundamentadas e atualizadas.

• Chunking, embeddings e bancos vetoriais
• Estratégias de busca e reranking
• Grounding e citação de fontes nas respostas

Construa agentes que raciocinam, planejam e usam ferramentas. Aprenda os padrões ReAct e de planejamento, memória e orquestração de múltiplos passos.

Dê superpoderes aos seus agentes conectando-os a ferramentas, APIs e bases de conhecimento. Aprenda function calling, orquestração e memória de longo prazo.

Aprenda a avaliar agentes e LLMs com métricas e datasets de teste, adicionar guardrails de segurança e levar suas aplicações para produção com confiabilidade.

• Arquiteturas de agentes: ReAct, planejamento e uso de ferramentas
• Avaliação de LLMs: métricas, datasets e LLM-as-judge
• Guardrails, segurança e monitoramento em produção

Coloque tudo em prática construindo um agente completo com RAG e uso de ferramentas. Você sai com um projeto de portfólio pronto para o mundo real e feedback personalizado dos instrutores.