As 11 camadas — visão geral

TL;DR

Um sistema de IA em produção se monta em onze camadas: Purpose, Prompt, Context, Output, Retrieval, Tool, Workflow vs Agent, Evaluation, Guardrail, Logging, Improvement. As três primeiras definem o que o sistema é, sabe e como se comporta. As quatro do meio executam — produzem output, puxam conhecimento, chamam tools, escolhem entre caminho fixo e agent. As três seguintes controlam — medem, restringem, registram. A última fecha o loop e transforma o sistema one-off em sistema que evolui. Esta nota é o mapa; cada camada tem sua própria nota fina nesta trilha.

O que é o stack

Um AI engineering stack é a sequência de decisões que separa um demo de chatbot de um sistema de IA confiável. Cada camada responde uma pergunta específica e produz um artefato concreto — um documento, um arquivo de configuração, uma rubrica, um schema. O stack inteiro forma o blueprint do sistema antes de uma linha de código ser escrita.

A formalização das 11 camadas usada nesta trilha vem da série Become an AI Engineer do @hooeem, capítulo #18. Outras taxonomias existem (Lilian Weng fala de planning/memory/tool use; Anthropic fala de building blocks/workflows/agents), mas as 11 camadas têm a virtude de serem operacionais: cada uma é um template que você preenche.

As camadas, em uma frase cada

#	Camada	Pergunta que responde
1	Purpose	O que esse sistema é, pra quem, e o que ele NÃO faz
2	Prompt	Como o modelo deve se comportar (role, standards, proibições)
3	Context	O que o modelo precisa saber pra decidir bem
4	Output	Em que formato o modelo entrega a resposta
5	Retrieval	Quando puxar informação externa, de quais fontes, como citar
6	Tool	O que o modelo pode fazer (ações no mundo)
7	Workflow vs Agent	Caminho fixo ou descoberto dinamicamente?
8	Evaluation	Como saber se o output está bom
9	Guardrail	O que o sistema NÃO pode fazer; quando parar
10	Logging	O que registrar de cada run pra debugar e melhorar
11	Improvement	Como o sistema evolui a partir do que aprende

Como elas se conectam

graph TB
    P[Purpose Layer]
    WA[Workflow vs Agent]
    PR[Prompt Layer]
    CT[Context Layer]
    RT[Retrieval Layer]
    TL[Tool Layer]
    OUT[Output Layer]
    EV[Evaluation Layer]
    GR[Guardrail Layer]
    LG[Logging Layer]
    IM[Improvement Layer]

    P --> WA
    WA --> PR
    WA --> CT
    PR --> OUT
    CT --> OUT
    RT --> CT
    TL --> OUT
    OUT --> EV
    OUT --> GR
    EV --> LG
    GR --> LG
    LG --> IM
    IM -.feedback.-> P
    IM -.feedback.-> PR
    IM -.feedback.-> CT

A leitura do grafo:

1. Purpose vem primeiro porque sem ele as outras camadas não têm critério de decisão.
2. Workflow vs Agent é a bifurcação arquitetural — define se o resto do stack monta um pipeline fixo ou um loop autônomo.
3. Prompt, Context, Retrieval, Tool alimentam a geração; Output é o que sai.
4. Evaluation e Guardrail rodam em paralelo no output: uma mede qualidade, a outra checa segurança.
5. Logging captura tudo.
6. Improvement lê os logs e retroalimenta as camadas de definição (Purpose, Prompt, Context).

A ordem em que se monta na prática

Existe uma ordem natural de construção que não é a ordem numérica:

1. Purpose primeiro (sempre).
2. Workflow vs Agent segundo (define a arquitetura).
3. Output terceiro (sabendo o que sai, o resto fica restrito).
4. Prompt + Context quarto (instrução + conhecimento).
5. Retrieval + Tool se necessário (conhecimento externo e ações).
6. Evaluation + Guardrail antes de ir pra qualquer ambiente compartilhado.
7. Logging antes do primeiro usuário real.
8. Improvement após a primeira semana de uso real.

Construir as três camadas de controle (Eval, Guardrail, Logging) antes de expor o sistema é o ponto onde demos viram produtos. Pular essa etapa é a causa raiz de a maioria dos “MVPs de IA” nunca chegarem a prod.

O que esta trilha entrega

• Notas 02 a 12: uma por camada, finas, com 3 perguntas-padrão respondidas (o que é, decisões-chave, onde aprofundar).
• Nota 13: setup completo end-to-end com um exemplo concreto (gerador de newsletter semanal) atravessando todas as 11 camadas.

Veja também

• 02 - Purpose Layer — o que o sistema é — começa aqui
• 08 - Workflow vs Agent Layer — a bifurcação arquitetural
• 13 - Setup completo — do zero ao sistema de produção — recipe end-to-end
• Context Engineering — trilha-irmã sobre o que alimenta a Context Layer
• Anatomia de Agents — trilha-irmã sobre Tool e Workflow vs Agent

Fontes

• @hooeem — Become an AI Engineer (thread), chapter #18 “Building your AI engineering stack”. X/Twitter, 2025.
• Anthropic — Building effective agents (2024). Taxonomia building blocks → workflows → agents.
• Lilian Weng — LLM-powered Autonomous Agents (2023). Componentes planning + memory + tool use.