Codex Technomanticus

Trilha IA

Leitura de 10 min

Trilha IA

Roadmap estruturado para um fullstack senior sair de zero conhecimento em IA até domínio operacional em ~9-12 meses de estudo consistente (10-15h/semana). Esta é a trilha que eu seguiria hoje se tivesse que recomeçar. Otimizada para shipping features com IA em produção, não para virar ML researcher. Cada fase tem objetivo claro, checkpoints de progresso, e links para as notas evergreen correspondentes.

Princípios da trilha

  1. Top-down, não bottom-up. Não começar por matemática. Começar por intuição e uso; desce para fundamentos só quando precisa.
  2. Praticar desde o dia 1. Cada fase tem projetos. Conhecimento sem aplicação evapora.
  3. Uma ferramenta a fundo antes de espalhar. Dominar Claude Code + Anthropic SDK antes de tentar cobrir OpenAI, Gemini, frameworks.
  4. RAG antes de fine-tuning. Custo-benefício real.
  5. Evaluation desde cedo. Sem golden set é superstição.
  6. Construir portfolio público. Repos, blog posts, exemplos — isso destrava oportunidades.
  7. Inglês técnico junto. Ler papers, docs, posts em inglês. É onde o conhecimento vive.

Como usar este roadmap

  • Não pule fases. Cada uma depende da anterior.
  • Marque checkpoints. Só avance quando atender o “Check”.
  • Se travar, revisite fase anterior. Gaps de fundamento aparecem como dor em fases avançadas.
  • Adapte ritmo. 10h/semana = ~12 meses; 20h/semana = ~6 meses.
  • Documente. Blog ou notas pessoais; ensinar solidifica.

Visão geral (12 meses)

Mês 1     | Fase 0: Cultura e intuição
Mês 2-3   | Fase 1: Fundamentos conceituais
Mês 4-5   | Fase 2: LLMs hands-on (APIs, prompting)
Mês 6-7   | Fase 3: RAG e knowledge bases
Mês 8-9   | Fase 4: Agents e orquestração
Mês 10-11 | Fase 5: Produção (eval, custo, segurança)
Mês 12+   | Fase 6: Especialização

Fase 0 — Cultura e intuição (1-2 semanas)

Objetivo: calibrar radar. Saber distinguir sinal de hype. Entender o vocabulário.

O que fazer

Notas de apoio

Checkpoint

Você consegue explicar para um colega não-técnico a diferença entre “machine learning”, “deep learning” e “LLM” com exemplos concretos. Você identifica buzzwords vs substância em posts sobre IA.

Fase 1 — Fundamentos conceituais (4-6 semanas)

Objetivo: modelo mental correto de ML, deep learning, e como LLMs se encaixam.

O que fazer na Fase 1

Estude (~80% do tempo):

  • ML básico: supervised/unsupervised/RL, training/validation/test, overfitting, métricas (accuracy, precision, recall, F1).
  • Deep learning geral: rede neural, backprop (intuição), loss, ativação.
  • Tokenização, embeddings, similaridade de cosseno.
  • Transformer e attention (intuitivamente).
  • Pretraining → fine-tuning → RLHF — entender por que modelos se comportam como se comportam.

Pratique (~20%):

  • Sklearn: classificar um dataset próprio (spam, sentiment, etc.).
  • Tokenizar texto com tiktoken e analisar.
  • Calcular cosine similarity entre embeddings de frases.

Recursos principais (Fase 1)

Notas de apoio (Fase 1)

Checkpoint da Fase 1

Você lê um tweet sobre GPT-5 ou Claude 5 e entende o que está sendo discutido sem precisar pesquisar termos. Você explica CoT, attention, context window, RLHF em linguagem simples.

Fase 2 — LLMs hands-on (6-8 semanas)

Objetivo: proficiência real em usar LLMs, via chat e via API.

O que fazer na Fase 2

Prompting:

  • Zero-shot, few-shot, chain-of-thought, self-consistency.
  • System prompts estruturados (role + rules + format + examples).
  • XML delimiters.
  • Output constraints.

API:

  • Anthropic Messages API — chat básico, streaming, tool use, structured outputs.
  • OpenAI Chat Completions — paralelo, comparar.
  • Parâmetros: temperature, top_p, max_tokens, stop, system.
  • Prompt caching.

Projetos (obrigatório fazer pelo menos 3):

  1. Chatbot terminal com histórico — streaming, Claude API.
  2. Classificador de tickets — few-shot com structured outputs. Construa golden set de 30 exemplos, meça accuracy.
  3. Extrator estruturado de PDFs — recebe texto livre, retorna JSON validado por schema.
  4. Sumarizador com chunking — processa doc longo via chunk → summary → consolidate.

Recursos da Fase 2

Notas de apoio (Fase 2)

Checkpoint da Fase 2

Você consegue levantar uma feature de IA em projeto real num dia. Escolhe modelo justificadamente. Seus prompts têm estrutura clara. Você mede accuracy/faithfulness contra golden set antes de dar deploy.

Fase 3 — RAG e bases de conhecimento (6-8 semanas)

Objetivo: dominar retrieval-augmented generation. Injetar dados do seu domínio em LLMs.

O que fazer na Fase 3

Fundamentos:

  • Embeddings: modelos, dimensões, custo.
  • Vector databases: pgvector, Pinecone, Qdrant — escolher e usar.
  • Chunking: fixed, recursive, semantic, structure-aware.
  • Hybrid search (BM25 + vector), reranking.
  • Query rewriting, HyDE.

Evaluation:

  • Ragas: context precision, recall, faithfulness.
  • Golden set com (pergunta, resposta, chunks esperados).
  • Medir retrieval separado de generation.

Projeto principal:

  • QA sobre base de docs reais — ~100 documentos (manuais, wiki, FAQs).
    • Indexar com structure-aware chunking.
    • Hybrid search + Cohere Rerank.
    • Citação de fonte obrigatória.
    • Golden set de 30 perguntas com respostas esperadas.
    • Ragas rodando em CI.

Recursos da Fase 3

Notas de apoio (Fase 3)

Checkpoint da Fase 3

Você desenha RAG justificando cada escolha (chunk size, retrieval strategy, rerank). Implementa evaluation rigoroso. Seu RAG funciona melhor que “pure vector” em dataset próprio com evidência quantitativa.

Fase 4 — Agents e orquestração (6-8 semanas)

Objetivo: construir sistemas que raciocinam, usam ferramentas e iteram autonomamente.

O que fazer na Fase 4

Fundamentos:

  • ReAct pattern, tool use nativo.
  • Tool design: descrição, schemas, outputs compactos.
  • Memory: working memory + persistent notes.
  • Planning: plan-then-execute vs dynamic.
  • Guardrails: max_steps, sandboxing, human-in-the-loop.
  • MCP (Model Context Protocol): clients, servers, primitivos.

Projetos:

  1. Agent de research — recebe pergunta, usa web search + read_url + record_finding, responde com citações. Construa do zero com Anthropic SDK, sem framework.
  2. MCP server próprio — expõe 3 tools de um domínio que você conhece. Conecte a Claude Code ou Claude Desktop e use de verdade.
  3. Agent de coding restrito — recebe bug report + arquivo, propõe diff. Sandboxed. Human review antes de aplicar.

Recursos da Fase 4

Notas de apoio (Fase 4)

Checkpoint da Fase 4

Você consegue construir um agent do zero, sem framework, e explicar cada decisão. Entende onde agents falham em produção. Tem um MCP server próprio rodando em uso real.

Fase 5 — Produção (6-8 semanas)

Objetivo: operar sistemas com IA em produção com confiança. Custo, latência, segurança, evaluation.

O que fazer na Fase 5

Observabilidade:

  • Integrar Langfuse ou LangSmith em projeto real.
  • Tracing: cada chamada LLM com input, output, tokens, latência, custo.
  • Dashboards: cost per feature, error rate, p99 latency.

Evaluation contínua:

  • Prompts como código (git, review, versionado).
  • Golden sets por feature, rodados em CI.
  • LLM-as-judge para tarefas subjetivas.
  • A/B test em produção.

Custo:

  • Tiering de modelos (Haiku/Flash para triagem, Sonnet/GPT-4 para escalada).
  • Prompt caching agressivo.
  • Batch API quando aplicável.
  • Monitoramento de budget.

Segurança:

  • Prompt injection defense (delimitação, allowlisting, classification).
  • PII detection e filtering.
  • OWASP Top 10 for LLMs.
  • Supply chain: review de packages, servers, skills.

Resiliência:

  • Retry, backoff, circuit breaker.
  • Fallback para modelos alternativos.
  • Rate limits do provedor.
  • Schema validation com retry corrective.

Projeto

  • Operacionalizar um projeto anterior em “produção simulada”: observabilidade completa, golden set em CI, cost dashboard, fallbacks, segurança.

Recursos da Fase 5

Notas de apoio (Fase 5)

Checkpoint da Fase 5

Você assume ownership de um sistema com IA em produção. Sabe debugar, otimizar, responder incidentes. Seu custo é previsível e seus deploys são seguros.

Fase 6 — Especialização (ongoing)

Objetivo: aprofundar em um vetor específico. Não tente fazer tudo; escolha um foco por 6 meses.

Vetores possíveis

ML real: voltar e aprender fine-tuning (LoRA, QLoRA, DPO), model training, evaluation rigorosa. Ideal se você se apaixonar pela parte técnica.

Agentic engineering: multi-agent orchestration, planning complexo, tool design avançado, RL from execution feedback. Ideal para quem quer construir agents sofisticados.

Ferramentas e workflows: virar expert em uma stack (Claude Code + skills + MCP + CLAUDE.md). Publicar skills, contribuir para ecossistema, ensinar.

AI-native product: pensar produto com IA no centro, não como feature. Design de UX para IA, gestão de expectativas, onboarding.

Research: ler papers semanalmente, entender estado da arte, seguir labs (Anthropic, OpenAI, DeepMind, Meta AI).

Domain-specific: aplicar IA ao seu domínio — medicina, legal, finance, education. Construir expertise profunda na interseção.

Recursos contínuos

  • Simon Willison blog e newsletter
  • The Pragmatic Engineer — seção AI
  • Latent Space Podcast
  • Anthropic Engineering blog
  • Papers with Code
  • Hugging Face blog
  • DeepLearning.AI short courses — dezenas de cursos curtos

Ferramentas recomendadas por fase

FaseEssenciaisOpcionais
0ChatGPT, Claude, Gemini web—
1Jupyter, sklearn, numpy, pandasfast.ai lib
2Anthropic SDK, OpenAI SDK, tiktoken, promptfooLangChain (leve)
3pgvector, sentence-transformers, Ragas, Cohere RerankPinecone, Qdrant, LlamaIndex
4Anthropic SDK, Claude Code, MCP SDKLangGraph, CrewAI
5Langfuse, promptfoo, SentryHelicone, LangSmith, Braintrust
6depende do vetor escolhido—

Projetos para portfolio

Ao final das fases 2-5, você deve ter no GitHub pelo menos:

  1. Chatbot com streaming (fase 2)
  2. Classificador com structured outputs + golden set (fase 2)
  3. Sumarizador de documentos longos (fase 2)
  4. QA RAG sobre docs reais com evaluation (fase 3)
  5. Agent de research com MCP server próprio (fase 4)
  6. Sistema de produção com observabilidade completa (fase 5)

Isso é um portfolio forte. Acompanhe cada repo com README que explica decisões, trade-offs e evaluations.

AGENTS.md e context engineering

Agent Skills

Ferramentas Claude

Copilot

Agentic Engineering e leituras

Testing AI

Veja também

Visão de gráfico

Backlinks