Atlas de conceitos

Ver lista acessível de relações

Desenvolver com IA

Problema e especificação: Transformar intenção em comportamento, limites e critérios verificáveis.
Context engineering: Selecionar e organizar as informações que um modelo precisa para executar uma tarefa.
Prompt engineering: Projetar instruções e exemplos para orientar uma interação com um modelo.
Coding agents: Agentes que inspecionam repositórios, usam ferramentas e produzem mudanças verificáveis.
Skills: Procedimentos especializados carregados sob demanda para uma tarefa recorrente.
Harness engineering: Projetar contexto, ferramentas, permissões, estado, testes e condições de parada ao redor do modelo.

Pensamento computacional: Decompor problemas, reconhecer padrões, modelar abstrações e formular passos verificáveis.
Programação: Expressar dados, decisões e processos em instruções executáveis.
Plataforma Web: Tecnologias abertas de documentos, estilos, execução e comunicação no navegador.
Redes e HTTP: Protocolos que endereçam, transportam e representam requisições e respostas entre sistemas.
APIs e contratos: Interfaces explícitas pelas quais componentes trocam dados e solicitam comportamentos.
Modelagem de dados: Representar entidades, relações, invariantes e ciclos de vida dos dados.
Bancos de dados: Sistemas que persistem, consultam e protegem dados com garantias explícitas.
Identidade e acesso: Autenticar identidades e autorizar ações segundo políticas e menor privilégio.
Testes de software: Obter evidência reproduzível de comportamento, integração e regressão.
Segurança de aplicações: Reduzir riscos em identidade, dados, código, dependências, execução e operação.
Entrega e operação: Construir, implantar, observar e recuperar software em ambientes reais.
Fatias verticais: Entregar pequenos fluxos completos atravessando as camadas necessárias.

Machine learning: Construir funções a partir de dados e objetivos de otimização, em vez de codificar todas as regras manualmente.
Large language models (LLMs): Modelos treinados para estimar e gerar sequências de tokens em linguagem e outros dados.
Tokenização e inferência: Converter entradas em unidades do modelo e executar o cálculo que produz uma saída.
Embeddings e RAG: Representar significado vetorialmente e recuperar evidências externas para compor respostas fundamentadas.
Tool use e MCP: Permitir que modelos solicitem ações estruturadas; MCP padroniza a exposição de contexto e ferramentas.
Agentes de IA: Sistemas que combinam modelo, ferramentas, estado e um ciclo controlado para perseguir objetivos.
Avaliação de sistemas de IA: Medir qualidade, segurança, custo e regressão com casos, métricas, graders e revisão humana adequada ao risco.