Trilha 1 - Fundamentos e Engenharia de Contexto

1.1

Fundamentos tecnicos de LLMs para engenharia de software

Como LLMs funcionam por baixo do capo e por que isso importa pra quem escreve codigo com IA.

O que e: Quando IA deixa de ser apoio e passa a compor o fluxo de engenharia como parte estrutural do processo de desenvolvimento.

Por que aprender: Entender onde a IA se encaixa no ciclo de dev evita sub-uso e dependencia cega. A diferenca entre um dev que usa IA como Google glorificado e um que integra IA no fluxo e produtividade e qualidade.

Conceitos-chave: Fluxo de engenharia, IA como co-piloto vs IA como componente, inner loop vs outer loop de desenvolvimento, automacao de tarefas de rotina.

O que e: Diferenca entre IA generativa, ML classico e sistemas assistidos por LLM. Saber o que cada tipo faz e onde cada um funciona melhor.

Por que aprender: Muita gente confunde categorias de IA e tenta resolver problemas de ML classico com LLMs ou vice-versa. Clareza aqui evita meses de trabalho desperdicado.

Conceitos-chave: IA generativa, machine learning supervisionado/nao-supervisionado, LLMs, transformers, modelos de linguagem vs modelos de classificacao.

O que e: Tokens, embeddings, attention, context window, inferencia e temperatura. Os mecanismos internos que determinam o que um LLM consegue e nao consegue fazer.

Por que aprender: Sem entender como funciona por dentro, voce nao consegue diagnosticar por que um prompt falha, por que uma resposta alucina, ou por que o modelo "esquece" algo no meio da conversa.

Conceitos-chave: Tokenizacao, embeddings, self-attention, context window, KV cache, temperatura, top-p, top-k, inferencia, next-token prediction.

O que e: As decisoes que voce precisa tomar entre qualidade, custo, latencia, previsibilidade e seguranca ao usar LLMs em producao.

Por que aprender: Na pratica, nenhum modelo e perfeito em tudo. Saber o que priorizar em cada cenario e o que separa uso amador de uso profissional.

Conceitos-chave: Custo por token, latencia de inferencia, qualidade de output, previsibilidade, seguranca de dados, modelo caro vs modelo barato por tarefa.

O que e: Quando usar API direta, copilotos integrados ao editor ou agentes autonomos. Cada modalidade tem vantagens e custos diferentes.

Por que aprender: A ferramenta errada pro problema certo desperdiça dinheiro e tempo. Saber quando um copiloto basta e quando voce precisa de um agente e decisao critica.

Conceitos-chave: API vs copiloto vs agente, latencia interativa, custo por sessao, autonomia do modelo, feedback loop humano-IA.

O que e: Os modelos que importam em 2026: Claude Opus/Sonnet/Haiku, GPT-5.x, Gemini e modelos open-source. O que cada um faz de melhor.

Por que aprender: O cenario muda rapido. Saber o que esta disponivel, qual o custo e onde cada modelo se destaca evita escolhas desatualizadas.

Conceitos-chave: Claude Opus 4, Sonnet 4, Haiku 3.5, GPT-5.x, Gemini 2.5 Pro, Llama 4, DeepSeek R1, benchmarks, pricing tiers, modelo por caso de uso.

Ver Completo

1.2

Prompt Engineering profissional

Estruturacao, tecnicas e validacao de prompts para tarefas reais de engenharia de software.

O que e: Montar prompts com papel, objetivo, restricoes, contexto e criterios de saida. A arquitetura que faz prompts funcionarem de forma previsivel.

Por que aprender: Prompt sem estrutura gera resultados inconsistentes. Com estrutura, voce transforma tentativa-e-erro em processo reproduzivel.

Conceitos-chave: Role assignment, task framing, constraints, context injection, output format specification, sistema ROCCE.

O que e: Tecnicas para reduzir ambiguidade e alucinacao nos outputs do modelo. Ancorar o modelo em fatos e contexto concreto.

Por que aprender: Alucinacao e o risco numero 1 de usar LLMs em producao. Saber minimizar isso e habilidade obrigatoria.

Conceitos-chave: Grounding, source attribution, confidence calibration, constraining output space, verificacao cruzada.

O que e: Prompts orientados a tarefas de engenharia: leitura de codigo, refatoracao, documentacao, testes e investigacao de bugs.

Por que aprender: Prompts genericos produzem codigo generico. Prompts orientados a engenharia produzem outputs que se encaixam no fluxo real de trabalho.

Conceitos-chave: Code review prompts, debug prompts, refactoring prompts, test generation prompts, documentation prompts.

O que e: Estrategias para validar o que a IA retorna antes de usar em producao. Da verificacao manual a automacao.

Por que aprender: Aceitar output de IA sem validacao e o caminho mais rapido pra bugs em producao. Validacao e a rede de seguranca.

Conceitos-chave: Self-verification, automated testing, human-in-the-loop, output assertions, smoke tests, diff review.

O que e: Quando prompt engineering resolve e quando nao e suficiente. Os limites reais da tecnica e quando escalar pra context engineering ou agentes.

Por que aprender: Ficar preso em prompt engineering quando o problema e de contexto ou de tooling desperdiça horas e gera frustacao.

Conceitos-chave: Limites de instrucoes, context overflow, prompt vs context engineering, quando usar agentes, escalabilidade de prompts.

O que e: Chain-of-thought, few-shot e prompting com exemplos negativos. Tecnicas que melhoram significativamente a qualidade do output.

Por que aprender: Essas tecnicas sao a diferenca entre um prompt que funciona 60% das vezes e um que funciona 95%. Dominar elas e profissionalismo.

Conceitos-chave: Chain-of-thought (CoT), few-shot learning, zero-shot, exemplos negativos, step-by-step reasoning, self-consistency.

Ver Completo

1.3

Context Engineering

A disciplina que separa quem usa IA de quem domina IA. Estruturacao, memoria e particionamento de contexto.

O que e: Context engineering nao e so "dar contexto pro modelo". E a disciplina de projetar, estruturar e manter o contexto que o modelo recebe de forma sistematica.

Por que aprender: E a habilidade mais importante para uso profissional de IA. Prompt engineering sem context engineering e como escrever SQL sem entender o schema.

Conceitos-chave: Context design, context budget, context lifecycle, structured vs unstructured context, context engineering vs prompt engineering.

O que e: Arquivos de configuracao que definem como o modelo se comporta num projeto. CLAUDE.md, .cursorrules, e rules files com estrutura e boas praticas.

Por que aprender: LLMs seguem ~150-200 instrucoes com fidelidade. Alem disso, compliance degrada. Saber estruturar esses arquivos e a base de qualquer projeto IA-assisted.

Conceitos-chave: CLAUDE.md, .cursorrules, instruction hierarchy, compliance threshold, rules prioritization, project-level context.

O que e: Separar instrucao, contexto, memoria operacional e artefatos. Cada tipo de informacao tem papel diferente e deve ser tratado de forma distinta.

Por que aprender: Misturar tudo num unico bloco de contexto desperdiça tokens e confunde o modelo. Separacao limpa melhora precisao e custo.

Conceitos-chave: Instruction context, reference context, working memory, artifacts, context layering, information architecture.

O que e: Contexto ativado por demanda usando skills directories. Em vez de carregar tudo no inicio, o contexto relevante e injetado quando necessario.

Por que aprender: Com contexto limitado, carregar tudo de uma vez e desperdiçar budget. Lazy-loading maximiza o uso do context window.

Conceitos-chave: Skills directories, lazy context loading, on-demand injection, context budget management, trigger-based activation.

O que e: Estrategias para bases legadas e sistemas complexos. Como dar contexto suficiente ao modelo sem ultrapassar o limite do context window.

Por que aprender: A maioria dos projetos reais nao cabe num context window. Saber lidar com isso e o que permite usar IA em projetos que importam.

Conceitos-chave: Codebase indexing, selective context, architectural summaries, file-level context, dependency graphs, context prioritization.

O que e: Limites de contexto, uso agressivo de /clear entre tarefas e estrategias de particionamento para manter o modelo focado e preciso.

Por que aprender: Conversas longas degradam qualidade. Saber quando limpar e como particionar trabalho entre sessoes e disciplina fundamental.

Conceitos-chave: Context window limits, /clear, session partitioning, task isolation, context refresh, compaction strategies.

Ver Completo

1.4

Ferramentas e fluxo de trabalho do dev com IA

Panorama completo de ferramentas 2026 e como integrar IA no fluxo de desenvolvimento real.

O que e: O ecossistema de ferramentas de dev com IA em 2026: Claude Code, Cursor, GitHub Copilot, Windsurf, Codex e Devin. O que cada uma faz e onde se destaca.

Por que aprender: Usar a ferramenta certa pra cada tarefa e a diferenca entre produtividade e desperdicio. O mercado mudou drasticamente em 2025-2026.

Conceitos-chave: IDE-integrated tools, CLI tools, cloud agents, autonomous coding, feature comparison, pricing models.

O que e: A CLI da Anthropic: subagentes paralelos, model overrides, plan mode e 1M tokens de contexto. A ferramenta mais poderosa pra engenharia IA-first.

Por que aprender: Claude Code e a referencia de capacidade em 2026. Entender suas features e limites define o teto do que voce consegue fazer com IA.

Conceitos-chave: Subagentes, model overrides, plan mode, extended thinking, CLAUDE.md, skills, 1M context, session management.

O que e: Cursor com Composer mode e Background Agents. GitHub Copilot com Coding Agent que transforma Issues em PRs automaticos.

Por que aprender: Sao as ferramentas mais usadas no mercado. Conhecer suas capacidades e limites e obrigacao de qualquer dev que trabalha com IA.

Conceitos-chave: Composer mode, Background Agents, Coding Agent, agent mode, multi-file editing, codebase indexing.

O que e: OpenAI Codex com GPT-5.x, Codex Skills e Interactive Planning. Devin com agentes autonomos e Devin Wiki pra documentacao automatica.

Por que aprender: Representam o futuro da automacao de codigo. Entender o que ja funciona e o que ainda e hype ajuda a tomar decisoes informadas.

Conceitos-chave: Codex Skills, Interactive Planning, sandbox execution, Devin Wiki, autonomous agents, task delegation.

O que e: Fluxos concretos para implementacao guiada, debugging, escrita de testes, revisao de PR e documentacao usando ferramentas de IA.

Por que aprender: Saber os fluxos otimizados evita reinventar a roda. Patterns validados economizam tempo e produzem resultados melhores.

Conceitos-chave: Implementation workflow, debug workflow, test-first workflow, PR review workflow, documentation workflow.

O que e: Automacao de tarefas recorrentes no ciclo de desenvolvimento: CI/CD triggers, scheduled reviews, changelog generation, dependency updates.

Por que aprender: Tarefas repetitivas consomem horas por semana. Automatizar com IA libera tempo pra trabalho que realmente requer pensamento humano.

Conceitos-chave: Task automation, scheduled agents, CI/CD integration, recurring workflows, cost optimization, automation ROI.

Ver Completo

1.5

Vibe Coding: da pratica casual a disciplina de engenharia

Numeros reais, riscos quantificados e a linha entre uso produtivo e uso irresponsavel de IA.

O que e: A diferenca entre uso casual ("vibe coding") e uso disciplinado de IA. O termo cunhado por Andrej Karpathy e o que ele realmente significa na pratica.

Por que aprender: Vibe coding sem disciplina produz divida tecnica acelerada. Entender a diferenca e o primeiro passo pra usar IA de forma sustentavel.

Conceitos-chave: Vibe coding, uso casual vs disciplinado, technical debt, Karpathy definition, IA como ferramenta vs IA como muleta.

O que e: Dados concretos: 80%+ dos devs usam IA, 25% das startups YC W25 com 95%+ codigo gerado por IA. Os numeros que definem o estado atual.

Por que aprender: Decisoes baseadas em dados, nao em hype. Saber os numeros reais ajuda a calibrar expectativas e justificar investimentos.

Conceitos-chave: Adocao por devs, codigo gerado por IA, produtividade medida, YC data, Stack Overflow survey, GitHub data.

O que e: 45% do codigo gerado por IA tem falhas de seguranca. 2.74x mais vulnerabilidades. Os riscos concretos e mensurados de usar IA sem governanca.

Por que aprender: Ignorar os riscos nao os elimina. Conhecer os numeros permite construir guardrails proporcionais ao risco real.

Conceitos-chave: Security vulnerabilities, code quality metrics, false confidence, review necessity, risk quantification.

O que e: Como usar IA sem perder controle. Governanca tecnica aplicada ao desenvolvimento assistido por IA.

Por que aprender: Sem governanca, IA acelera a criacao de problemas, nao so de solucoes. Estrutura de governanca e o que permite escalar o uso com confianca.

Conceitos-chave: Governance framework, review policies, approval workflows, audit trails, compliance, accountability.

O que e: Quando aceitar geracao rapida vs exigir validacao completa. Os criterios que definem se codigo gerado por IA esta pronto pra producao.

Por que aprender: Nem todo codigo precisa do mesmo nivel de escrutinio. Saber quando relaxar e quando apertar os criterios otimiza velocidade sem sacrificar qualidade.

Conceitos-chave: Production readiness, validation tiers, risk-based review, fast-path vs full-review, quality gates.

O que e: Auth, pagamentos e infra: areas onde IA e off-limits em organizacoes maduras. Os dominios onde o risco de usar IA supera o beneficio.

Por que aprender: Errar em auth ou pagamentos pode custar milhoes. Saber onde nao usar IA e tao importante quanto saber onde usar.

Conceitos-chave: Security-critical code, payment systems, infrastructure code, compliance requirements, human-only zones, risk assessment.

Ver Completo