Fundamentos de Agentes de IA
Por Wanderson Leandro de Oliveira
Fundamentos de Agentes de IA é a porta de entrada desta trilha de engenharia: não uma coleção de frameworks para decorar, mas o modelo mental e a base técnica necessários antes de projetar um agente de verdade. Você vai começar fixando o que um agente realmente é — a diferença para um chatbot e para um workflow determinístico, o ciclo percepção-raciocínio-planejamento-ação-observação-reflexão, níveis de autonomia, e casos de uso e limitações honestos. A partir daí o curso constrói as habilidades de backend em que aplicações agentivas mais se apoiam: HTTP e webhooks, processamento assíncrono com filas e idempotência, e streaming de respostas via SSE e WebSockets — porque chamadas de LLM são lentas, caras e às vezes falham, e sua arquitetura precisa esperar por isso. Um módulo dedicado de Python leva você de dados tipados e validados com Pydantic até um cliente assíncrono de LLM, terminando numa aula hands-on onde você constrói um cliente resiliente com retry, backoff, timeout e streaming. Os dois módulos seguintes cobrem fundamentos de LLM que engenheiros realmente precisam — tokens, janela de contexto, controles de geração, modelos abertos versus fechados — e seleção de modelo: escolher por custo, latência e capacidade, construir gateways com fallback e cascading, e casar carga de trabalho com tamanho de modelo. O curso fecha com prompting e saídas estruturadas aplicados especificamente a agentes, culminando num capstone onde você projeta um system prompt completo e um contrato de saída em Pydantic, incluindo casos de erro, para um agente de triagem de tickets de suporte. Ao final, você terá o vocabulário, os instintos de backend e os padrões de código para começar a construir agentes de verdade nos próximos cursos.
Conteúdo do curso
O que é um Agente de IA
- 🔒 Agente vs. chatbot vs. workflow text
- 🔒 Níveis de autonomia e o ciclo do agente em resumo text
- 🔒 Casos de uso e limitações text
Fundamentos de Backend para Apps Agentivas
- 🔒 HTTP, REST e webhooks para backends de agentes text
- 🔒 Processamento assíncrono, filas e idempotência text
- 🔒 Streaming de respostas: SSE e WebSockets text
Python para Engenharia de Agentes
- 🔒 Python tipado com Pydantic para agentes text
- 🔒 Construindo um cliente assíncrono de LLM text
- 🔒 Hands-on: um cliente de LLM resiliente com retries text
Fundamentos de LLM para Engenheiros
- 🔒 Tokens, janela de contexto e inferência text
- 🔒 Controles de geração: temperature, top-p e saída estruturada text
- 🔒 Modelos abertos vs. fechados e licenciamento text
Seleção e Roteamento de Modelos
- 🔒 Escolhendo um modelo por custo, latência e capacidade text
- 🔒 Gateways de modelo, fallback e cascading text
- 🔒 Modelos pequenos vs. grandes e classificação de carga text
Prompting e Saídas Estruturadas
- 🔒 Engenharia de prompt para agentes text
- 🔒 Saídas estruturadas com JSON Schema e Pydantic text
- 🔒 Capstone: projete um prompt e contrato de saída para um agente text