Eu reservaria 3–4 horas por dia, durante 10 dias.
Não precisa necessariamente estudar 4 horas seguidas. Minha sugestão:
1h — teoria
1h — vídeo/aula/podcast
1–2h — prática
E há uma regra importante:
Não estude apenas assistindo conteúdo. A cada conceito novo, você precisa conseguir explicar e/ou implementar alguma coisa.
Sumário — Plano de Estudos em IA Generativa
-
Fundamentos de LLMs
- LLMs, Transformers e atenção
- Tokens e tokenização
- Embeddings
- Context window
- Treinamento vs. inferência
- Temperature, top-p e geração
- Hallucinations
- Instruction tuning, RLHF e modelos de raciocínio
-
Engenharia de Prompt
- Zero-shot e few-shot
- System instructions
- Structured outputs / JSON
- Prompt decomposition e chaining
- Context management
- Instruction hierarchy
- Prompt injection e jailbreaks
- Grounding e guardrails
- Prompt engineering aplicado a RAG
-
Embeddings e Busca Semântica
- Embeddings e representação vetorial
- Similaridade semântica
- Cosine similarity
- Vector databases
- Semantic search
- Sparse vs. dense retrieval
- BM25
-
RAG — Retrieval-Augmented Generation
- Conceito e arquitetura
- Ingestion de documentos
- Parsing e cleaning
- Chunking e chunk overlap
- Embeddings e indexing
- Retrieval e top-k
- Metadata filtering
- Reranking
- Contexto e geração
- RAG vs. conhecimento paramétrico
-
Construção de um Sistema RAG
- Preparação de documentos
- Criação dos chunks
- Geração de embeddings
- Vector database
- Pipeline de retrieval
- Integração com LLM
- Testes e análise dos resultados
-
RAG Avançado
- Hybrid search
- Query rewriting
- Query expansion
- Semantic chunking
- Parent-child retrieval
- Context compression
- Agentic RAG
- GraphRAG
- Multimodal RAG
- Contextual Retrieval
- Corrective RAG / Self-RAG
-
Agentes de IA
- AI agents vs. chatbots
- Agentic AI
- Tool/function calling
- Tools e actions
- Planning
- Agent loop
- State e memory
- Orchestration
- Human-in-the-loop
- Multi-agent systems
-
Construção de um Agente
- Definição do objetivo
- Ferramentas
- Retrieval
- APIs externas
- Fluxo de decisão
- Execução de múltiplas etapas
- Projeto prático de agente para análise de vagas
-
Frameworks e Arquitetura
- LangChain
- LangGraph
- LlamaIndex
- Hugging Face
- Workflows vs. agents
- State, nodes e edges
- Escolha de frameworks conforme o problema
-
Avaliação de Sistemas LLM/RAG
- Evaluation datasets
- Benchmarks
- Relevance
- Faithfulness
- Groundedness
- Precision e recall
- LLM-as-a-judge
- Avaliação humana
- Retrieval quality vs. generation quality
-
Segurança em GenAI
- Prompt injection
- Indirect prompt injection
- Jailbreaks
- Data leakage
- Excessive agency
- Insecure tool use
- Controle de acesso
- Segurança em RAG
-
Conceitos que precisam ser diferenciados
- Prompt Engineering × RAG
- RAG × Fine-tuning
- RAG × Tool Calling
- Workflow × Agent
- Retrieval × Generation
- Embedding × Vector Database
-
Projeto Final de Portfólio
- AI Career Research Agent
- Base de conhecimento pessoal
- RAG sobre currículo e experiências
- Análise de vagas
- Identificação de gaps
- Uso de ferramentas
- Pesquisa externa
- Geração de plano de estudos e preparação para entrevistas
-
Preparação para Entrevista
- Explicar LLMs
- Explicar RAG
- Explicar embeddings
- Diagnosticar problemas de retrieval
- Explicar reranking
- Projetar prompts
- Explicar agentes e tool calling
- Escolher RAG vs. fine-tuning
- Identificar vulnerabilidades
- Avaliar qualidade de um sistema GenAI
-
Fontes e Estratégia de Estudo
- Documentação oficial
- Cursos especializados
- Vídeos técnicos
- Podcasts e conteúdo em áudio
- Preferência por fontes em inglês para aprofundamento
- Teoria + prática + projeto como método principal
Mapa do que você precisa dominar
Antes do cronograma, quero te mostrar a árvore de conhecimento.
IA GENERATIVA
│
┌───────────┴───────────┐
│ │
LLMs Aplicações
│ │
┌──────┼──────┐ ┌──────┼──────┐
│ │ │ │ │ │
Tokens Context Embeddings Prompt RAG Agents
│ │ │ │ │
│ │ └──────┐ │ │
│ │ │ │ │
└──────┴─────────────┤ │ │
│ │ │
Retrieval ───────┘ │
│ │
Vector Database │
│ │
Reranking │
│
Tool Calling
│
Workflow/Agent
│
Evaluation/ObservabilityEssa estrutura é importante porque RAG e agentes não são simplesmente “novos tipos de prompt”.
Dia 1: LLMs de verdade
Entender o que é de fato um LLM: tokens, embeddings, atenção, janela de contexto, inferência e por que ele alucina.
Dia 2: Prompt Engineering 2.0
Ver prompt engineering como projeto de uma interface confiável entre usuário, modelo, contexto e sistema, incluindo prompts para RAG.
Dia 3: Embeddings
Compreender embeddings, similaridade semântica e bancos vetoriais, a base para o RAG fazer sentido.
Dia 4: RAG finalmente
Estudar o RAG em camadas: ingestão, chunking, embeddings, indexação, retrieval, reranking e geração.
Dia 5: Construir seu primeiro RAG
Pausa na teoria para construir um primeiro "chat com meus documentos", entendendo cada etapa do pipeline.
Dia 6: RAG avançado
Conhecer técnicas avançadas de retrieval, reranking, chunking e contexto, além de Agentic RAG, GraphRAG e outras variações.
Dia 7: Agentes
Entender agentes como LLM + ferramentas + estado + loop de decisão, com tool calling, planejamento e memória.
Dia 8: Construir um agente
Construir um pequeno agente de análise de vagas que combina RAG, busca e ferramentas.
Dia 9: Frameworks + arquitetura
Conhecer o ecossistema (LangChain, LangGraph, LlamaIndex, Hugging Face) para escolher a ferramenta certa para cada problema.
Dia 10: Avaliação, segurança e produção
Avaliar sistemas LLM/RAG separando qualidade de retrieval e de geração, e estudar segurança, como prompt injection.
O projeto final
Se você tiver disposição para fazer apenas um projeto realmente bom, eu faria este:
“AI Career Research Agent”
Você pode transformar isso em um pequeno projeto de portfólio.
Entrada
Uma descrição de vaga.
Knowledge base
Documentos contendo:
- seu currículo;
- experiências;
- projetos;
- cursos;
- certificações;
- descrição de trabalhos anteriores;
- conhecimentos técnicos.
RAG
O sistema recupera as informações relevantes sobre você.
Agent
O agente pode:
1. analisar a vaga
2. identificar competências
3. consultar sua base
4. comparar competências
5. identificar gaps
6. pesquisar conceitos desconhecidos
7. gerar plano de estudos
8. produzir perguntas para entrevistaResultado
MATCH: 74%
Fortes:
- X
- Y
- Z
Gaps:
- RAG
- Agent orchestration
Recomendação:
...
Perguntas prováveis:
...
Plano de preparação:
...Isso permite demonstrar LLM + Prompt Engineering + RAG + Agents + Tool Calling + Evaluation em um único projeto.
Seu dicionário obrigatório
Eu criaria um documento chamado:
“GenAI Glossary — Interview Preparation”
E colocaria uma linha para cada termo.
Comece com estes:
LLM
Large Language Model.
Token
Unidade de texto processada pelo modelo.
Context Window
Quantidade de tokens que o modelo consegue considerar em determinado contexto.
Embedding
Representação vetorial de conteúdo.
Vector Database
Banco especializado em armazenar/consultar representações vetoriais.
RAG
Retrieval-Augmented Generation.
Retrieval
Processo de encontrar informação relevante.
Chunk
Fragmento de documento utilizado durante retrieval.
Reranking
Reordenação dos resultados recuperados segundo relevância.
Grounding
Fazer o modelo fundamentar sua resposta em informações fornecidas/verificáveis.
Hallucination
Resposta incorreta ou não fundamentada apresentada pelo modelo.
Tool Calling
Capacidade do LLM de solicitar execução de uma ferramenta externa.
Agent
Sistema em que um LLM pode utilizar ferramentas e executar etapas para atingir um objetivo.
Agentic RAG
RAG em que o agente decide dinamicamente como e quando realizar retrieval.
Fine-tuning
Adaptação dos parâmetros do modelo através de treinamento adicional.
Prompt Engineering
Projeto sistemático das instruções/contexto fornecidos ao modelo.
Guardrails
Mecanismos para restringir e controlar comportamento do sistema.
Evaluation
Medição sistemática da qualidade do sistema.
E tem um ponto MUITO importante para sua vaga
Eu estudaria também:
RAG × Fine-tuning × Prompt Engineering
Você precisa saber explicar isso em uma entrevista.
Uma forma simplificada:
| Problema | Primeira coisa a considerar |
|---|---|
| Modelo não entende a tarefa | Prompt |
| Modelo precisa seguir formato | Prompt / Structured Output |
| Modelo não conhece seus documentos | RAG |
| Informação muda constantemente | RAG |
| Modelo precisa acessar sistemas externos | Tool Calling |
| Precisa executar múltiplas etapas | Agent |
| Precisa mudar comportamento/estilo de forma consistente | Fine-tuning |
| Precisa de dados atualizados | Retrieval / Tools |
| Sistema está respondendo com contexto errado | Retrieval |
| Sistema recupera certo mas responde errado | Prompt/model/evaluation |
Esse raciocínio é muito mais valioso profissionalmente do que decorar 50 técnicas de prompting.
Como estudar vídeo, áudio e texto
Eu faria uma hierarquia.
🥇 Nível 1 — Documentação oficial
Priorize:
OpenAI — Optimizing LLM Accuracy
Microsoft Learn — RAG Prompt Engineering
Esses materiais são melhores para construir sua base conceitual.
🥈 Nível 2 — Cursos
Procure conteúdos de:
- DeepLearning.AI
- Hugging Face
- Stanford
- Microsoft
- Anthropic
🥉 Nível 3 — YouTube
Aqui eu usaria vídeos para visualizar aquilo que você acabou de estudar.
Busque literalmente:
LLM transformers explained
LLM tokenization explained
embeddings explained
vector database explained
RAG explained
RAG architecture
RAG chunking strategies
RAG reranking
RAG evaluation
agentic AI explained
LLM tool calling
function calling LLM
AI agent architecture
LangGraph tutorial
Agentic RAG
LLM evaluation
prompt injection RAGDepois, em português:
RAG explicado
embeddings inteligência artificial
agentes de IA LLM
engenharia de prompt avançada
vector database
LangGraph
RAG com Python
agentes com LLMEu daria preferência ao inglês para os conceitos técnicos. A quantidade e qualidade do material é significativamente maior.
E áudio/podcast?
Eu não usaria podcast como fonte principal.
Use áudio para consolidação.
Enquanto caminha ou dirige, procure episódios sobre:
LLM architecture
AI agents
RAG
AI engineering
LLM evaluation
AI safety
generative AI engineeringO objetivo não é aprender um conceito novo dirigindo.
É ouvir especialistas discutindo:
“Por que RAG não funciona?”
“Quando usar fine-tuning?”
“Agents are overhyped?”
“How do we evaluate LLM applications?”
Esse tipo de discussão vai te ajudar muito em entrevistas.
O que eu NÃO estudaria agora
Isso é tão importante quanto o que estudar.
Durante essas férias, não mergulharia profundamente em:
- matemática de Transformers;
- treinamento de LLM do zero;
- CUDA;
- GPU optimization;
- distributed training;
- fine-tuning avançado;
- LoRA em profundidade;
- Kubernetes;
- MLOps completo;
- todos os frameworks de agentes;
- construção de um vector database do zero.
São assuntos válidos, mas não são a melhor utilização dos seus próximos dias considerando a descrição da vaga.
Seu objetivo ao final das férias
Eu colocaria uma espécie de prova final.
Você deveria conseguir responder, sem pesquisar:
LLM
“Explique para um desenvolvedor como um LLM processa uma pergunta.”
RAG
“Como você construiria um RAG para 100 mil documentos?”
Embeddings
“O que é um embedding e por que ele é necessário em RAG?”
Retrieval
“Seu RAG está retornando documentos irrelevantes. O que você investigaria?”
Reranking
“Por que usar reranking?”
Prompt
“Como você melhoraria um prompt que está produzindo respostas inconsistentes?”
Agents
“Qual a diferença entre um workflow determinístico e um agente?”
Tool Calling
“Como um agente consulta uma API externa?”
Fine-tuning
“Quando você escolheria fine-tuning em vez de RAG?”
Segurança
“O que é prompt injection e como ela pode afetar um RAG?”
Evaluation
“Como você saberia se seu RAG está funcionando bem?”
Se você conseguir responder essas perguntas com exemplos e arquitetura, já estará em um patamar muito diferente de alguém que simplesmente colocou “IA generativa” no currículo.
E eu faria uma adaptação importante para você
Como seu objetivo não é simplesmente aprender por curiosidade, mas se preparar para uma vaga, eu transformaria esses 10 dias em um pequeno bootcamp pessoal, com:
Dia 1–3 → fundamentos
Dia 4–6 → RAG
Dia 7–8 → agentes
Dia 9 → arquitetura/frameworks
Dia 10 → avaliação + segurança + entrevista
E, em paralelo, construiria um único projeto de portfólio, em vez de cinco projetos superficiais.
Isso também conversa muito bem com a evolução atual do campo: a formação de agentes da Hugging Face, por exemplo, já trata LLMs, tools, ciclos de ação/observação, frameworks e depois Agentic RAG como uma progressão natural. Hugging Face