llm
9 conteúdos publicados sobre este assunto.
Architecture Studies· 9
Guia / Deep DiveLoop Engineering: projetando os loops que guiam agentes de IAO gargalo dos agentes de IA deixou de ser a frase do prompt e passou a ser o desenho do loop: trigger, topologia, verifier e stop rules. Este guia ensina os fundamentos do loop engineering — do ReAct base ao catálogo de padrões — com exemplos reais do meu próprio sistema e um passo a passo para engenheirar qualquer loop com segurança.Abrir Guia / Deep DiveAgentes de IA por Dentro (1/3): Anatomia e o Loop de RaciocínioUma aula técnica para devs e arquitetos que ouvem 'agente de IA' todo dia mas querem entender de verdade o que diferencia um agente de um LLM puro, de um pipeline fixo ou de RAG simples. Cobrimos a anatomia completa — modelo, ferramentas, memória, planner — e o loop ReAct passo a passo com um exemplo concreto. Sem hype; com trade-offs reais.Abrir Guia / Deep DiveAgentes de IA por Dentro (2/3): Catálogo de Padrões — de ReAct a Multi-AgenteA segunda aula da série mapeia o catálogo completo de padrões de arquitetura de agentes de IA: dos loops single-agent (ReAct, Reflexion, Plan-and-Execute) à orquestração multi-agente, passando por memória como decisão de arquitetura, guardrails e human-in-the-loop. O objetivo é dar ao arquiteto uma linguagem precisa para escolher — e justificar — o padrão certo para cada problema, sem cair nos anti-patterns clássicos.Abrir PlaybookPlaybook: FinOps de GenAI — cortar o custo de um agente sem perder qualidadeAgentes de GenAI em produção acumulam custo em lugares que os dashboards padrão não mostram: tokens de entrada inflados, loops sem critério de parada, retries silenciosos e modelos caros em tarefas triviais. Este playbook apresenta as seis alavancas de otimização — com ordem de execução, tabela de impacto e os anti-padrões que transformam economia em regressão de qualidade.Abrir Decisão (ADR)ADR: LLM Auto-Hospedado (EKS + vLLM) vs API Gerenciada (Bedrock)Este ADR avalia a decisão entre hospedar modelos de linguagem em infraestrutura própria com EKS e vLLM versus consumir modelos via Amazon Bedrock. A análise cobre custo por token, carga operacional de MLOps, cold start, residência de dados e ponto de break-even por volume de tokens.Abrir Decisão (ADR)ADR: Seleção de Modelo no Amazon Bedrock — Claude vs Nova vs Llama vs Fine-tuneDecisão arquitetural sobre qual modelo de fundação adotar em uma feature GenAI enterprise no Amazon Bedrock, avaliando qualidade, custo por token, latência, governança de dados, suporte a pt-BR e janela de contexto. A conclusão é um roteamento por tipo de tarefa — nenhum modelo único vence em todos os eixos.Abrir PlaybookPlaybook: Multi-agente — quando 1 basta e quando você precisa orquestrarCada agente adicional dobra custo, latência e superfície de erro. Este playbook oferece critério cirúrgico para decidir entre agente único, supervisor, pipeline e debate — com tabelas de decisão, topologias visuais e as armadilhas que destroem sistemas multi-agente em produção.Abrir PlaybookPlaybook: do Prompt ao Pipeline — os 5 Estágios de um Agente ConfiávelUm agente não nasce confiável — ele é construído estágio a estágio, do prompt simples ao sistema operável com observabilidade, guardrails e auditoria. Este playbook mapeia cada estágio, o que você ganha, o que você arrisca, e quando parar de subir a escada. O gargalo não é o prompt; é o sistema em volta.Abrir PlaybookPlaybook: IA, ML, Deep Learning, LLM e Agentes — o Mapa para Decidir a Ferramenta CertaUm guia prático em camadas para engenheiros e arquitetos que precisam parar de usar 'vamos de LLM' como resposta padrão. O mapa correto é IA → ML → Deep Learning → GenAI/LLM → Agentes, cada camada um subconjunto da anterior — não sinônimos. A pergunta certa nunca é 'qual modelo?', é 'qual a ferramenta mais simples que resolve bem?'.Abrir 