Glossário

Todos os termos que o programa usa, em linguagem simples.

É a primeira vez? Leia a primeira lição gratuita. Não precisa de conta.

Conceitos de IA

Agent: Um sistema de IA que dá vários passos por iniciativa própria em direção a um objetivo, escolhendo tools e se adaptando pelo caminho.
AGI: Inteligência artificial geral: uma IA hipotética tão capaz quanto uma pessoa na maioria das tarefas. Muito discutida, ainda não chegou.
Closed model: Um modelo proprietário que você só acessa pela API ou pelo aplicativo de quem o fornece.
Coding agent: Um assistente de IA com mãos. Lê arquivos, edita e roda comandos, verificando os resultados à medida que avança.
Compaction: Resumir as partes mais antigas de uma conversa para liberar espaço na context window.
Completion / response: O que o modelo retorna depois do seu prompt.
Context: Tudo o que o modelo consegue ver neste momento: o seu prompt, a conversa, os anexos e as notas que forem injetadas nele.
Context rot: Uma falha do ciclo em que o histórico cresce até o sinal se perder no ruído. Resolve-se resumindo os turnos antigos e fixando o objetivo.
Context window: O máximo de tokens que um modelo consegue ter em mente de uma vez: o seu prompt mais tudo o que ele já leu.
Corpus de origem: Onde vive a verdade num sistema de RAG: as páginas, os documentos, os contratos ou os tickets antigos de onde se recupera.
Embedding: Uma representação numérica de texto que permite a um sistema pesquisar por significado em vez de por palavras exatas.
Embedding models: Modelos que transformam texto em números para as ferramentas poderem pesquisar por significado. Trabalham nos bastidores dos assistentes conectados aos seus documentos.
Fine-tuning: Training extra e especializado por cima de um modelo base: afinar o modelo com dados próprios para se encaixar em um caso de uso concreto.
Frontier model: O maior, o mais recente e o mais capaz dos modelos que um fornecedor oferece.
Generation: O último passo do RAG: colocar os pedaços recuperados no prompt e deixar a IA responder a partir desse context.
Gradient descent: O processo de training em que o modelo vai ajustando devagar bilhões de parâmetros internos até acertar bem na próxima palavra.
Inference: Cada vez que você realmente usa o modelo. Você envia um prompt, ele passa pelos parâmetros já congelados e produz um resultado.
LLM: Modelo de linguagem de grande porte, a tecnologia por trás dos assistentes de chat como o ChatGPT, o Gemini e o Claude.
Long context: Quanto um assistente aguenta numa só conversa. Um long context leva de uma vez o equivalente a uma pequena biblioteca.
MCP (Model Context Protocol): Uma forma padronizada de os aplicativos de IA se conectarem a tools, dados e serviços externos. Pense em USB para IA.
Memory: Um recurso que guarda fatos escolhidos sobre você e os coloca de novo no context no início das próximas conversas.
Modelos de imagem: Modelos que geram imagens a partir de descrições em texto, como o DALL-E, o Midjourney ou o Stable Diffusion.
Modelos de voz: Modelos que convertem voz em texto e texto em voz, como o Whisper para transcrição e o ElevenLabs para síntese de voz.
Multimodal: Modelos que lidam com mais do que texto: imagens e, às vezes, áudio ou vídeo.
Open weights: Um modelo cujos parâmetros você pode baixar e rodar por conta própria.
Previsão da próxima palavra: Como um LLM funciona no essencial. Prevê a próxima palavra mais provável, repetidas vezes, até formar uma resposta útil.
RAG (Retrieval-Augmented Generation): O sistema pesquisa primeiro nos seus documentos ou na web, e só depois o modelo responde a partir do que encontrou.
Session: Uma conversa contínua. Um chat novo começa com o context vazio.
System prompt: Instruções que definem o papel e as regras da IA no início de uma conversa.
Token: Os pequenos pedaços de texto que um assistente lê e escreve, cada um com cerca de três quartos de uma palavra. O comprimento e o custo são contados em tokens.
Tool: Um conector que permite à IA fazer algo além de escrever texto: pesquisar, calcular ou acessar outro sistema.
Training: O processo caro e único em que um modelo aprende padrões a partir de enormes quantidades de texto. Quem faz isso é quem fornece o modelo, não você.
Training cutoff: A data a partir da qual o modelo não sabe nada pelo training, então ele perde tudo o que veio depois, a não ser que você conte para ele.

Prompting e técnicas

Camada sempre ativa: O pequeno conjunto de coisas que é lido em cada turno: as restrições rígidas, as regras da casa e a tarefa em curso.
Carregamento sob demanda: Carregar esquemas, especificações, manuais ou documentos só quando a tarefa precisa deles, buscando cada um pelo nome.
Chain (prompt chaining): Uma sequência de prompts em que o resultado de cada um passa a ser a entrada do próximo. Você gerencia a chain; a IA executa cada etapa.
Chain of thought: Pedir ao modelo que raciocine passo a passo antes de responder, o que melhora a exatidão em problemas de vários passos.
Chunking: Dividir um corpus em pedaços pequenos (256 a 512 tokens, com 10 a 20% de sobreposição) para poderem ser recuperados.
Decomposição do processo: Dividir em passos um processo que atravessa vários times e decidir quais são de IA, quais são determinísticos e quais precisam de uma pessoa.
Determinismo vs. critério: Determinismo é um passo dar sempre o mesmo resultado. Critério é um passo poder variar de forma legítima. Marque cada etapa com o que ela é.
Diário de prompts: Uma coleção salva dos prompts que funcionaram, que cresce com o tempo até se tornar uma biblioteca de templates para o seu trabalho.
Empilhar papéis: Fazer a IA analisar a mesma coisa por vários pontos de vista de especialista, um a um, e depois sintetizar uma única recomendação.
Entrega (a costura): O momento em que o resultado de um passo passa a ser a entrada do próximo. É aqui que a maioria das chains quebra, então coloque verificações na costura.
Few-shot: Dar ao modelo alguns exemplos do padrão de entrada e resultado que você quer. Aumenta muito a confiabilidade.
Formato do resultado: Manter os resultados intermediários legíveis por programas: tabelas, JSON, campos consistentes. Texto corrido quebra as chains.
Meta-prompting: Pedir à IA que critique e reescreva o seu prompt para que produza resultados mais confiáveis.
Método dos quatro elementos: A estrutura de prompt mais confiável: papel, context, tarefa e formato (também conhecida como CRAFT ou RCTF).
Passo de IA: Um passo do processo que exige critério, porque varia com a entrada. É aqui que vale a pena gastar o seu orçamento de IA.
Passo determinístico: Um passo do processo resolvido por lógica fixa: uma fórmula, uma propriedade do banco de dados ou um script.
Persona: Atribuir um papel ao modelo para elevar o nível de qualidade. Molda a forma como o modelo responde, mas não muda se a resposta está certa.
Persona prompts: Dar um papel a cada etapa: um assistente jurídico, um responsável de conformidade. A persona muda o vocabulário, a profundidade e o tom.
Planejar e só depois executar: Pedir ao modelo que planeje e aponte as lacunas primeiro, e só depois produza o resultado, para não tapar as lacunas com suposições.
Pré-preencher a resposta: Começar você mesmo a resposta da IA. Fixa o formato e o tom, e reduz o drift.
Progressive disclosure: Carregar pouco sempre e o resto só quando for relevante. Mantenha a camada sempre ativa pequena.
Prompt: O que você escreve para um assistente. Prompting é a arte de pedir bem.
Prompting em vários passos: Divida o trabalho em etapas em vez de um prompt gigante. Cada etapa produz um resultado limpo e com nome, que a próxima usa.
Refinamento iterativo: Tratar a IA como uma conversa e ir melhorando o resultado ao longo de algumas rodadas, em vez de esperar que o primeiro rascunho saia perfeito.
Regra de ouro: Dê à IA o máximo de context possível, sempre. Entradas melhores dão melhores resultados, de forma confiável.
Restrições negativas: Dizer à IA o que ela não deve fazer. Contraria os padrões dela e muitas vezes é mais fácil do que descrever aquilo que você quer.
Retrieval: Escolher os pedaços certos para uma determinada consulta. Retrieval híbrido (semântica mais palavras-chave) com um reranker é o que se usa em produção.
Structured outputs: Pedir um esquema concreto, como JSON ou uma tabela, para o resultado ficar claro e fácil de reaproveitar por outras ferramentas.
Zero-shot: Pedir uma tarefa ao modelo sem lhe dar exemplos. Serve bem para tarefas simples e conhecidas.

Construir e lançar

A regra de construir: Quando você se pegar fazendo o mesmo trabalho duas vezes, construa isso como um agent, para que na terceira ele rode sozinho.
Agent loop: O ciclo de execução: ler o context, decidir, chamar uma tool, ler o resultado, decidir outra vez, até a tarefa estar feita.
AGENTS.md: O arquivo de instruções que virou norma entre as ferramentas. Coloque aqui as suas convenções, como fonte única de verdade.
Anatomia de um briefing: As peças que um bom briefing de agent precisa ter: papel, trigger, entradas, passos, formato do resultado e guardrails.
Arquivo de instruções: Um arquivo com as regras permanentes que um agent lê antes de começar a trabalhar. AGENTS.md é o nome mais comum.
Arquivos de referência: Documentos estáveis (regulamentos, guias de estilo, glossários) anexados a um assistente personalizado, para ele raciocinar sempre com eles.
Branch: Uma linha de trabalho paralela dentro do mesmo repo. Você experimenta numa branch sem incomodar a principal.
Changelog: Uma nota curta e contínua no fim de um briefing, registrando o que mudou em cada versão, para os outros verem como ele evoluiu.
Checkout: Mudar a sua pasta de trabalho para mostrar uma determinada branch ou commit. Mesmo repo, outra visão.
CLAUDE.md: O arquivo de instruções do Claude Code, na raiz do projeto ou em ~/.claude para valer em tudo. Muitas vezes é só um ponteiro para o AGENTS.md.
Cobertura: Uma das forças em tensão no design de um harness: dar ao modelo o suficiente para agir bem. Se você der pouco, ele adivinha ou inventa uma API.
Commit: Uma alteração salva, com uma nota dizendo o quê e por quê. O histórico de um repo é uma cadeia de commits.
Context budget: Tratar a context window como um orçamento que você distribui de propósito, gastando o máximo naquilo que muda a resposta.
Contexto escondido: Os system prompts, os arquivos de referência, o histórico da conversa e os pedaços recuperados gastam todos tokens em cada execução.
Costura: O ponto onde a informação passa de uma pessoa, time ou sistema para o próximo. As costuras deixam fugir tempo e qualidade.
Custo: O preço de cada token em dinheiro, em latência e em atenção diluída.
Custo por resultado útil: O gasto total dividido pelos resultados que não precisaram ser refeitos. É a métrica de gasto para internalizar.
Deferred tools: Listar as tools por nome e deixar o modelo buscar a definição completa quando precisar, para manter o context leve.
Edge cases: Entradas válidas mas fora do comum. Um briefing tem que dizer o que fazer com campos ausentes, contradições e dados sensíveis.
Entradas de confiança: Entradas já validadas na origem, como uma linha de banco de dados com esquema obrigatório. Você pode agir sobre elas.
Etapa de validação: A primeira etapa da chain, que confirma se cada campo obrigatório está presente e válido. Se uma verificação falhar, ela para e chama uma pessoa.
Falha de design: Uma falha que vem da arquitetura do fluxo de trabalho. A correção é dividir as etapas de outra forma ou redesenhar o fluxo.
Forking: Copiar o agent ou assistente que outra pessoa compartilhou e adaptá-lo, herdando as lições que quem o escreveu já aprendeu.
Format drift: A IA retorna o resultado numa forma ligeiramente diferente da que foi pedida, e quebra tudo o que dependia do formato exato.
Frontmatter: Um pequeno bloco de YAML no topo de um arquivo, com informação sobre o próprio arquivo.
Harness: Tudo o que você constrói em torno de um modelo: o context que você dá, as tools que ele pode chamar e o ciclo em que ele roda.
Idempotency: Um agent é idempotente se for seguro rodar o agent duas vezes sobre a mesma entrada. Produz o mesmo resultado ou não faz nada.
Infraestrutura (vs. ferramenta): Uma construção de que muita gente depende. Nessa escala precisa de um responsável com nome, comportamento documentado, HITL gates e um plano de manutenção.
Limitação do modelo: Uma falha em que a IA não é confiável o suficiente naquela tarefa. A correção é uma verificação determinística ou um HITL gate mais rígido.
Limite de orçamento: Uma condição de parada que coloca um teto rígido no número de turnos, de tokens ou de chamadas a tools.
Mapa das costuras: Um mapa das entregas de um processo: quem entrega, quem recebe, o que se perde, quanto tempo custa e onde a IA poderia encaixar.
Merge: Juntar as alterações de uma branch de volta à linha principal quando já estão prontas.
Níveis de maturidade: Etiquetas para os fluxos de trabalho compartilhados: por sua conta e risco, destacado (revisado) e oficial (mantido, em nível de produção).
O peso do resultado: Os tokens de saída custam tipicamente 3 a 5 vezes mais do que os de entrada, então um padrão verboso multiplica o gasto num instante.
Output schema: Uma definição escrita e precisa dos campos e dos tipos de um resultado, fixada antes de você escrever o prompt.
Plano de manutenção: Um documento curto com o nome do responsável, de quem o substitui, a cadência de revisão, os modos de falha conhecidos e a forma de testar alterações.
Pronto para produção: Um fluxo de trabalho testado com entradas reais, com os modos de falha e os HITL gates escritos no briefing, documentado, com responsável e com registro para detectar o drift.
Pull request: Um conjunto de commits proposto para revisão antes de entrar na linha principal.
Recall: Com que confiabilidade o modelo cumpre uma determinada regra. Regras enterradas no meio de um long context passam batido.
Regra das 50 entradas: Teste um agent com 50 entradas reais e diferentes antes de confiar nele para rodar sem supervisão. Categorize cada falha.
Repository (repo): Uma pasta de projeto com memória: os arquivos, os testes e um registro de cada alteração, então nada se perde de verdade.
Skill: Um conjunto de instruções e material de referência que ensina um assistente a fazer bem um trabalho, reutilizável em todos os chats seguintes.
SKILL.md: O único arquivo obrigatório de uma skill: frontmatter YAML no topo, com nome e descrição, e o procedimento no corpo.
Symlink: Um arquivo-atalho que aponta para outro arquivo, para que uma só cópia real apareça em vários lugares.
Templates com variáveis: Os briefings de produção são templates com variáveis com nome, o que os torna inspecionáveis, versionáveis e passíveis de fork.
Terminal (shell): A janela de texto onde você digita comandos em vez de clicar em botões. É aqui que vivem os coding agents.
Test suite: As verificações que um projeto faz em si mesmo, rodadas por um único comando que diz se passou ou falhou.
Teste de objetivo: Uma condição de parada que o agent roda em vez de afirmar: a compilação passa, ou o endpoint retorna 200.
Triggers: Como um agent começa a rodar: por agendamento, sob demanda ou a partir de um evento, como uma linha nova num banco de dados.
Utilizável vs. rigoroso: Utilizável quer dizer que as etapas seguintes conseguem ler o resultado. Rigoroso quer dizer que o conteúdo está certo. Os dois importam.
Vibe coding: Construir uma coisa descrevendo em palavras simples o que você quer e deixar a IA escrever o código, se guiando pela intuição.
Worktree: Uma segunda cópia de trabalho do mesmo repo, na sua própria pasta e com a sua própria branch, para que dois trabalhos nunca se atropelem.
YAML: Configurações escritas como linhas etiquetadas, do tipo name: pdf-export. Lê-se como um formulário e não como código.

Risco e segurança

A regra inegociável: Nunca cole dados bancários, credenciais, documentos de identificação nem nada que seja privado e não seja seu numa ferramenta de IA genérica.
Ações sempre com HITL: Coisas que precisam sempre da aprovação de uma pessoa: dinheiro, saúde, segurança, contratos, condições legais, envios a órgãos públicos e situação legal de alguém.
Adversarial testing: Dar de propósito a um agent entradas capciosas, contraditórias, incompletas ou maliciosas durante os testes, para descobrir onde ele quebra.
Adversarial verification: Separar quem faz de quem julga. Uma passagem cria, outra ataca com ordens para refutar, e só entra em produção o que sobreviver.
AI slop: Texto ou imagens de IA feitos em massa e sem nenhum esforço. É o que um bom prompting evita.
Audit logs: Um registro de cada chamada a uma tool MCP, com data e hora, quem chamou, com que scope e com que resultado. É o que você consulta para saber o que a IA fez.
Blast radius: O alcance dos sistemas que um agent pode afetar se algo der errado. Um agent conectado a mais coisas precisa de gates mais rígidos.
Confidence calibration: Fazer a IA classificar a própria confiança (alta, média, baixa) com uma justificativa, para você saber quais resultados precisam de revisão.
Drift: Quando os resultados do modelo se degradam devagar porque o padrão das entradas mudou. É silencioso, e só se vê ao olhar para muitos resultados.
Drift (loop): Uma falha do ciclo em que o agent esquece o objetivo e passa a otimizar uma subtarefa. Repita o objetivo perto do fim do context.
Errado com toda a convicção: Uma resposta que soa confiante mas está errada de forma sutil, e com o mesmo tom das respostas certas.
Guardrails: Regras e verificações que impedem a IA de fazer coisas arriscadas.
Hallucination: Quando um assistente afirma algo falso com toda a convicção. Vale sempre a pena conferir.
Higiene de dados: Os hábitos de lidar com informação privada quando você usa IA. Deixe os dados sensíveis onde eles vivem em vez de colá-los numa ferramenta que você não controla.
HITL gate: Um gate com uma pessoa no circuito (human-in-the-loop), onde alguém revisa antes de o agent agir. Obrigatório em ações irreversíveis ou de confiança baixa.
Human-in-the-loop (HITL): Uma pessoa revisa ou aprova o resultado da IA antes de qualquer ação, sobretudo em passos regulados, irreversíveis ou de grande impacto.
Jailbreak: Um prompt feito para contornar os guardrails de uma IA. Não tente: eles protegem você e os outros.
Mínimo de confiança: Um limite abaixo do qual o agent para e encaminha para uma pessoa em vez de agir.
Não avança: Uma falha do ciclo em que o agent repete a mesma ação que falha. Resolve-se registrando o que já foi tentado e limitando as tentativas.
Parada errada: Uma falha do ciclo em que o agent desiste cedo ou nunca desiste. Resolve-se com um teste de parada explícito.
Pausa automática: Um disjuntor que trava o agent quando a exatidão medida por amostragem cai abaixo de um limite definido, até uma pessoa ligar o agent de novo.
Prompt injection: Instruções maliciosas escondidas dentro de conteúdo que a IA lê, tentando desviá-la do que ela estava fazendo.
Revocation: Retirar os scopes de uma conexão MCP quando o fluxo de trabalho é desativado, para não acumular conexões inativas.
Scopes: Permissões por ação que um servidor MCP expõe, como read_employees separado de update_employee. Conceda só o mínimo.
Verificação por amostragem: Revisar você mesmo uma parte dos resultados de um fluxo de trabalho, 10% por exemplo.
Via de escalonamento: O caminho definido para um caso sinalizado: quem é avisado, como e com que context. Todos os HITL gates precisam de um.

Ferramentas e assistentes

Agente integrado no workspace: Um agent que vive dentro de uma ferramenta como o Notion, lendo e escrevendo nas páginas e nos bancos de dados dela.
AI agent: Um briefing salvo que roda um trabalho recorrente por conta própria: por agendamento, sob demanda ou a partir de um evento.
Artifacts: Um recurso do Claude que gera código, documentos, apresentações e resultados interativos num painel lateral editável.
Assistente de IA: A sua ferramenta de chat independente: ChatGPT, Gemini, Claude ou Grok. É reativa: você pergunta, ela responde.
Assistente integrado (no aplicativo): IA que vive dentro de um aplicativo que você já usa, como o Gmail, o Notion ou o Word. Atua sobre a página que você tem aberta.
Assistente salvo (reutilizável): Um assistente personalizado que você configura uma vez e reutiliza, como um Custom GPT, um Gem ou um Claude Project.
ChatGPT: O assistente da OpenAI, gratuito em chatgpt.com. Um faz-tudo confiável, com a maior comunidade de usuários.
Claude: O assistente da Anthropic, gratuito em claude.ai. Forte em escrita longa, análise pesada de documentos e raciocínio difícil.
Claude Projects: Workspaces persistentes do Claude que guardam documentos de referência que o Claude leva em conta em todas as conversas.
Co-pilot: IA que trabalha ao seu lado dentro de uma ferramenta, sugerindo enquanto você avança, com o controle sempre do seu lado.
Connectors: Conexões que permitem ao Claude acessar tools como o Drive, o Gmail, o Slack, o GitHub e o Linear, com a sua autorização.
Custom GPTs: Os assistentes salvos e reutilizáveis do ChatGPT: você configura uma vez e reutiliza sempre.
Deep Research: Um modo que faz uma investigação longa em várias fontes e entrega um relatório escrito, com as fontes citadas.
Gemini: O assistente da Google, gratuito em gemini.google.com. O mais forte quando a entrada é grande, mista ou visual, e roda dentro do Google Workspace.
Gems: Os assistentes personalizados, salvos e reutilizáveis do Gemini: você configura uma vez e reutiliza sempre.
Grok: O assistente da xAI, gratuito em grok.com. Conectado ao X e à web em tempo real, é o mais forte em atualidade.
Plataforma de automação: Uma ferramenta sem código, como o Zapier ou o Make, que copia dados entre aplicativos de forma agendada.

Trabalhar com IA

A mentalidade 100×: O ritmo novo: meses passam a dias, dias passam a horas. Quando o custo cai 100 vezes, coisas novas passam a ser possíveis.
A regra dos 80%: Comece sempre pelo seu assistente de IA. A ferramenta que vive dentro do aplicativo é um atalho conveniente que você pode dispensar.
Agora somos todos construtores: Quem constrói um fluxo de trabalho com IA é um construtor, seja qual for o cargo que tem.
AI-pilled: Conquistado pela IA. Assim que a ficha cai numa tarefa, você começa a recorrer a ela para tudo. Diz-se quase sempre em tom de brincadeira.
Cruzar as respostas: Fazer a mesma pergunta importante em duas ferramentas e comparar. Se concordarem, você ganha confiança; se divergirem, tem ali algo para investigar.
Fluência em IA: A capacidade de trabalhar com IA, construir com ela e pensar ao lado dela. A competência com maior retorno da década.
O trabalho tem que desaparecer: A ideia de que a IA deve apagar categorias inteiras de trabalho, eliminando tarefas de vez.
Pensar primeiro na IA: Passar meio minuto em cada tarefa nova pensando em como a IA poderia ajudar, antes de fazer tudo à mão.
Reaprender a aprender: A meta-competência de continuar aprendendo à medida que a expertise antiga vai sendo automatizada. É a nova vantagem duradoura.