Dia 1 - Prompt e Context Engineering

A aula introduz um conceito forte:

Software está sendo construído em camadas - e estamos na camada de Application Development

Aula 1

🧱 Camadas apresentadas

🔴 Application Development (onde estamos)

• AI Interface
• Prompt Engineering
• Context Construction
• Evaluation

👉 Aqui o dev atua diretamente com IA no produto

🟠 Model Development

• Dataset engineering
• Training
• Fine-tuning
• Evaluation

👉 Responsável por criar/treinar modelos

🔵 Infrastructure

• Compute
• Serving
• Monitoring
• Data management

👉 Base que sustenta tudo

💡 Insight técnico

Você não precisa treinar modelo, mas precisa dominar:

• Prompt
• Contexto
• Avaliação

👉 Isso define o novo skillset do backend moderno

🤖 2. IA como projeto de software

A aula reforça:

IA deixou de ser só ferramenta → virou parte do produto

📌 Mudança principal

• Apps tradicionais agora:
  • usam IA internamente (features inteligentes)
  • ou expõem IA como produto

🧠 Novo tipo de sistema

1. Aplicações com IA embutida

• Ex: autocomplete, recomendação, análise

2. Agentes de IA

• Sistemas autônomos que:
  • tomam decisão
  • executam ações
  • iteram

🛠️ 3. IA como ferramenta no desenvolvimento

A IA também atua no processo de engenharia

📌 Casos de uso (da aula)

• Análise de problemas e trade-offs
• Apoio à decisão técnica
• Code generation
• Code review
• Debugging
• Segurança

🔥 Evolução importante

A aula mostra que estamos indo para:

• Codificação por agentes
• PRs gerados por IA
• Auto-correção de bugs

🔄 Mudança no workflow

Antes:

Dev → Código → Deploy

Agora:

Dev → IA → Código → IA revisa → Deploy

👨‍💻 4. Novo papel do desenvolvedor

📌 Responsabilidades-chave

• Entendimento de domínio
• Arquitetura de soluções
• Integração de sistemas
• Especificação e validação
• Co-autoria com IA

💡 Insight forte

O dev deixa de ser executor → vira orquestrador

⚠️ 5. Problemas novos trazidos pela IA

A aula lista desafios que não existiam antes

🧩 Engenharia de sistemas com IA

• Integração com LLMs (não é só SDK)
• Design de agentes
• Protocolos de comunicação

⚖️ Trade-offs críticos

• Latência
• Custo
• Qualidade

👉 Isso vira decisão arquitetural

🔐 Segurança (muito importante)

Problemas novos:

• Prompt Injection
• Jailbreaking
• Falta de guardrails

Exemplo citado:

Fazer a IA ignorar instruções e responder algo indevido

🧠 6. Prompt Engineering (expandido com as imagens)

📌 Papel real para devs

A aula detalha onde prompts entram:

• Exploração
• Contextualização
• Planejamento
• Testes
• Refatoração
• Benchmarks
• PR / Code review

🧪 Tipos de prompting

🔹 Zero-shot / One-shot / Few-shot

• Controle por exemplos

🔹 Chain of Thought (CoT)

📌 Representação mostrada:

Sem CoT:

Pergunta → Resposta direta → maior erro

Com CoT:

Pergunta → decompor → raciocinar → validar → resposta melhor

🔹 Tree of Thought (ToT)

• Explora múltiplos caminhos
• Descarta ruins
• Expande bons

👉 Similar a busca em árvore (AI search)

🔹 ReAct

📌 Loop apresentado:

Thought → Action → Observation → repetir

• Raciocina
• Executa ação (API, código)
• Observa resultado

👉 Base para agentes modernos

🧾 7. Regras de ouro de Prompt Engineering

Checklist direto da aula:

• Definir persona e escopo
• Objetivo claro
• Inputs mínimos e separados
• Formato de saída definido
• Critérios explícitos
• Tratar ambiguidade
• Incluir restrições

🗂️ 8. Gerenciamento de prompts (nível produção)

📌 Problema

Prompts viram artefatos de software

🧠 Soluções

• Versionamento
• Reuso
• Observabilidade

Ferramentas:

• Registry local
• Plataformas como LangSmith

🧠 9. Context Engineering (com diagrama da aula)

A imagem mostra claramente o que compõe o contexto:

🧩 Componentes

• RAG (docs + vector search)
• Prompt (system + few-shot)
• State / history
• Memory (persistência)
• Structured output (JSON/tools)

⚠️ Limitação crítica

Context window é finita

👉 Isso força decisões:

• O que incluir?
• O que remover?
• O que resumir?

🧠 Tipos de informação no contexto

• O que saber
• Como agir
• O que já aconteceu
• O que lembrar
• Em qual formato responder

🧱 10. Arquitetura com IA (RAG + contexto)

📌 Estrutura moderna

User → Backend →
   RAG →
   Context Builder →
   LLM →
   Output estruturado

💡 Insight

Context Engineering = nova arquitetura de backend

🧠 11. Pilares do desenvolvimento com IA

A aula fecha com um modelo bem importante:

🧩 Pilares

• Ferramentas (IDEs, CLIs)
• Prompts
• Modelos / agentes
• Documentação
• Memória
• Ambientes (local, remoto, GitHub)
• MCP Servers
• Skills
• Workflow (centro de tudo)

🔥 Insight mais importante aqui

Não é sobre ferramenta → é sobre workflow integrado com IA

🚀 12. Síntese final (nível sênior)

🧠 O que mudou de verdade

1. Código não é mais o centro
2. Prompt virou interface
3. Contexto virou arquitetura
4. IA virou runtime cognitivo

🧩 Novo stack mental

Software tradicional:
  lógica + dados

Software com IA:
  contexto + instrução + validação

💡 Frase que resume a aula

“Saber programar não é mais suficiente - você precisa saber estruturar contexto e orquestrar IA.”