Criativaria ✦
← roadmaps
Intermediário 4-6 meses

IA Aplicada do Zero

De curiosidade a construtor: crie produtos com LLMs e IA generativa

Stack: Python, OpenAI API, LangChain, Hugging Face, FastAPI, Streamlit

Antes de começar (premissas)
  • Python básico: funções, listas, dicionários, leitura de arquivos
  • Sabe fazer requisições HTTP (fetch, requests)
  • Já usou pelo menos uma API externa

Trilha de IA (paralela)

IA Aplicada foca em USAR modelos de linguagem (LLMs) para construir produtos e automações, não em TREINAR modelos do zero. O caminho é: entender como LLMs funcionam, aprender engenharia de prompt, integrar APIs, e construir aplicações completas. Machine Learning clássico e treinamento de modelos são cobertos no Roadmap de ML.

N1Prompt engineering e APIsMês 1

Entender como funciona um LLM, engenharia de prompt básica, fazer chamadas às APIs OpenAI/Anthropic, primeiros projetos com chat e geração de texto.

N2RAG e agentes básicosMês 2-3

Retrieval-Augmented Generation, agentes simples, memória, ferramentas customizadas, integração com bancos de dados vetoriais, primeiras aplicações Streamlit.

N3Produção e observabilidadeMês 4-6

Fine-tuning, avaliação de modelos, sistemas multi-agente, produção com FastAPI, observabilidade, guardrails, rate limiting, caching estratégico.

O caminho, parada por parada

  1. Semana 1-2

    Fundamentos de LLMs e primeira chamada de API

    Entender como LLMs funcionam, configurar ambiente Python, fazer primeira chamada à API da OpenAI ou Anthropic

    Recursos, projetos e entregável

    Você vai interagir com IA diretamente via API, sem interface gráfica

    Entregável: Script Python que conversa com um LLM via API e salva o histórico em arquivo

    Recursos (PT-BR)

    Projetos pra fixar

    Marco: Primeira chamada de API funcionando e entendendo os parâmetros básicos

  2. Mês 1

    Prompt Engineering na prática

    Técnicas de prompt que fazem diferença real na qualidade das respostas: estrutura, contexto, exemplos, formato de saída

    Recursos, projetos e entregável

    Esta fase é sobre aprender a se comunicar bem com LLMs, não sobre código

    Entregável: Conjunto de prompts documentados para 3 casos de uso diferentes, com comparação de resultados

    Recursos (PT-BR)

    Projetos pra fixar

    Marco: Sabe escrever prompts que produzem saída estruturada e consistente

  3. Mês 2

    Streamlit e primeiras apps

    Interface gráfica para suas ferramentas de IA com Streamlit, deploy simples

    Recursos, projetos e entregável

    Transformar scripts Python em apps usáveis por qualquer pessoa

    Entregável: App Streamlit deployada (Railway ou Streamlit Cloud) com pelo menos uma funcionalidade de IA

    Recursos (PT-BR)

    Projetos pra fixar

    Marco: App deployada e acessível por URL pública

  4. Mês 3

    RAG: respondendo perguntas sobre seus dados

    Retrieval-Augmented Generation: conectar LLMs a bases de conhecimento próprias usando embeddings e busca vetorial

    Recursos, projetos e entregável

    RAG é a técnica mais usada em produção para evitar alucinações e dar ao modelo acesso a dados atualizados

    Entregável: Sistema de Q&A sobre uma base de documentos própria (PDFs, Notion, docs internos)

    Recursos (PT-BR)

    Projetos pra fixar

    Marco: Pipeline de RAG funcionando end-to-end com documentos reais

  5. Mês 4

    Agentes e ferramentas

    LLMs que executam ações: chamar funções, buscar na web, manipular arquivos, usar APIs externas

    Recursos, projetos e entregável

    Agentes são LLMs com capacidade de decidir qual ferramenta usar para resolver um problema

    Entregável: Agente que usa pelo menos 3 ferramentas customizadas para completar uma tarefa real

    Recursos (PT-BR)

    Projetos pra fixar

    Marco: Agente funcional com pelo menos uma ferramenta que acessa dado externo real

  6. Mês 5-6

    Produção: API, observabilidade e custo

    Servir modelos via FastAPI, monitorar qualidade e custo, rate limiting, caching de respostas

    Recursos, projetos e entregável

    A maioria dos projetos de IA falha não na parte de IA, mas na parte de engenharia de produto

    Entregável: API FastAPI com autenticação, logging de prompts/respostas, estimativa de custo por request

    Recursos (PT-BR)

    Projetos pra fixar

    Marco: API em produção com monitoramento e controle de custo funcionando

Checklist final

    Princípios

      ← voltar para os roadmaps