Guia dos recursos para LLM
Compreender cada tipo de recurso: para que serve, quando o usar e como.
Glossary: AI concepts explained simply →
Publicar sem passar pelo formulário: API, linha de comandos e GitHub Actions →
Produção — usar o modelo em produção, sem o alterar
Um contexto é um conjunto de instruções e exemplos dados ao modelo de IA antes da pergunta do utilizador.
Um prompt é um modelo de texto reutilizável com variáveis entre chavetas duplas, por exemplo {{produto}}.
Um agente é um assistente de IA que encadeia etapas para concluir uma tarefa: segue instruções, usa servidores MCP e contextos, e respeita salvaguardas..
Um pipeline RAG (retrieval-augmented generation) permite a um modelo responder a partir dos seus documentos: estes são divididos e transformados em embeddings e, em cada pergunta, os excertos úteis são encontrados e dados ao modelo..
Um workflow é uma sequência de etapas em que a IA participa: obter dados, fazê-los analisar por um modelo e depois enviar o resultado para outro lado.
Um esquema de saída é um JSON Schema que descreve com precisão a forma da resposta esperada: que campos, que tipos, quais são obrigatórios.
Treino — alterar o modelo treinando-o
Um dataset é um conjunto de exemplos em formato JSONL (uma linha JSON por exemplo), usado para treinar ou avaliar um modelo..
O LoRA adapta um modelo existente a uma tarefa sem o voltar a treinar por completo: só são treinados pequenos adaptadores.
Uma avaliação é um conjunto de casos de teste (entrada e resposta esperada) com um método de pontuação.
Um corpus é um conjunto de documentos já dividido em pedaços, cada um com o seu texto e a sua fonte.
Uma função de recompensa avalia a resposta de um modelo durante a aprendizagem por reforço: o modelo aprende a dar as respostas que obtêm a melhor pontuação.
Uma receita de dados sintéticos explica como gerar um dataset com um modelo: o prompt que cria os exemplos, o modelo usado, o formato pretendido, o volume e os filtros que eliminam os maus exemplos..
Um guia de anotação dá as instruções para etiquetar dados de forma coerente: a lista de etiquetas, a definição de cada uma e exemplos anotados.
Extensões — ligar ferramentas ao modelo
Um servidor MCP (Model Context Protocol) dá novas capacidades a um assistente de IA: ler ficheiros, consultar uma base de dados, chamar um serviço.
Uma skill é um pacote de instruções (ficheiro SKILL.md) que um assistente como o Claude só carrega quando a tarefa o exige.
Um harness é o ambiente em que um agente trabalha: o seu ficheiro de instruções (p.
A memória permite a um assistente de IA guardar informações de uma conversa para a seguinte: preferências, decisões, o contexto de um projeto.
Infraestrutura — executar um modelo na sua própria máquina
Uma configuração de inferência é o conjunto de definições necessárias para executar um modelo no seu próprio computador: o motor (Ollama, vLLM, llama.cpp), a quantização, o tamanho do contexto e o comando de arranque..
Uma stack é um conjunto de serviços de IA que funcionam juntos e arrancam com um só comando: por exemplo um modelo, uma base vetorial e uma interface de chat, descritos num ficheiro docker-compose..
Conformidade — provar que a IA é segura e lícita
Uma salvaguarda é um conjunto de regras que controla o que entra ou sai de um assistente de IA: bloquear dados pessoais, detetar injeções de prompt, recusar pedidos fora do tema..
O red teaming consiste em atacar deliberadamente um assistente de IA para encontrar as suas falhas antes dos utilizadores: contornar as regras, fugas de dados, injeção de prompt, promessas que não pode fazer..
Um dossiê AI Act é um modelo de documentação a preencher para cumprir o regulamento europeu sobre a IA (AI Act): aviso de transparência, descrição dos dados de treino, avaliação de riscos ou registo de sistemas..
Uma política de utilização da IA fixa as regras internas de uma organização: que ferramentas são permitidas, que dados nunca devem ir para uma IA, quando a verificação humana é obrigatória.
Modelos — modelos adaptados publicados por Labs
Um modelo é um modelo de IA publicado por um Lab verificado: fine-tune, merge ou versão quantizada.
Um modelo de embeddings transforma um texto numa série de números (um vetor).
Um world model gera um mundo interativo a partir de uma descrição: é possível deslocar-se ou agir nele, e a cena reage.