Implemente os componentes internos dos modelos, os pipelines de recuperação e os ambientes de execução de agentes. Teste-os, inspecione falhas e guarde o código e os resultados de avaliação.
**[Começar a aprender](https://aiengineeringfromscratch.com/lesson?path=phases/00-setup-and-tooling/01-dev-environment)** · **[Escolha um percurso](#learning-routes)** · **[Experimente um laboratório](#interactive-lab)** · **[Construa um projeto](#project-challenges)** · **[Consultar o currículo](#contents)**
Gratuito, de código aberto, com licença MIT. Aprenda no site, com um agente de programação ou executando código local.
> 523 lições. 20 fases. Python, TypeScript, Rust, Julia.
## Caminhos de aprendizado
| Caminho | Lição inicial |
|---|---|
| Fundamentos dos modelos | [Configuração e ferramentas](https://aiengineeringfromscratch.com/lesson?path=phases/00-setup-and-tooling/01-dev-environment) |
| Sistemas LLM | [Engenharia de prompts](https://aiengineeringfromscratch.com/lesson?path=phases/11-llm-engineering/01-prompt-engineering) |
| Agentes e entrega | [O ciclo do agente](https://aiengineeringfromscratch.com/lesson?path=phases/14-agent-engineering/01-the-agent-loop) |
[Compare caminhos profissionais](https://aiengineeringfromscratch.com/learning-paths.html) · [Pré-requisitos e tempo de estudo](#study-guide)
### Descida de gradiente
Vinte pontos iniciais seguem a descida de gradiente numa função de perda quadrática. O gráfico mostra as suas posições e a perda média após cada atualização.
[Ajuste a taxa de aprendizado na lição](https://aiengineeringfromscratch.com/lesson?path=phases/01-math-foundations/08-optimization#loss-landscape-visualization) · [Compare GD, momentum e Adam no código](../../phases/01-math-foundations/08-optimization/code/optimizers.py)
### Projetos
Três projetos com código inicial por etapas, implementações de referência e avaliadores locais. Execute os comandos na raiz do repositório após a [configuração](#local-setup). O código inicial falha até implementar as etapas.
01 · Laboratório de avaliação de recuperação · Python · Métricas de classificação e verificações de regressão
Um sistema candidato melhora o NDCG médio enquanto uma consulta coloca a sua evidência mais relevante numa posição inferior. Construa uma comparação por consulta que comunique a regressão e possa fazer falhar uma verificação de lançamento.
Use Python 3.10+. Revise [RAG](../../phases/11-llm-engineering/06-rag/docs/en.md) e [avaliação de modelos](../../phases/02-ml-fundamentals/09-model-evaluation/docs/en.md). Implemente a validação de classificações, a precisão e a recall, as métricas sensíveis à posição e, depois, a comparação de sistemas.
```bash
python3 scripts/project_test.py retrieval-evaluation-lab \
--init learning-artifacts/retrieval-evaluation-lab
python3 scripts/project_test.py retrieval-evaluation-lab \
--stage 1 --path learning-artifacts/retrieval-evaluation-lab --strict
python3 scripts/project_test.py retrieval-evaluation-lab \
--all --path learning-artifacts/retrieval-evaluation-lab --strict
```
**Guarde:** uma comparação reproduzível com diferenças por consulta e os julgamentos usados na pontuação. As métricas descrevem esses julgamentos; não estabelecem a correção das respostas.
[Comece o projeto](https://aiengineeringfromscratch.com/project.html?id=retrieval-evaluation-lab) · [Inspecione a referência](../../projects/retrieval-evaluation-lab/solution/) · [Execute com os seus próprios dados](../../projects/retrieval-evaluation-lab/README.md#run-with-your-own-inputs)
02 · Depurador de rastros de agentes · TypeScript · Análise de rastros e tempos
Um rastro fornecido continua a demorar 100 ms, mas o consumo total aumenta em 200 tokens e um segmento começa a falhar. Separe o trabalho sobreposto dos segmentos filhos do tempo de execução do pai e produza um relatório que mostre a alteração.
Use Node.js 22.18+ e Python 3 para o avaliador. Implemente a análise de JSONL, a validação das relações pai-filho, a aritmética de intervalos e uma cronologia consultável.
```bash
python3 scripts/project_test.py agent-trace-debugger \
--init learning-artifacts/agent-trace-debugger
python3 scripts/project_test.py agent-trace-debugger \
--stage 1 --path learning-artifacts/agent-trace-debugger --strict
python3 scripts/project_test.py agent-trace-debugger \
--all --path learning-artifacts/agent-trace-debugger --strict
```
**Guarde:** o rastro de entrada, uma cronologia HTML e um relatório de regressão JSON. Preserve contagens exclusivas de tokens por segmento para não contar duas vezes o consumo do pai e dos filhos.
[Comece o projeto](https://aiengineeringfromscratch.com/project.html?id=agent-trace-debugger) · [Inspecione a referência](../../projects/agent-trace-debugger/solution/) · [Explore os tempos de forma interativa](https://aiengineeringfromscratch.com/project.html?id=agent-trace-debugger&stage=03-timing)
03 · Firewall de chamadas a ferramentas · Rust · Verificações de papéis e comprovantes de aprovação
Uma escrita muda após a revisão ou uma aprovação é reutilizada. Valide o envelope da chamada, verifique o papel e o caminho do chamador e consuma uma aprovação vinculada ao solicitação e conteúdo exatos.
Use Rust e Python 3.10+. Revise [projeto de esquemas de ferramentas](../../phases/13-tools-and-protocols/05-tool-schema-design/docs/en.md) e [limites de segurança](../../phases/17-infrastructure-and-production/25-security-secrets-audit/docs/en.md). A aplicação chamadora fornece a identidade; o modelo propõe uma operação.
```bash
python3 scripts/project_test.py tool-call-firewall \
--init learning-artifacts/tool-call-firewall
python3 scripts/project_test.py tool-call-firewall \
--stage 1 --path learning-artifacts/tool-call-firewall --strict
python3 scripts/project_test.py tool-call-firewall \
--all --path learning-artifacts/tool-call-firewall --strict
```
**Guarde:** um comprovante de auditoria que mostre a operação solicitada e a decisão da política. As aprovações são de uso único numa invocação; este projeto não fornece autorização persistente nem uma sandbox do sistema operacional.
[Comece o projeto](https://aiengineeringfromscratch.com/project.html?id=tool-call-firewall) · [Inspecione a referência](../../projects/tool-call-firewall/solution/) · [Explore os limites de aprovação](https://aiengineeringfromscratch.com/project.html?id=tool-call-firewall&stage=03-consume-a-request-bound-approval-once)
[Explore todos os projetos](https://aiengineeringfromscratch.com/projects.html) · [Guia de prática profissional](../../learning-paths/CAREER-PRACTICE.md)
## Escolha como aprender
### No site
Abra qualquer lição concluída em [aiengineeringfromscratch.com](https://aiengineeringfromscratch.com) ou expanda uma fase em [Conteúdo](#contents). Não precisa instalar nada nem clonar o repositório.
### Com um tutor de IA
Se Node.js, `npx` e um agente de programação compatível com skills já estiverem instalados, você pode transformá-lo em seu tutor. Não é necessário clonar o repositório para instalar ou ler o tutor. Os laboratórios executáveis de Agent Skills também exigem um host selecionado e um escopo de instalação de skills, pessoal ou do projeto, com permissão de escrita. Os laboratórios executáveis dos percursos específicos precisam de `python3`.
```bash
npx skills add rohitg00/ai-engineering-from-scratch
```
Escolha o host e o escopo quando o instalador perguntar. Use `start-learning` no Codex, `/start-learning` no Claude Code ou peça ao host que use a skill pelo nome.
Configuração do tutor e comandos do ambiente
Verifique primeiro os requisitos locais:
```bash
node --version
npx --version
python3 --version
```
`skills` grava no host e no escopo escolhidos durante a instalação, como `.claude/skills/`, `.cursor/skills/`, `.codex/skills/` ou outra pasta de skills compatível. Verifique se o host selecionado detecta exatamente esse destino.
A sintaxe de invocação pertence ao host, não ao formato portátil `SKILL.md`:
| Aplicação hospedeira | Comece o curso | Inicie Model Context Protocol (MCP) | Inicie Agent Skills | Faça o quiz de uma fase |
|---|---|---|---|---|
| Codex | `start-learning`, ou escolher entre `/skills` | `learn-mcp`, ou escolher entre `/skills` | `learn-agent-skills`, ou escolher entre `/skills` | `check-understanding 13`, ou escolher entre `/skills` |
| Claude Code | `/start-learning` | `/learn-mcp` | `/learn-agent-skills` | `/check-understanding 13` |
| Outros hosts compatíveis | `Use start-learning to begin the course.` | `Use learn-mcp to start the Model Context Protocol (MCP) path.` | `Use learn-agent-skills to start the Agent Skills Engineering path.` | `Use check-understanding to quiz me on Phase 13.` |
Um questionário de nivelamento com dez perguntas identifica a fase inicial adequada ao que você já sabe e salva um plano de estudos personalizado em `LEARNING.md`. Depois, a skill `learn` ensina uma lição por sessão: conceito, matemática, código e questionário. A skill `course-guide` leva você à lição exata sobre o que está causando dificuldade. No Codex, invoque essas skills com `learn` e `course-guide`; no Claude Code, use `/learn` e `/course-guide`; em outros hosts compatíveis, peça a skill pelo nome.
Quer aprender apenas o Model Context Protocol (MCP)? Use a invocação de MCP do seu host. A skill cria `MCP-LEARNING.md` e segue uma rota de 17 lições sobre solicitações sem estado, transportes, comunicação bidirecional, segurança, confiabilidade, governança de registros e evidências de conformidade. A ordem e os pontos de controle estão no [manifesto do Model Context Protocol (MCP)](../../learning-paths/model-context-protocol.json).
Quer aprender apenas Agent Skills? Use a invocação de Agent Skills do seu host. A skill cria `AGENT-SKILLS-LEARNING.md` e segue uma rota coesa de cinco lições: contrato, descoberta, invocação, limites do ambiente isolado e, por fim, avaliações de lançamento e portabilidade em hosts reais. Comece pela web com a [trilha de Agent Skills](https://aiengineeringfromscratch.com/lesson?path=phases/13-tools-and-protocols/22-skills-and-agent-sdks&learningPath=agent-skills).
O instalador lista os hosts que pode configurar e pergunta onde instalar. Se você ainda não tiver Node.js, `npx`, `python3`, um host compatível ou um escopo com permissão de escrita, use o site ou leia `docs/en.md` manualmente. Esse caminho ensina os conceitos, mas as evidências de descoberta e invocação no host real, execução de scripts e desinstalação ficam pendentes até que a verificação inicial esteja disponível. Leia as lições em [aiengineeringfromscratch.com](https://aiengineeringfromscratch.com).
### Skills de aprendizagem
| Habilidade | O que faz |
|---|---|
| [`start-learning`](../../skills/start-learning/SKILL.md) | Integração inicial: defina por que está aprendendo, responda ao questionário de nivelamento e salve um plano personalizado em `LEARNING.md`. |
| [`learn`](../../skills/learn/SKILL.md) | Ciclo do tutor: revisão inicial, próxima lição interativa e seu questionário; registra o progresso e uma fila de revisão. |
| [`course-guide`](../../skills/course-guide/SKILL.md) | Guia por tópicos: encontra as lições exatas e seus links para perguntas como “Onde aprendo atenção?” ou “minha perda é NaN”. |
| [`learn-mcp`](../../skills/learn-mcp/SKILL.md) | Tutor especializado em Model Context Protocol (MCP). Cria `MCP-LEARNING.md`, segue o manifesto de 17 lições e registra evidências sobre protocolo, segurança, confiabilidade e conformidade. |
| [`learn-agent-skills`](../../skills/learn-agent-skills/SKILL.md) | Tutor especializado em Agent Skills. Cria `AGENT-SKILLS-LEARNING.md`, ensina as lições 22, 24, 25, 26 e 27 e registra evidências em hosts reais. |
| [`claude-certification`](../../skills/claude-certification/SKILL.md) | Tutor de certificação. Escolhe CCAO-F, CCDV-F, CCAR-F ou CCAR-P; ensina cada lição, executa laboratórios, revisa artefatos, aplica diagnósticos e simulados e salva o progresso. |
| [`mcpa-certification`](../../skills/mcpa-certification/SKILL.md) | Tutor do MCPA. Segue a rota `mcpa-f` de 34 lições sobre o protocolo 2026-07-28; ensina cada lição, executa os laboratórios e o verificador do protocolo, aplica o diagnóstico e três simulados e salva o progresso. |
| [`find-your-level`](../../skills/find-your-level/SKILL.md) | Questionário de nivelamento com dez perguntas. Identifica a fase inicial adequada e propõe uma trilha personalizada com estimativas de horas. |
| [`check-understanding `](../../skills/check-understanding/SKILL.md) | Questionário por fase com oito perguntas, feedback e lições específicas para revisar. Use a invocação do Codex, Claude Code ou linguagem natural da tabela acima. |
### Executar código local
```bash
git clone https://github.com/rohitg00/ai-engineering-from-scratch.git
cd ai-engineering-from-scratch
python3 phases/00-setup-and-tooling/01-dev-environment/code/verify.py --route beginner
python3 phases/01-math-foundations/01-linear-algebra-intuition/code/vectors.py
```
A verificação inicial separa os requisitos necessários agora das ferramentas de que você precisará mais tarde. Cada requisito não atendido informa a causa detectada e um comando para corrigi-la. O comando `vectors.py` executa uma lição sem dependências e mostra que a multiplicação de uma matriz por um vetor é a operação realizada dentro de uma camada de rede neural. Guarde a saída do terminal como sua primeira evidência.
Siga o mesmo processo em cada lição
### Siga o mesmo processo em cada lição
1. **Leia** `docs/en.md` e explique a ideia central com suas próprias palavras.
2. **Digite e construa** o código importante, em vez de tratar o bloco de código como decoração.
3. **Execute** o comando da lição a partir da raiz do repositório, o diretório que contém `README.md` e `phases/`.
4. **Guarde evidências**: o comando, o diretório de trabalho, o código de saída, a saída relevante e o artefato que você alterou ou produziu.
5. **Continue** somente quando conseguir explicar a saída e fazer uma pequena alteração sem adivinhar.
Os comandos nas páginas das lições usam caminhos relativos à raiz do repositório, a menos que a lição peça explicitamente para mudar de diretório. Se houver opções em várias linguagens, execute a implementação na linguagem que você está aprendendo.
## Escolha uma trilha de aprendizagem
Você não precisa percorrer as 523 lições antes de começar. Escolha um objetivo. Cada link abre o mesmo currículo no GitHub ou no site, e as duas versões usam o mesmo código das lições.
| Seu objetivo | Estude no GitHub | Estude no site |
|---|---|---|
| Sou iniciante e quero a base completa | [Fase 0: Configuração e ferramentas](../../phases/00-setup-and-tooling/) | [Ambiente de desenvolvimento](https://aiengineeringfromscratch.com/lesson?path=phases/00-setup-and-tooling/01-dev-environment) |
| Sei Python e quero fundamentos de matemática e ML | [Fase 1: Fundamentos matemáticos](../../phases/01-math-foundations/) | [Intuição de álgebra linear](https://aiengineeringfromscratch.com/lesson?path=phases/01-math-foundations/01-linear-algebra-intuition) |
| Quero desenvolver aplicações de LLM para produção | [Fase 11: Engenharia de LLM](../../phases/11-llm-engineering/) | [Engenharia de prompts](https://aiengineeringfromscratch.com/lesson?path=phases/11-llm-engineering/01-prompt-engineering) |
| Quero construir agentes | [Fase 14: Engenharia de agentes](../../phases/14-agent-engineering/) | [O ciclo do agente](https://aiengineeringfromscratch.com/lesson?path=phases/14-agent-engineering/01-the-agent-loop) |
| Quero usar agentes de programação em repositórios reais | [Trilha de engenharia assistida por agentes](../../learning-paths/using-coding-agents.json) | [Engenharia assistida por agentes](https://aiengineeringfromscratch.com/lesson?path=phases/14-agent-engineering/31-agent-workbench-why-models-fail&learningPath=using-coding-agents) |
| Quero definir a solução certa antes de implementá-la | [Trilha de julgamento de produto e entrega](../../learning-paths/shaping-the-build.json) | [Julgamento de produto e entrega](https://aiengineeringfromscratch.com/lesson?path=phases/14-agent-engineering/47-outcomes-before-output&learningPath=shaping-the-build) |
Não sabe por onde começar? Use o [tutor de nivelamento `start-learning`](../../skills/start-learning/SKILL.md) ou o [guia de pré-requisitos do site](https://aiengineeringfromscratch.com/prereqs.html).
Compare quatro áreas centrais e seis trajetórias de carreira nas [trilhas de aprendizagem em Engenharia de IA](https://aiengineeringfromscratch.com/learning-paths.html).
Trilhas específicas de MCP e Agent Skills
| Seu objetivo | Estude no GitHub | Estude no site |
|---|---|---|
| Quero desenvolver com Model Context Protocol (MCP) | [Rota do Model Context Protocol (MCP)](../../phases/13-tools-and-protocols/README.md#model-context-protocol-mcp-path) | [Trilha do Model Context Protocol (MCP)](https://aiengineeringfromscratch.com/lesson?path=phases/13-tools-and-protocols/06-mcp-fundamentals&learningPath=model-context-protocol) |
| Quero criar e publicar Agent Skills | [Rota focada de Agent Skills](../../phases/13-tools-and-protocols/README.md#agent-skills-fast-path) | [Trilha de Agent Skills](https://aiengineeringfromscratch.com/lesson?path=phases/13-tools-and-protocols/22-skills-and-agent-sdks&learningPath=agent-skills) |
Pré-requisitos e tempo de estudo
### Pré-requisitos
- Você sabe programar em alguma linguagem; Python ajuda.
- Você quer entender como a IA funciona de verdade, não apenas chamar APIs.
## Por onde começar
| Experiência prévia | Comece em | Tempo estimado |
|---|---|---|
| Iniciante em programação e IA | Fase 0 — Configuração | ~306 horas |
| Sabe Python, começando em ML | Fase 1 — Fundamentos matemáticos | ~270 horas |
| Sabe ML, começando em aprendizado profundo | Fase 3 — Núcleo de aprendizado profundo | ~200 horas |
| Conhece aprendizado profundo e quer aprender LLMs e agentes | Fase 10 — LLMs do zero | ~100 horas |
| Engenheiro sênior que quer se concentrar em engenharia de agentes | Fase 14 — Engenharia de agentes | ~60 horas |
| Quero criar sistemas MCP para produção | [Trilha do Model Context Protocol (MCP)](../../learning-paths/model-context-protocol.json) | ~23 horas e 15 minutos |
| Quero criar Agent Skills para produção | [Trilha de engenharia de Agent Skills](../../learning-paths/agent-skills.json) | ~9,5 horas |
## A estrutura do currículo
As vinte fases se constroem umas sobre as outras. A matemática é a base; agentes e sistemas de produção ficam no topo. Avance se já dominar as camadas inferiores, mas não pule os fundamentos e depois se surpreenda quando algo nas etapas avançadas der errado.
```mermaid
%%{init: {'theme':'base','themeVariables':{'primaryColor':'#fafaf5','primaryTextColor':'#1a1a1a','primaryBorderColor':'#3553ff','lineColor':'#3553ff','fontFamily':'JetBrains Mono','fontSize':'12px'}}}%%
flowchart TB
P0["Fase 0: Configuração e ferramentas"] --> P1["Fase 1 : Fundamentos matemáticos"]
P1 --> P2["Fase 2 : Fundamentos de ML"]
P2 --> P3["Fase 3 : Núcleo de aprendizado profundo"]
P3 --> P4["Fase 4 : Visão computacional"]
P3 --> P5["Fase 5 : PLN: dos fundamentos ao avançado"]
P3 --> P6["Fase 6 : Fala e áudio"]
P3 --> P9["Fase 9 : Aprendizado por reforço"]
P5 --> P7["Fase 7 : Transformers em profundidade"]
P7 --> P8["Fase 8 : IA generativa"]
P7 --> P10["Fase 10 : LLMs do zero"]
P10 --> P11["Fase 11 : Engenharia de LLM"]
P10 --> P12["Fase 12 : IA multimodal"]
P11 --> P13["Fase 13 : Ferramentas e protocolos"]
P13 --> P14["Fase 14 : Engenharia de agentes"]
P14 --> P15["Fase 15 : Sistemas autônomos"]
P15 --> P16["Fase 16 : Sistemas multiagentes e enxames"]
P14 --> P17["Fase 17 : Infraestrutura e produção"]
P15 --> P18["Fase 18 : Ética, segurança e alinhamento"]
P16 --> P19["Fase 19 : Projetos finais"]
P17 --> P19
P18 --> P19
```
## Conteúdo
20 fases, clique em qualquer fase para expandir a lista de lições.
### Fase 0: Configuração e ferramentas `12 lições`
> Prepare o ambiente para tudo o que vem a seguir.
| # | Lição | Tipo | Idioma |
|:---:|--------|:----:|------|
| 01 | [Ambiente de desenvolvimento](../../phases/00-setup-and-tooling/01-dev-environment/) | Construir | Python |
| 02 | [Git e colaboração](../../phases/00-setup-and-tooling/02-git-and-collaboration/) | Aprender | — |
| 03 | [Configuração de GPU e da nuvem](../../phases/00-setup-and-tooling/03-gpu-setup-and-cloud/) | Construir | Python |
| 04 | [APIs e chaves](../../phases/00-setup-and-tooling/04-apis-and-keys/) | Construir | Python |
| 05 | [Notebooks Jupyter](../../phases/00-setup-and-tooling/05-jupyter-notebooks/) | Construir | Python |
| 06 | [Ambientes Python](../../phases/00-setup-and-tooling/06-python-environments/) | Construir | Shell |
| 07 | [Docker para IA](../../phases/00-setup-and-tooling/07-docker-for-ai/) | Construir | Docker |
| 08 | [Configuração do editor](../../phases/00-setup-and-tooling/08-editor-setup/) | Construir | — |
| 09 | [Gerenciamento de dados](../../phases/00-setup-and-tooling/09-data-management/) | Construir | Python |
| 10 | [Terminal e shell](../../phases/00-setup-and-tooling/10-terminal-and-shell/) | Aprender | — |
| 11 | [Linux para IA](../../phases/00-setup-and-tooling/11-linux-for-ai/) | Aprender | — |
| 12 | [Depuração e perfilamento](../../phases/00-setup-and-tooling/12-debugging-and-profiling/) | Construir | Python |
Fase 1 — Fundamentos matemáticos22 liçõesA intuição por trás de cada algoritmo de IA, com código.
| # | Lição | Tipo | Idioma |
|:---:|--------|:----:|------|
| 01 | [Intuição de álgebra linear](../../phases/01-math-foundations/01-linear-algebra-intuition/) | Aprender | Python, Julia |
| 02 | [Vetores, matrizes e operações](../../phases/01-math-foundations/02-vectors-matrices-operations/) | Construir | Python, Julia |
| 03 | [Transformações de matrizes e autovalores](../../phases/01-math-foundations/03-matrix-transformations/) | Construir | Python, Julia |
| 04 | [Cálculo para ML: derivadas e gradientes](../../phases/01-math-foundations/04-calculus-for-ml/) | Aprender | Python |
| 05 | [Regra da cadeia e diferenciação automática](../../phases/01-math-foundations/05-chain-rule-and-autodiff/) | Construir | Python |
| 06 | [Probabilidade e distribuição](../../phases/01-math-foundations/06-probability-and-distributions/) | Aprender | Python |
| 07 | [Teorema de Bayes e pensamento estatístico](../../phases/01-math-foundations/07-bayes-theorem/) | Construir | Python |
| 08 | [Otimização: métodos de descida do gradiente](../../phases/01-math-foundations/08-optimization/) | Construir | Python |
| 09 | [Teoria da informação: entropia e divergência KL](../../phases/01-math-foundations/09-information-theory/) | Aprender | Python |
| 10 | [Redução de dimensionalidade: PCA, t-SNE, UMAP](../../phases/01-math-foundations/10-dimensionality-reduction/) | Construir | Python |
| 11 | [Decomposição em valores singulares](../../phases/01-math-foundations/11-singular-value-decomposition/) | Construir | Python, Julia |
| 12 | [Operações com tensores](../../phases/01-math-foundations/12-tensor-operations/) | Construir | Python |
| 13 | [Estabilidade numérica](../../phases/01-math-foundations/13-numerical-stability/) | Construir | Python |
| 14 | [Normas e distâncias](../../phases/01-math-foundations/14-norms-and-distances/) | Construir | Python |
| 15 | [Estatística para ML](../../phases/01-math-foundations/15-statistics-for-ml/) | Construir | Python |
| 16 | [Métodos de amostragem](../../phases/01-math-foundations/16-sampling-methods/) | Construir | Python |
| 17 | [Sistemas lineares](../../phases/01-math-foundations/17-linear-systems/) | Construir | Python |
| 18 | [Otimização convexa](../../phases/01-math-foundations/18-convex-optimization/) | Construir | Python |
| 19 | [Números complexos para IA](../../phases/01-math-foundations/19-complex-numbers/) | Aprender | Python |
| 20 | [A transformada de Fourier](../../phases/01-math-foundations/20-fourier-transform/) | Construir | Python |
| 21 | [Teoria dos grafos para ML](../../phases/01-math-foundations/21-graph-theory/) | Construir | Python |
| 22 | [Processos estocásticos](../../phases/01-math-foundations/22-stochastic-processes/) | Aprender | Python |
Fase 2 — Fundamentos de ML18 liçõesO ML clássico continua sendo a espinha dorsal da maioria dos sistemas de IA em produção.
| # | Lição | Tipo | Idioma |
|:---:|--------|:----:|------|
| 01 | [O que é aprendizado de máquina](../../phases/02-ml-fundamentals/01-what-is-machine-learning/) | Aprender | Python |
| 02 | [Regressão linear do zero](../../phases/02-ml-fundamentals/02-linear-regression/) | Construir | Python |
| 03 | [Regressão logística e classificação](../../phases/02-ml-fundamentals/03-logistic-regression/) | Construir | Python |
| 04 | [Árvores de decisão e florestas aleatórias](../../phases/02-ml-fundamentals/04-decision-trees/) | Construir | Python |
| 05 | [Máquinas de vetores de suporte](../../phases/02-ml-fundamentals/05-support-vector-machines/) | Construir | Python |
| 06 | [KNN e métricas de distância](../../phases/02-ml-fundamentals/06-knn-and-distances/) | Construir | Python |
| 07 | [Aprendizagem não supervisionada: K-Means, DBSCAN](../../phases/02-ml-fundamentals/07-unsupervised-learning/) | Construir | Python |
| 08 | [Engenharia e seleção de atributos](../../phases/02-ml-fundamentals/08-feature-engineering/) | Construir | Python |
| 09 | [Avaliação de modelos: métricas e validação cruzada](../../phases/02-ml-fundamentals/09-model-evaluation/) | Construir | Python |
| 10 | [Viés, variância e curva de aprendizado](../../phases/02-ml-fundamentals/10-bias-variance/) | Aprender | Python |
| 11 | [Métodos de ensemble: boosting, bagging e stacking](../../phases/02-ml-fundamentals/11-ensemble-methods/) | Construir | Python |
| 12 | [Ajuste de hiperparâmetros](../../phases/02-ml-fundamentals/12-hyperparameter-tuning/) | Construir | Python |
| 13 | [Pipelines de ML e rastreamento de experimentos](../../phases/02-ml-fundamentals/13-ml-pipelines/) | Construir | Python |
| 14 | [Bayes ingênuo](../../phases/02-ml-fundamentals/14-naive-bayes/) | Construir | Python |
| 15 | [Fundamentos de séries temporais](../../phases/02-ml-fundamentals/15-time-series/) | Construir | Python |
| 16 | [Detecção de anomalias](../../phases/02-ml-fundamentals/16-anomaly-detection/) | Construir | Python |
| 17 | [Tratamento de dados desequilibrados](../../phases/02-ml-fundamentals/17-imbalanced-data/) | Construir | Python |
| 18 | [Seleção de atributos](../../phases/02-ml-fundamentals/18-feature-selection/) | Construir | Python |
Fase 3 — Núcleo de aprendizado profundo13 liçõesRedes neurais a partir dos primeiros princípios. Sem frameworks até você construir um.
| # | Lição | Tipo | Idioma |
|:---:|--------|:----:|------|
| 01 | [O perceptron: onde tudo começou](../../phases/03-deep-learning-core/01-the-perceptron/) | Construir | Python |
| 02 | [Redes multicamadas e passagem direta](../../phases/03-deep-learning-core/02-multi-layer-networks/) | Construir | Python |
| 03 | [Retropropagação do zero](../../phases/03-deep-learning-core/03-backpropagation/) | Construir | Python |
| 04 | [Funções de ativação: ReLU, sigmoide, GELU e o porquê](../../phases/03-deep-learning-core/04-activation-functions/) | Construir | Python |
| 05 | [Funções de perda: MSE, entropia cruzada e contrastiva](../../phases/03-deep-learning-core/05-loss-functions/) | Construir | Python |
| 06 | [Otimizadores: SGD, Momentum, Adam, AdamW](../../phases/03-deep-learning-core/06-optimizers/) | Construir | Python |
| 07 | [Regularização: dropout, decaimento de pesos e BatchNorm](../../phases/03-deep-learning-core/07-regularization/) | Construir | Python |
| 08 | [Inicialização de pesos e estabilidade do treinamento](../../phases/03-deep-learning-core/08-weight-initialization/) | Construir | Python |
| 09 | [Agendamentos da taxa de aprendizado e aquecimento inicial](../../phases/03-deep-learning-core/09-learning-rate-schedules/) | Construir | Python |
| 10 | [Construa seu próprio miniframework](../../phases/03-deep-learning-core/10-mini-framework/) | Construir | Python |
| 11 | [Introdução ao PyTorch](../../phases/03-deep-learning-core/11-intro-to-pytorch/) | Construir | Python |
| 12 | [Introdução ao JAX](../../phases/03-deep-learning-core/12-intro-to-jax/) | Construir | Python |
| 13 | [Depuração de redes neurais](../../phases/03-deep-learning-core/13-debugging-neural-networks/) | Construir | Python |
Fase 4 — Visão computacional28 liçõesDos pixels à compreensão: imagens, vídeos, 3D, VLMs e modelos de mundo.
| # | Lição | Tipo | Idioma |
|:---:|--------|:----:|------|
| 01 | [Fundamentos de imagem: pixels, canais e espaços de cor](../../phases/04-computer-vision/01-image-fundamentals/) | Aprender | Python |
| 02 | [Convoluções do zero](../../phases/04-computer-vision/02-convolutions-from-scratch/) | Construir | Python |
| 03 | [CNNs: da LeNet à ResNet](../../phases/04-computer-vision/03-cnns-lenet-to-resnet/) | Construir | Python |
| 04 | [Classificação de imagens](../../phases/04-computer-vision/04-image-classification/) | Construir | Python |
| 05 | [Transferência de aprendizado e ajuste fino](../../phases/04-computer-vision/05-transfer-learning/) | Construir | Python |
| 06 | [Detecção de objetos — YOLO do zero](../../phases/04-computer-vision/06-object-detection-yolo/) | Construir | Python |
| 07 | [Segmentação semântica — U-Net](../../phases/04-computer-vision/07-semantic-segmentation-unet/) | Construir | Python |
| 08 | [Segmentação de instâncias — Mask R-CNN](../../phases/04-computer-vision/08-instance-segmentation-mask-rcnn/) | Construir | Python |
| 09 | [Geração de imagens — GANs](../../phases/04-computer-vision/09-image-generation-gans/) | Construir | Python |
| 10 | [Geração de imagens — modelos de difusão](../../phases/04-computer-vision/10-image-generation-diffusion/) | Construir | Python |
| 11 | [Stable Diffusion — arquitetura e ajuste fino](../../phases/04-computer-vision/11-stable-diffusion/) | Construir | Python |
| 12 | [Compreensão de vídeo — modelagem temporal](../../phases/04-computer-vision/12-video-understanding/) | Construir | Python |
| 13 | [Visão 3D: nuvens de pontos e NeRFs](../../phases/04-computer-vision/13-3d-vision-nerf/) | Construir | Python |
| 14 | [Transformers de visão (ViT)](../../phases/04-computer-vision/14-vision-transformers/) | Construir | Python |
| 15 | [Visão em tempo real: implantação na borda](../../phases/04-computer-vision/15-real-time-edge/) | Construir | Python |
| 16 | [Construa um pipeline completo de visão](../../phases/04-computer-vision/16-vision-pipeline-capstone/) | Construir | Python |
| 17 | [Visão autossupervisionada — SimCLR, DINO, MAE](../../phases/04-computer-vision/17-self-supervised-vision/) | Construir | Python |
| 18 | [Visão de vocabulário aberto: CLIP](../../phases/04-computer-vision/18-open-vocab-clip/) | Construir | Python |
| 19 | [OCR e compreensão de documentos](../../phases/04-computer-vision/19-ocr-document-understanding/) | Construir | Python |
| 20 | [Recuperação de imagens e aprendizado de métricas](../../phases/04-computer-vision/20-image-retrieval-metric/) | Construir | Python |
| 21 | [Detecção de pontos-chave e estimativa de pose](../../phases/04-computer-vision/21-keypoint-pose/) | Construir | Python |
| 22 | [Gaussian Splatting 3D do zero](../../phases/04-computer-vision/22-3d-gaussian-splatting/) | Construir | Python |
| 23 | [Transformers de difusão e fluxo retificado](../../phases/04-computer-vision/23-diffusion-transformers-rectified-flow/) | Construir | Python |
| 24 | [SAM 3 e segmentação de vocabulário aberto](../../phases/04-computer-vision/24-sam3-open-vocab-segmentation/) | Construir | Python |
| 25 | [Modelos de visão e linguagem (ViT-MLP-LLM)](../../phases/04-computer-vision/25-vision-language-models/) | Construir | Python |
| 26 | [Estimativa monocular de profundidade e geometria](../../phases/04-computer-vision/26-monocular-depth/) | Construir | Python |
| 27 | [Rastreamento de múltiplos objetos e memória de vídeo](../../phases/04-computer-vision/27-multi-object-tracking/) | Construir | Python |
| 28 | [Modelos de mundo e difusão de vídeo](../../phases/04-computer-vision/28-world-models-video-diffusion/) | Construir | Python |
Fase 5 — PLN: dos fundamentos ao avançado29 liçõesA linguagem é a interface para a inteligência.
| # | Lição | Tipo | Idioma |
|:---:|--------|:----:|------|
| 01 | [Processamento de texto: tokenização, stemming e lematização](../../phases/05-nlp-foundations-to-advanced/01-text-processing/) | Construir | Python |
| 02 | [Saco de palavras, TF-IDF e representação de texto](../../phases/05-nlp-foundations-to-advanced/02-bag-of-words-tfidf/) | Construir | Python |
| 03 | [Embeddings de palavras: Word2Vec do zero](../../phases/05-nlp-foundations-to-advanced/03-word-embeddings-word2vec/) | Construir | Python |
| 04 | [GloVe, FastText e embeddings de subpalavras](../../phases/05-nlp-foundations-to-advanced/04-glove-fasttext-subword/) | Construir | Python |
| 05 | [Análise de sentimentos](../../phases/05-nlp-foundations-to-advanced/05-sentiment-analysis/) | Construir | Python |
| 06 | [Reconhecimento de entidades nomeadas (NER)](../../phases/05-nlp-foundations-to-advanced/06-named-entity-recognition/) | Construir | Python |
| 07 | [Etiquetagem POS e análise sintática](../../phases/05-nlp-foundations-to-advanced/07-pos-tagging-parsing/) | Construir | Python |
| 08 | [Classificação de texto — CNNs e RNNs para texto](../../phases/05-nlp-foundations-to-advanced/08-cnns-rnns-for-text/) | Construir | Python |
| 09 | [Modelos sequência a sequência](../../phases/05-nlp-foundations-to-advanced/09-sequence-to-sequence/) | Construir | Python |
| 10 | [Mecanismo de atenção — a virada decisiva](../../phases/05-nlp-foundations-to-advanced/10-attention-mechanism/) | Construir | Python |
| 11 | [Tradução automática](../../phases/05-nlp-foundations-to-advanced/11-machine-translation/) | Construir | Python |
| 12 | [Sumarização de texto](../../phases/05-nlp-foundations-to-advanced/12-text-summarization/) | Construir | Python |
| 13 | [Sistemas de perguntas e respostas](../../phases/05-nlp-foundations-to-advanced/13-question-answering/) | Construir | Python |
| 14 | [Recuperação de informação e busca](../../phases/05-nlp-foundations-to-advanced/14-information-retrieval-search/) | Construir | Python |
| 15 | [Modelagem de tópicos: LDA, BERTopic](../../phases/05-nlp-foundations-to-advanced/15-topic-modeling/) | Construir | Python |
| 16 | [Geração de textos](../../phases/05-nlp-foundations-to-advanced/16-text-generation-pre-transformer/) | Construir | Python |
| 17 | [Chatbots: de sistemas baseados em regras às redes neurais](../../phases/05-nlp-foundations-to-advanced/17-chatbots-rule-to-neural/) | Construir | Python |
| 18 | [PLN multilíngue](../../phases/05-nlp-foundations-to-advanced/18-multilingual-nlp/) | Construir | Python |
| 19 | [Tokenização de subpalavras: BPE, WordPiece, Unigram e SentencePiece](../../phases/05-nlp-foundations-to-advanced/19-subword-tokenization/) | Aprender | Python |
| 20 | [Saídas estruturadas e decodificação restrita](../../phases/05-nlp-foundations-to-advanced/20-structured-outputs-constrained-decoding/) | Construir | Python |
| 21 | [Inferência em linguagem natural (NLI) e implicação textual](../../phases/05-nlp-foundations-to-advanced/21-nli-textual-entailment/) | Aprender | Python |
| 22 | [Análise aprofundada de modelos de embeddings](../../phases/05-nlp-foundations-to-advanced/22-embedding-models-deep-dive/) | Aprender | Python |
| 23 | [Estratégias de segmentação para RAG](../../phases/05-nlp-foundations-to-advanced/23-chunking-strategies-rag/) | Construir | Python |
| 24 | [Resolução de correferências](../../phases/05-nlp-foundations-to-advanced/24-coreference-resolution/) | Aprender | Python |
| 25 | [Vinculação e desambiguação de entidades](../../phases/05-nlp-foundations-to-advanced/25-entity-linking/) | Construir | Python |
| 26 | [Extração de relações e construção de grafos de conhecimento](../../phases/05-nlp-foundations-to-advanced/26-relation-extraction-kg/) | Construir | Python |
| 27 | [Avaliação de LLMs: RAGAS, DeepEval e G-Eval](../../phases/05-nlp-foundations-to-advanced/27-llm-evaluation-frameworks/) | Construir | Python |
| 28 | [Avaliação de contexto longo: NIAH, RULER, LongBench e MRCR](../../phases/05-nlp-foundations-to-advanced/28-long-context-evaluation/) | Aprender | Python |
| 29 | [Rastreamento do estado do diálogo](../../phases/05-nlp-foundations-to-advanced/29-dialogue-state-tracking/) | Construir | Python |
Fase 6 — Fala e áudio17 liçõesOuvir, compreender e falar.
| # | Lição | Tipo | Idioma |
|:---:|--------|:----:|------|
| 01 | [Fundamentos de áudio: ondas, amostragem, FFT](../../phases/06-speech-and-audio/01-audio-fundamentals) | Aprender | Python |
| 02 | [Espectrogramas, escala Mel e características de áudio](../../phases/06-speech-and-audio/02-spectrograms-mel-features) | Construir | Python |
| 03 | [Classificação de áudio](../../phases/06-speech-and-audio/03-audio-classification) | Construir | Python |
| 04 | [Reconhecimento automático de fala (ASR)](../../phases/06-speech-and-audio/04-speech-recognition-asr) | Construir | Python |
| 05 | [Whisper: arquitetura e ajuste fino](../../phases/06-speech-and-audio/05-whisper-architecture-finetuning) | Construir | Python |
| 06 | [Reconhecimento e verificação de locutor](../../phases/06-speech-and-audio/06-speaker-recognition-verification) | Construir | Python |
| 07 | [Síntese de fala (TTS)](../../phases/06-speech-and-audio/07-text-to-speech) | Construir | Python |
| 08 | [Clonagem e conversão de voz](../../phases/06-speech-and-audio/08-voice-cloning-conversion) | Construir | Python |
| 09 | [Geração de música](../../phases/06-speech-and-audio/09-music-generation) | Construir | Python |
| 10 | [Modelos de áudio e linguagem](../../phases/06-speech-and-audio/10-audio-language-models) | Construir | Python |
| 11 | [Processamento de áudio em tempo real](../../phases/06-speech-and-audio/11-real-time-audio-processing) | Construir | Python |
| 12 | [Construa um pipeline de assistente de voz](../../phases/06-speech-and-audio/12-voice-assistant-pipeline) | Construir | Python |
| 13 | [Codecs neurais de áudio — EnCodec, SNAC, Mimi e DAC](../../phases/06-speech-and-audio/13-neural-audio-codecs) | Aprender | Python |
| 14 | [Detecção de atividade de voz e gestão de turnos](../../phases/06-speech-and-audio/14-voice-activity-detection-turn-taking) | Construir | Python |
| 15 | [Conversão de fala em fala por streaming — Moshi, Hibiki](../../phases/06-speech-and-audio/15-streaming-speech-to-speech-moshi-hibiki) | Aprender | Python |
| 16 | [Antifalsificação de voz e marca d’água de áudio](../../phases/06-speech-and-audio/16-anti-spoofing-audio-watermarking) | Construir | Python |
| 17 | [Avaliação de áudio — WER, MOS, MMAU e placares](../../phases/06-speech-and-audio/17-audio-evaluation-metrics) | Aprender | Python |
Fase 7 — Transformers em profundidade16 liçõesA arquitetura que mudou tudo.
| # | Lição | Tipo | Idioma |
|:---:|--------|:----:|------|
| 01 | [Por que Transformers: os problemas das RNNs](../../phases/07-transformers-deep-dive/01-why-transformers/) | Aprender | Python |
| 02 | [Autoatenção do zero](../../phases/07-transformers-deep-dive/02-self-attention-from-scratch/) | Construir | Python |
| 03 | [Atenção com múltiplas cabeças](../../phases/07-transformers-deep-dive/03-multi-head-attention/) | Construir | Python |
| 04 | [Codificação posicional: sinusoidal, RoPE e ALiBi](../../phases/07-transformers-deep-dive/04-positional-encoding/) | Construir | Python |
| 05 | [O Transformer completo: codificador + decodificador](../../phases/07-transformers-deep-dive/05-full-transformer/) | Construir | Python |
| 06 | [BERT — modelagem de linguagem mascarada](../../phases/07-transformers-deep-dive/06-bert-masked-language-modeling/) | Construir | Python |
| 07 | [GPT — modelagem causal de linguagem](../../phases/07-transformers-deep-dive/07-gpt-causal-language-modeling/) | Construir | Python |
| 08 | [T5, BART — modelos codificador-decodificador](../../phases/07-transformers-deep-dive/08-t5-bart-encoder-decoder/) | Aprender | Python |
| 09 | [Transformers de visão (ViT)](../../phases/07-transformers-deep-dive/09-vision-transformers/) | Construir | Python |
| 10 | [Transformers de áudio — arquitetura do Whisper](../../phases/07-transformers-deep-dive/10-audio-transformers-whisper/) | Aprender | Python |
| 11 | [Mistura de especialistas (MoE)](../../phases/07-transformers-deep-dive/11-mixture-of-experts/) | Construir | Python |
| 12 | [Cache KV, FlashAttention e otimização da inferência](../../phases/07-transformers-deep-dive/12-kv-cache-flash-attention/) | Construir | Python |
| 13 | [Leis de escalabilidade](../../phases/07-transformers-deep-dive/13-scaling-laws/) | Aprender | Python |
| 14 | [Construir um Transformer do zero](../../phases/07-transformers-deep-dive/14-build-a-transformer-capstone/) | Construir | Python |
| 15 | [Variantes de atenção — janela deslizante, esparsa e diferencial](../../phases/07-transformers-deep-dive/15-attention-variants/) | Construir | Python |
| 16 | [Decodificação especulativa — rascunhar, verificar, repetir](../../phases/07-transformers-deep-dive/16-speculative-decoding/) | Construir | Python |
Fase 8 — IA generativa15 liçõesCrie imagens, vídeos, áudio, 3D e muito mais.
| # | Lição | Tipo | Idioma |
|:---:|--------|:----:|------|
| 01 | [Modelos generativos: taxonomia e história](../../phases/08-generative-ai/01-generative-models-taxonomy-history/) | Aprender | Python |
| 02 | [Autoencodadores e VAE](../../phases/08-generative-ai/02-autoencoders-vae/) | Construir | Python |
| 03 | [GANs: gerador versus discriminador](../../phases/08-generative-ai/03-gans-generator-discriminator/) | Construir | Python |
| 04 | [GANs condicionais e Pix2Pix](../../phases/08-generative-ai/04-conditional-gans-pix2pix/) | Construir | Python |
| 05 | [StyleGAN](../../phases/08-generative-ai/05-stylegan/) | Construir | Python |
| 06 | [Modelos de difusão — DDPM do zero](../../phases/08-generative-ai/06-diffusion-ddpm-from-scratch/) | Construir | Python |
| 07 | [Difusão latente e Stable Diffusion](../../phases/08-generative-ai/07-latent-diffusion-stable-diffusion/) | Construir | Python |
| 08 | [ControlNet, LoRA e condicionamento](../../phases/08-generative-ai/08-controlnet-lora-conditioning/) | Construir | Python |
| 09 | [Preenchimento, expansão de imagem e edição](../../phases/08-generative-ai/09-inpainting-outpainting-editing/) | Construir | Python |
| 10 | [Geração de vídeos](../../phases/08-generative-ai/10-video-generation/) | Construir | Python |
| 11 | [Geração de áudio](../../phases/08-generative-ai/11-audio-generation/) | Construir | Python |
| 12 | [Geração 3D](../../phases/08-generative-ai/12-3d-generation/) | Construir | Python |
| 13 | [Correspondência de fluxo e fluxos retificados](../../phases/08-generative-ai/13-flow-matching-rectified-flows/) | Construir | Python |
| 14 | [Avaliação: FID, CLIP Score](../../phases/08-generative-ai/14-evaluation-fid-clip-score/) | Construir | Python |
| 19 | [Modelagem autorregressiva visual (VAR): previsão da próxima escala](../../phases/08-generative-ai/19-visual-autoregressive-var/) | Construir | Python |
Fase 9 — Aprendizado por reforço12 liçõesA base do RLHF e da IA que joga.
| # | Lição | Tipo | Idioma |
|:---:|--------|:----:|------|
| 01 | [Processos de decisão de Markov: estados, ações e recompensas](../../phases/09-reinforcement-learning/01-mdps-states-actions-rewards/) | Aprender | Python |
| 02 | [Programação dinâmica](../../phases/09-reinforcement-learning/02-dynamic-programming/) | Construir | Python |
| 03 | [Métodos de Monte Carlo](../../phases/09-reinforcement-learning/03-monte-carlo-methods/) | Construir | Python |
| 04 | [Q-learning e SARSA](../../phases/09-reinforcement-learning/04-q-learning-sarsa/) | Construir | Python |
| 05 | [Redes Q profundas (DQN)](../../phases/09-reinforcement-learning/05-dqn/) | Construir | Python |
| 06 | [Gradientes de política — REINFORCE](../../phases/09-reinforcement-learning/06-policy-gradients-reinforce/) | Construir | Python |
| 07 | [Ator-crítico — A2C, A3C](../../phases/09-reinforcement-learning/07-actor-critic-a2c-a3c/) | Construir | Python |
| 08 | [PPO](../../phases/09-reinforcement-learning/08-ppo/) | Construir | Python |
| 09 | [Modelagem de recompensas e RLHF](../../phases/09-reinforcement-learning/09-reward-modeling-rlhf/) | Construir | Python |
| 10 | [Aprendizado por reforço multiagente](../../phases/09-reinforcement-learning/10-multi-agent-rl/) | Construir | Python |
| 11 | [Transferência da simulação para o mundo real](../../phases/09-reinforcement-learning/11-sim-to-real-transfer/) | Construir | Python |
| 12 | [Aprendizado por reforço para jogos](../../phases/09-reinforcement-learning/12-rl-for-games/) | Construir | Python |
Fase 10 — LLMs do zero24 liçõesConstrua, treine e compreenda grandes modelos de linguagem.
| # | Lição | Tipo | Idioma |
|:---:|--------|:----:|------|
| 01 | [Tokenizadores: BPE, WordPiece e SentencePiece](../../phases/10-llms-from-scratch/01-tokenizers/) | Construir | Python, Rust |
| 02 | [Construa um tokenizador do zero](../../phases/10-llms-from-scratch/02-building-a-tokenizer/) | Construir | Python |
| 03 | [Pipelines de dados para pré-treinamento](../../phases/10-llms-from-scratch/03-data-pipelines/) | Construir | Python |
| 04 | [Pré-treinamento de um mini GPT (124M)](../../phases/10-llms-from-scratch/04-pre-training-mini-gpt/) | Construir | Python |
| 05 | [Treinamento distribuído, FSDP e DeepSpeed](../../phases/10-llms-from-scratch/05-scaling-distributed/) | Construir | Python |
| 06 | [Ajuste por instruções — SFT](../../phases/10-llms-from-scratch/06-instruction-tuning-sft/) | Construir | Python |
| 07 | [RLHF — modelo de recompensa + PPO](../../phases/10-llms-from-scratch/07-rlhf/) | Construir | Python |
| 08 | [DPO — otimização direta de preferências](../../phases/10-llms-from-scratch/08-dpo/) | Construir | Python |
| 09 | [IA constitucional e autoaperfeiçoamento](../../phases/10-llms-from-scratch/09-constitutional-ai-self-improvement/) | Construir | Python |
| 10 | [Avaliação — benchmarks e avaliações](../../phases/10-llms-from-scratch/10-evaluation/) | Construir | Python |
| 11 | [Quantização: INT8, GPTQ, AWQ, GGUF](../../phases/10-llms-from-scratch/11-quantization/) | Construir | Python |
| 12 | [Otimização da inferência](../../phases/10-llms-from-scratch/12-inference-optimization/) | Construir | Python |
| 13 | [Construção de um pipeline completo de LLM](../../phases/10-llms-from-scratch/13-building-complete-llm-pipeline/) | Construir | Python |
| 14 | [Visão geral de arquiteturas de modelos abertos](../../phases/10-llms-from-scratch/14-open-models-architecture-walkthroughs/) | Aprender | Python |
| 15 | [Decodificação especulativa e EAGLE-3](../../phases/10-llms-from-scratch/15-speculative-decoding-eagle3/) | Construir | Python |
| 16 | [Atenção diferencial (V2)](../../phases/10-llms-from-scratch/16-differential-attention-v2/) | Construir | Python |
| 17 | [Atenção esparsa nativa (DeepSeek NSA)](../../phases/10-llms-from-scratch/17-native-sparse-attention/) | Construir | Python |
| 18 | [Previsão de múltiplos tokens (MTP)](../../phases/10-llms-from-scratch/18-multi-token-prediction/) | Construir | Python |
| 19 | [Paralelismo DualPipe](../../phases/10-llms-from-scratch/19-dualpipe-parallelism/) | Aprender | Python |
| 20 | [Visão geral da arquitetura do DeepSeek-V3](../../phases/10-llms-from-scratch/20-deepseek-v3-walkthrough/) | Aprender | Python |
| 21 | [Jamba — modelo híbrido SSM-Transformer](../../phases/10-llms-from-scratch/21-jamba-hybrid-ssm-transformer/) | Aprender | Python |
| 22 | [Inferência assíncrona e Hogwild!](../../phases/10-llms-from-scratch/22-async-hogwild-inference/) | Construir | Python |
| 25 | [Decodificação especulativa e EAGLE](../../phases/10-llms-from-scratch/25-speculative-decoding/) | Construir | Python |
| 34 | [Checkpointing de gradientes e recomputação de ativações](../../phases/10-llms-from-scratch/34-gradient-checkpointing/) | Construir | Python |
Fase 11 — Engenharia de LLM17 liçõesColoque os LLMs em produção.
| # | Lição | Tipo | Idioma |
|:---:|--------|:----:|------|
| 01 | [Engenharia de prompts: técnicas e padrões](../../phases/11-llm-engineering/01-prompt-engineering/) | Construir | Python |
| 02 | [Few-shot, CoT e Tree-of-Thought](../../phases/11-llm-engineering/02-few-shot-cot/) | Construir | Python |
| 03 | [Resultados estruturados](../../phases/11-llm-engineering/03-structured-outputs/) | Construir | Python |
| 04 | [Embeddings e representações vetoriais](../../phases/11-llm-engineering/04-embeddings/) | Construir | Python |
| 05 | [Engenharia de contexto](../../phases/11-llm-engineering/05-context-engineering/) | Construir | Python |
| 06 | [RAG: geração aumentada por recuperação](../../phases/11-llm-engineering/06-rag/) | Construir | Python |
| 07 | [RAG avançado: segmentação e reranking](../../phases/11-llm-engineering/07-advanced-rag/) | Construir | Python |
| 08 | [Ajuste fino com LoRA e QLoRA](../../phases/11-llm-engineering/08-fine-tuning-lora/) | Construir | Python |
| 09 | [Chamadas de função e uso de ferramentas](../../phases/11-llm-engineering/09-function-calling/) | Construir | Python |
| 10 | [Avaliação e teste](../../phases/11-llm-engineering/10-evaluation/) | Construir | Python |
| 11 | [Cache, limitação de taxa e custos](../../phases/11-llm-engineering/11-caching-cost/) | Construir | Python |
| 12 | [Salvaguardas e segurança](../../phases/11-llm-engineering/12-guardrails/) | Construir | Python |
| 13 | [Construção de uma aplicação de LLM para produção](../../phases/11-llm-engineering/13-production-app/) | Construir | Python |
| 14 | [Model Context Protocol (MCP)](../../phases/11-llm-engineering/14-model-context-protocol/) | Construir | Python |
| 15 | [Cache de prompts e cache de contexto](../../phases/11-llm-engineering/15-prompt-caching/) | Construir | Python |
| 16 | [Máquinas de estado de agentes — grafos, nós e checkpoints](../../phases/11-llm-engineering/16-langgraph-state-machines/) | Construir | Python |
| 17 | [Vantagens e limitações dos frameworks de agentes](../../phases/11-llm-engineering/17-agent-framework-tradeoffs/) | Aprender | Python |
Fase 12 — IA multimodal25 liçõesVeja, ouça, leia e raciocine entre modalidades: dos patches de ViT aos agentes que usam o computador.
| # | Lição | Tipo | Idioma |
|:---:|--------|:----:|------|
| 01 | [Vision Transformers e a unidade fundamental de patch-token](../../phases/12-multimodal-ai/01-vision-transformer-patch-tokens/) | Aprender | Python |
| 02 | [CLIP e pré-treinamento contrastivo de visão e linguagem](../../phases/12-multimodal-ai/02-clip-contrastive-pretraining/) | Construir | Python |
| 03 | [BLIP-2 Q-Former como ponte entre modalidades](../../phases/12-multimodal-ai/03-blip2-qformer-bridge/) | Construir | Python |
| 04 | [Flamingo e atenção cruzada com portas](../../phases/12-multimodal-ai/04-flamingo-gated-cross-attention/) | Aprender | Python |
| 05 | [LLaVA e ajuste de instruções visuais](../../phases/12-multimodal-ai/05-llava-visual-instruction-tuning/) | Construir | Python |
| 06 | [Visão em qualquer resolução — Patch-n’-Pack e NaFlex](../../phases/12-multimodal-ai/06-any-resolution-patch-n-pack/) | Construir | Python |
| 07 | [Receitas de VLMs com pesos abertos: o que realmente importa](../../phases/12-multimodal-ai/07-open-weight-vlm-recipes/) | Aprender | Python |
| 08 | [LLaVA-OneVision: imagem única, múltiplas imagens e vídeo](../../phases/12-multimodal-ai/08-llava-onevision-single-multi-video/) | Construir | Python |
| 09 | [Família Qwen-VL e vídeo com FPS dinâmico](../../phases/12-multimodal-ai/09-qwen-vl-family-dynamic-fps/) | Aprender | Python |
| 10 | [Pré-treinamento multimodal nativo do InternVL3](../../phases/12-multimodal-ai/10-internvl3-native-multimodal/) | Aprender | Python |
| 11 | [Chameleon: fusão antecipada apenas com tokens](../../phases/12-multimodal-ai/11-chameleon-early-fusion-tokens/) | Construir | Python |
| 12 | [Emu3: previsão do próximo token para geração](../../phases/12-multimodal-ai/12-emu3-next-token-for-generation/) | Aprender | Python |
| 13 | [Transfusion: autorregressão + difusão](../../phases/12-multimodal-ai/13-transfusion-autoregressive-diffusion/) | Construir | Python |
| 14 | [Show-o: modelo unificado de difusão discreta](../../phases/12-multimodal-ai/14-show-o-discrete-diffusion-unified/) | Aprender | Python |
| 15 | [Janus-Pro: codificadores desacoplados](../../phases/12-multimodal-ai/15-janus-pro-decoupled-encoders/) | Construir | Python |
| 16 | [MIO: streaming de qualquer modalidade para qualquer modalidade](../../phases/12-multimodal-ai/16-mio-any-to-any-streaming/) | Aprender | Python |
| 17 | [Ancoragem temporal entre vídeo e linguagem](../../phases/12-multimodal-ai/17-video-language-temporal-grounding/) | Construir | Python |
| 18 | [Vídeo longo com contexto de um milhão de tokens](../../phases/12-multimodal-ai/18-long-video-million-token/) | Construir | Python |
| 19 | [Modelos de áudio e linguagem: de Whisper a AF3](../../phases/12-multimodal-ai/19-audio-language-whisper-to-af3/) | Construir | Python |
| 20 | [Modelos omni: streaming Thinker-Talker](../../phases/12-multimodal-ai/20-omni-models-thinker-talker/) | Construir | Python |
| 21 | [Modelos de visão e linguagem corporificados: RT-2, OpenVLA, π0, GR00T](../../phases/12-multimodal-ai/21-embodied-vlas-openvla-pi0-groot/) | Aprender | Python |
| 22 | [Compreensão de documentos e diagramas](../../phases/12-multimodal-ai/22-document-diagram-understanding/) | Construir | Python |
| 23 | [ColPali: RAG de documentos nativo de visão](../../phases/12-multimodal-ai/23-colpali-vision-native-rag/) | Construir | Python |
| 24 | [RAG multimodal e recuperação entre modalidades](../../phases/12-multimodal-ai/24-multimodal-rag-cross-modal/) | Construir | Python |
| 25 | [Agentes multimodais e uso do computador (projeto final)](../../phases/12-multimodal-ai/25-multimodal-agents-computer-use/) | Construir | Python |
Fase 13 — Ferramentas e protocolos31 liçõesAs interfaces entre a IA e o mundo real.
| # | Lição | Tipo | Idioma |
|:---:|--------|:----:|------|
| 01 | [A interface das ferramentas](../../phases/13-tools-and-protocols/01-the-tool-interface/) | Aprender | Python |
| 02 | [Análise aprofundada de chamadas de função](../../phases/13-tools-and-protocols/02-function-calling-deep-dive/) | Construir | Python |
| 03 | [Chamadas de ferramentas paralelas e em streaming](../../phases/13-tools-and-protocols/03-parallel-and-streaming-tool-calls/) | Construir | Python |
| 04 | [Saída estruturada](../../phases/13-tools-and-protocols/04-structured-output/) | Construir | Python |
| 05 | [Projeto do esquema de ferramentas](../../phases/13-tools-and-protocols/05-tool-schema-design/) | Aprender | Python |
| 06 | [Fundamentos do MCP: solicitações sem estado e JSON-RPC](../../phases/13-tools-and-protocols/06-mcp-fundamentals/) | Aprender | Python |
| 07 | [Construção de um servidor MCP: Python e TypeScript sem estado](../../phases/13-tools-and-protocols/07-building-an-mcp-server/) | Construir | Python, TypeScript |
| 08 | [Construção de um cliente MCP: descoberta, roteamento e compatibilidade com as duas gerações](../../phases/13-tools-and-protocols/08-building-an-mcp-client/) | Construir | Python |
| 09 | [Transportes MCP: stdio e HTTP streamable sem estado](../../phases/13-tools-and-protocols/09-mcp-transports/) | Aprender | Python |
| 10 | [Recursos e prompts MCP: contexto endereçável para servidores sem estado](../../phases/13-tools-and-protocols/10-mcp-resources-and-prompts/) | Construir | Python |
| 11 | [Entrada de modelo no MCP: migração de sampling e MRTR sem estado](../../phases/13-tools-and-protocols/11-mcp-sampling/) | Construir | Python |
| 12 | [Escopo explícito e elicitação sem estado](../../phases/13-tools-and-protocols/12-mcp-roots-and-elicitation/) | Construir | Python |
| 13 | [Extensão MCP Tasks: trabalho durável sobre um núcleo sem estado](../../phases/13-tools-and-protocols/13-mcp-async-tasks/) | Construir | Python |
| 14 | [MCP Apps no protocolo sem estado](../../phases/13-tools-and-protocols/14-mcp-apps/) | Construir | Python |
| 15 | [Segurança do MCP: metadados envenenados, roteamento e estado MRTR](../../phases/13-tools-and-protocols/15-mcp-security-tool-poisoning/) | Aprender | Python |
| 16 | [Autorização MCP: CIMD, vinculação do emissor, PKCE e Step-Up](../../phases/13-tools-and-protocols/16-mcp-security-oauth-2-1/) | Construir | Python |
| 17 | [Gateways MCP sem estado e admissão no registro](../../phases/13-tools-and-protocols/17-mcp-gateways-and-registries/) | Aprender | Python |
| 18 | [Autenticação MCP em produção: inscrição e tokens vinculados ao emissor](../../phases/13-tools-and-protocols/18-mcp-auth-production/) | Construir | Python |
| 19 | [Protocolo A2A](../../phases/13-tools-and-protocols/19-a2a-protocol/) | Construir | Python |
| 20 | [OpenTelemetry GenAI](../../phases/13-tools-and-protocols/20-opentelemetry-genai/) | Construir | Python |
| 21 | [Camada de roteamento de LLM](../../phases/13-tools-and-protocols/21-llm-routing-layer/) | Aprender | Python |
| 22 | [Agent Skills: contrato portátil e limites do ambiente de execução](../../phases/13-tools-and-protocols/22-skills-and-agent-sdks/) | Construir | Python |
| 23 | [Projeto final: ecossistema de ferramentas MCP sem estado](../../phases/13-tools-and-protocols/23-capstone-tool-ecosystem/) | Construir | Python |
| 24 | [Descoberta de skills e divulgação progressiva](../../phases/13-tools-and-protocols/24-skill-discovery-and-progressive-disclosure/) | Construir | Python |
| 25 | [Invocação e roteamento de skills](../../phases/13-tools-and-protocols/25-skill-invocation-and-routing/) | Construir | Python |
| 26 | [Permissões, sandboxes e confiança em skills](../../phases/13-tools-and-protocols/26-skill-permissions-sandboxes-and-trust/) | Construir | Python |
| 27 | [Avaliação, empacotamento e portabilidade de skills](../../phases/13-tools-and-protocols/27-skill-evals-packaging-and-portability/) | Construir | Python |
| 28 | [Contratos e conteúdo de ferramentas MCP](../../phases/13-tools-and-protocols/28-mcp-tool-contracts-and-content/) | Construir | Python |
| 29 | [Confiabilidade, cancelamento e controle de fluxo no MCP](../../phases/13-tools-and-protocols/29-mcp-reliability-cancellation-and-flow-control/) | Construir | Python |
| 30 | [Cadeia de suprimentos do registro MCP: admissão, desvio e reversão](../../phases/13-tools-and-protocols/30-mcp-registry-supply-chain-and-drift/) | Construir | Python |
| 31 | [Engenharia de conformidade MCP: versões, evidências e operações](../../phases/13-tools-and-protocols/31-mcp-conformance-versioning-and-operations/) | Construir | Python |
As lições 06–18 e 28–31 formam a rota específica do [Model Context Protocol (MCP)](../../learning-paths/model-context-protocol.json). A ordem do manifesto é 06, 07, 08, 09, 10, 11, 12, 13, 14, 15, 16, 18, 17, 28, 29, 30 e 31. Inicie-a com `learn-mcp`, usando a invocação específica do seu host. A lição 23 é o único projeto final opcional e também depende das lições 19 e 20.
As lições 22 e 24–27 formam a [trilha de Agent Skills](../../learning-paths/agent-skills.json), que vai do contrato do pacote aos critérios de lançamento em um host real. Inicie-a com a invocação de `learn-agent-skills` específica do seu host; não siga a navegação numérica da lição 22 para a 23.
Fase 14 — Engenharia de agentes54 liçõesConstrua agentes a partir dos primeiros princípios, use agentes de programação com confiabilidade e defina o trabalho antes da implementação.
| # | Lição | Tipo | Idioma |
|:---:|--------|:----:|------|
| 01 | [O ciclo do agente](../../phases/14-agent-engineering/01-the-agent-loop/) | Construir | Python |
| 02 | [ReWOO e planejamento seguido de execução](../../phases/14-agent-engineering/02-rewoo-plan-and-execute/) | Construir | Python |
| 03 | [Reflexion e aprendizado por reforço verbal](../../phases/14-agent-engineering/03-reflexion-verbal-rl/) | Construir | Python |
| 04 | [Árvore de pensamentos e LATS](../../phases/14-agent-engineering/04-tree-of-thoughts-lats/) | Construir | Python |
| 05 | [Autorrefinamento e CRITIC](../../phases/14-agent-engineering/05-self-refine-and-critic/) | Construir | Python |
| 06 | [Uso de ferramentas e chamadas de função](../../phases/14-agent-engineering/06-tool-use-and-function-calling/) | Construir | Python |
| 07 | [Memória de agentes — contexto virtual e paginação da memória](../../phases/14-agent-engineering/07-memory-virtual-context-memgpt/) | Construir | Python |
| 08 | [Blocos de memória e computação durante o sono](../../phases/14-agent-engineering/08-memory-blocks-sleep-time-compute/) | Construir | Python |
| 09 | [Memória híbrida — vetor + grafo + KV](../../phases/14-agent-engineering/09-hybrid-memory-mem0/) | Construir | Python |
| 10 | [Bibliotecas de skills e aprendizado contínuo (Voyager)](../../phases/14-agent-engineering/10-skill-libraries-voyager/) | Construir | Python |
| 11 | [Planejamento com HTN e busca evolutiva](../../phases/14-agent-engineering/11-planning-htn-and-evolutionary/) | Construir | Python |
| 12 | [Padrões de fluxo de trabalho da Anthropic](../../phases/14-agent-engineering/12-anthropic-workflow-patterns/) | Construir | Python |
| 13 | [Orquestração de grafos com estado — execução durável e checkpoints](../../phases/14-agent-engineering/13-langgraph-stateful-graphs/) | Construir | Python |
| 14 | [O modelo de ator para agentes](../../phases/14-agent-engineering/14-autogen-actor-model/) | Construir | Python |
| 15 | [Equipes de agentes baseadas em papéis — papéis, tarefas e processos](../../phases/14-agent-engineering/15-crewai-role-based-crews/) | Construir | Python |
| 16 | [OpenAI Agents SDK — transferências, salvaguardas e rastreamento](../../phases/14-agent-engineering/16-openai-agents-sdk/) | Construir | Python |
| 17 | [O harness como biblioteca — subagentes e armazenamento de sessões](../../phases/14-agent-engineering/17-claude-agent-sdk/) | Construir | Python |
| 18 | [Ambientes de execução de agentes em produção](../../phases/14-agent-engineering/18-agno-and-mastra-runtimes/) | Aprender | Python |
| 19 | [Benchmarks — SWE-bench, GAIA e AgentBench](../../phases/14-agent-engineering/19-benchmarks-swebench-gaia/) | Aprender | Python |
| 20 | [Benchmarks — WebArena e OSWorld](../../phases/14-agent-engineering/20-benchmarks-webarena-osworld/) | Aprender | Python |
| 21 | [Uso do computador — Claude, OpenAI CUA e Gemini](../../phases/14-agent-engineering/21-computer-use-agents/) | Construir | Python |
| 22 | [Agentes de voz — Pipecat e LiveKit](../../phases/14-agent-engineering/22-voice-agents-pipecat-livekit/) | Construir | Python |
| 23 | [Convenções semânticas do OpenTelemetry GenAI](../../phases/14-agent-engineering/23-otel-genai-conventions/) | Construir | Python |
| 24 | [Observabilidade de agentes — Langfuse, Phoenix e Opik](../../phases/14-agent-engineering/24-agent-observability-platforms/) | Aprender | Python |
| 25 | [Debate e colaboração entre vários agentes](../../phases/14-agent-engineering/25-multi-agent-debate/) | Construir | Python |
| 26 | [Modos de falha — por que os agentes falham](../../phases/14-agent-engineering/26-failure-modes-agentic/) | Construir | Python |
| 27 | [Injeção de prompt e defesa PVE](../../phases/14-agent-engineering/27-prompt-injection-defense/) | Construir | Python |
| 28 | [Padrões de orquestração — supervisor, enxame e hierarquia](../../phases/14-agent-engineering/28-orchestration-patterns/) | Construir | Python |
| 29 | [Ambientes de execução em produção — filas, eventos e cron](../../phases/14-agent-engineering/29-production-runtimes/) | Aprender | Python |
| 30 | [Desenvolvimento de agentes guiado por avaliações](../../phases/14-agent-engineering/30-eval-driven-agent-development/) | Construir | Python |
| 31 | [Bancada de trabalho para agentes: por que modelos capazes ainda falham](../../phases/14-agent-engineering/31-agent-workbench-why-models-fail/) | Aprender | Python |
| 32 | [A bancada mínima de trabalho para agentes](../../phases/14-agent-engineering/32-minimal-agent-workbench/) | Construir | Python |
| 33 | [Instruções de agentes como restrições executáveis](../../phases/14-agent-engineering/33-instructions-as-executable-constraints/) | Construir | Python |
| 34 | [Memória do repositório e estado durável](../../phases/14-agent-engineering/34-repo-memory-and-state/) | Construir | Python |
| 35 | [Scripts de inicialização para agentes](../../phases/14-agent-engineering/35-initialization-scripts/) | Construir | Python |
| 36 | [Contratos de escopo e limites das tarefas](../../phases/14-agent-engineering/36-scope-contracts/) | Construir | Python |
| 37 | [Ciclos de feedback em tempo de execução](../../phases/14-agent-engineering/37-runtime-feedback-loops/) | Construir | Python |
| 38 | [Etapas de verificação](../../phases/14-agent-engineering/38-verification-gates/) | Construir | Python |
| 39 | [Agente revisor: separar quem constrói de quem avalia](../../phases/14-agent-engineering/39-reviewer-agent/) | Construir | Python |
| 40 | [Transferência entre sessões](../../phases/14-agent-engineering/40-multi-session-handoff/) | Construir | Python |
| 41 | [A bancada de trabalho em um repositório real](../../phases/14-agent-engineering/41-workbench-for-real-repos/) | Construir | Python |
| 42 | [Projeto final: entregue um pacote reutilizável de bancada para agentes](../../phases/14-agent-engineering/42-agent-workbench-capstone/) | Construir | Python |
| 43 | [Defina a tarefa antes de o agente escrever código](../../phases/14-agent-engineering/43-frame-the-task-before-code/) | Construir | Python |
| 44 | [Crie um plano de execução respaldado por evidências](../../phases/14-agent-engineering/44-plan-from-evidence/) | Construir | Python |
| 45 | [Delegue trabalho a agentes com isolamento e contratos de integração](../../phases/14-agent-engineering/45-delegate-with-isolation/) | Construir | Python |
| 46 | [Transforme cada correção do agente em uma melhoria do sistema](../../phases/14-agent-engineering/46-turn-feedback-into-system/) | Construir | Python |
| 47 | [Defina o resultado antes de escolher a entrega](../../phases/14-agent-engineering/47-outcomes-before-output/) | Construir | Python |
| 48 | [Descubra o fluxo de trabalho que as pessoas realmente executam](../../phases/14-agent-engineering/48-discover-the-real-workflow/) | Construir | Python |
| 49 | [Mapeie as suposições e resolva primeiro a mais arriscada](../../phases/14-agent-engineering/49-map-assumptions-and-risk/) | Construir | Python |
| 50 | [Escolha o menor escopo capaz de mudar a decisão](../../phases/14-agent-engineering/50-choose-the-smallest-testable-slice/) | Construir | Python |
| 51 | [Escreva especificações que preservem o julgamento](../../phases/14-agent-engineering/51-write-specifications-that-preserve-judgment/) | Construir | Python |
| 52 | [Defina métricas de sucesso antes de o resultado existir](../../phases/14-agent-engineering/52-design-success-metrics/) | Construir | Python |
| 53 | [Escolha deliberadamente entre protótipo, piloto e produção](../../phases/14-agent-engineering/53-prototype-pilot-or-production/) | Construir | Python |
| 54 | [Crie um ciclo de melhoria contínua com responsáveis e critérios de retirada](../../phases/14-agent-engineering/54-build-the-feedback-ratchet/) | Construir | Python |
Cada lição da bancada de trabalho da Fase 14 (31–42) inclui um arquivo `mission.md` para orientar o agente antes que ele abra a lição completa.
As lições 31–46 formam a [trilha de engenharia assistida por agentes](../../learning-paths/using-coding-agents.json). A ordem do manifesto combina os fundamentos da bancada de trabalho com a definição, o planejamento e a delegação de tarefas e com ciclos de feedback duradouros. As lições 47–54 formam a [trilha de julgamento de produto e entrega](../../learning-paths/shaping-the-build.json), que vai da definição de resultados a evidências, riscos, escopo, métricas, lançamento gradual e responsabilidade pelo ciclo de feedback.
Fase 15 — Sistemas autônomos22 liçõesAgentes de longo horizonte, autoaperfeiçoamento e a pilha de segurança de 2026.
| # | Lição | Tipo | Idioma |
|:---:|--------|:----:|------|
| 01 | [De chatbots a agentes de longo prazo (METR)](../../phases/15-autonomous-systems/01-long-horizon-agents/) | Aprender | Python |
| 02 | [STaR, V-STaR e Quiet-STaR: raciocínio autodidata](../../phases/15-autonomous-systems/02-star-family-reasoning/) | Aprender | Python |
| 03 | [AlphaEvolve: agentes de programação evolutiva](../../phases/15-autonomous-systems/03-alphaevolve-evolutionary-coding/) | Aprender | Python |
| 04 | [Máquina Darwin Gödel: agentes que modificam o próprio código](../../phases/15-autonomous-systems/04-darwin-godel-machine/) | Aprender | Python |
| 05 | [AI Scientist v2: pesquisa de nível acadêmico](../../phases/15-autonomous-systems/05-ai-scientist-v2/) | Aprender | Python |
| 06 | [Pesquisa automatizada sobre alinhamento (Anthropic AAR)](../../phases/15-autonomous-systems/06-automated-alignment-research/) | Aprender | Python |
| 07 | [Autoaperfeiçoamento recursivo: capacidade versus alinhamento](../../phases/15-autonomous-systems/07-recursive-self-improvement/) | Aprender | Python |
| 08 | [Projetos de autoaperfeiçoamento com limites definidos](../../phases/15-autonomous-systems/08-bounded-self-improvement/) | Aprender | Python |
| 09 | [Panorama dos agentes de programação autônoma (SWE-bench, CodeAct)](../../phases/15-autonomous-systems/09-coding-agent-landscape/) | Aprender | Python |
| 10 | [Modos de permissão para agentes autônomos](../../phases/15-autonomous-systems/10-claude-code-permission-modes/) | Aprender | Python |
| 11 | [Agentes de navegador e injeção indireta de prompts](../../phases/15-autonomous-systems/11-browser-agents/) | Aprender | Python |
| 12 | [Execução duradoura para agentes de longa duração](../../phases/15-autonomous-systems/12-durable-execution/) | Aprender | Python |
| 13 | [Orçamentos de ações, limites de iteração e controladores de custo](../../phases/15-autonomous-systems/13-cost-governors/) | Aprender | Python |
| 14 | [Chaves de emergência, disjuntores e tokens canário](../../phases/15-autonomous-systems/14-kill-switches-canaries/) | Aprender | Python |
| 15 | [Intervenção humana: propor e depois confirmar](../../phases/15-autonomous-systems/15-propose-then-commit/) | Aprender | Python |
| 16 | [Checkpoints e reversão](../../phases/15-autonomous-systems/16-checkpoints-rollback/) | Aprender | Python |
| 17 | [IA constitucional e substituição de regras](../../phases/15-autonomous-systems/17-constitutional-ai/) | Aprender | Python |
| 18 | [Llama Guard e classificação de entradas e saídas](../../phases/15-autonomous-systems/18-llama-guard/) | Aprender | Python |
| 19 | [Política de escalonamento responsável da Anthropic v3.0](../../phases/15-autonomous-systems/19-anthropic-rsp/) | Aprender | Python |
| 20 | [O OpenAI Preparedness Framework e o DeepMind FSF](../../phases/15-autonomous-systems/20-openai-preparedness-deepmind-fsf/) | Aprender | Python |
| 21 | [METR: horizontes temporais e avaliação externa](../../phases/15-autonomous-systems/21-metr-external-evaluation/) | Aprender | Python |
| 22 | [CAIS, CAISI e risco em escala social](../../phases/15-autonomous-systems/22-cais-caisi-societal-risk/) | Aprender | Python |
Fase 16 — Sistemas multiagentes e enxames25 liçõesCoordenação, emergência e inteligência coletiva.
| # | Lição | Tipo | Idioma |
|:---:|--------|:----:|------|
| 01 | [Por que usar sistemas multiagentes](../../phases/16-multi-agent-and-swarms/01-why-multi-agent/) | Aprender | TypeScript |
| 02 | [Legado do FIPA-ACL e atos de fala](../../phases/16-multi-agent-and-swarms/02-fipa-acl-heritage/) | Aprender | Python |
| 03 | [Protocolos de comunicação](../../phases/16-multi-agent-and-swarms/03-communication-protocols/) | Construir | TypeScript |
| 04 | [O modelo primitivo dos sistemas multiagentes](../../phases/16-multi-agent-and-swarms/04-primitive-model/) | Aprender | Python |
| 05 | [Padrão supervisor/orquestrador-trabalhador](../../phases/16-multi-agent-and-swarms/05-supervisor-orchestrator-pattern/) | Construir | Python |
| 06 | [Arquitetura hierárquica e deriva de decomposição](../../phases/16-multi-agent-and-swarms/06-hierarchical-architecture/) | Aprender | Python |
| 07 | [Society of Mind e debate multiagente](../../phases/16-multi-agent-and-swarms/07-society-of-mind-debate/) | Construir | Python |
| 08 | [Especialização de papéis — planejador, crítico, executor e verificador](../../phases/16-multi-agent-and-swarms/08-role-specialization/) | Construir | Python |
| 09 | [Enxames paralelos e arquiteturas em rede](../../phases/16-multi-agent-and-swarms/09-parallel-swarm-networks/) | Construir | Python |
| 10 | [Conversa em grupo e seleção de interlocutor](../../phases/16-multi-agent-and-swarms/10-group-chat-speaker-selection/) | Construir | Python |
| 11 | [Transferências e rotinas (orquestração sem estado)](../../phases/16-multi-agent-and-swarms/11-handoffs-and-routines/) | Construir | Python |
| 12 | [A2A: protocolo entre agentes](../../phases/16-multi-agent-and-swarms/12-a2a-protocol/) | Construir | Python |
| 13 | [Memória compartilhada e padrões de quadro-negro](../../phases/16-multi-agent-and-swarms/13-shared-memory-blackboard/) | Construir | Python |
| 14 | [Consenso e tolerância a falhas bizantinas](../../phases/16-multi-agent-and-swarms/14-consensus-and-bft/) | Construir | Python |
| 15 | [Votação, autoconsistência e topologia do debate](../../phases/16-multi-agent-and-swarms/15-voting-debate-topology/) | Construir | Python |
| 16 | [Negociação e barganha](../../phases/16-multi-agent-and-swarms/16-negotiation-bargaining/) | Construir | Python |
| 17 | [Agentes generativos e simulação emergente](../../phases/16-multi-agent-and-swarms/17-generative-agents-simulation/) | Construir | Python |
| 18 | [Teoria da mente e coordenação emergente](../../phases/16-multi-agent-and-swarms/18-theory-of-mind-coordination/) | Construir | Python |
| 19 | [Otimização por enxame (PSO, ACO)](../../phases/16-multi-agent-and-swarms/19-swarm-optimization-pso-aco/) | Construir | Python |
| 20 | [MARL: MADDPG, QMIX e MAPPO](../../phases/16-multi-agent-and-swarms/20-marl-maddpg-qmix-mappo/) | Aprender | Python |
| 21 | [Economias de agentes, incentivos com tokens e reputação](../../phases/16-multi-agent-and-swarms/21-agent-economies/) | Aprender | Python |
| 22 | [Escala em produção — filas, checkpoints e durabilidade](../../phases/16-multi-agent-and-swarms/22-production-scaling-queues-checkpoints/) | Construir | Python |
| 23 | [Modos de falha — MAST, pensamento de grupo e monocultura](../../phases/16-multi-agent-and-swarms/23-failure-modes-mast-groupthink/) | Aprender | Python |
| 24 | [Avaliação e benchmarks de coordenação](../../phases/16-multi-agent-and-swarms/24-evaluation-coordination-benchmarks/) | Aprender | Python |
| 25 | [Estudos de caso e estado da arte em 2026](../../phases/16-multi-agent-and-swarms/25-case-studies-2026-sota/) | Aprender | Python |
Fase 17 — Infraestrutura e produção28 liçõesLeve a IA para o mundo real.
| # | Lição | Tipo | Idioma |
|:---:|--------|:----:|------|
| 01 | [Plataformas gerenciadas de LLM — Bedrock, Azure OpenAI, Vertex AI](../../phases/17-infrastructure-and-production/01-managed-llm-platforms/) | Aprender | Python |
| 02 | [Economia das plataformas de inferência — Fireworks, Together, Baseten, Modal](../../phases/17-infrastructure-and-production/02-inference-platform-economics/) | Aprender | Python |
| 03 | [Autoescalabilidade de GPU no Kubernetes — Karpenter, KAI Scheduler](../../phases/17-infrastructure-and-production/03-gpu-autoscaling-kubernetes/) | Aprender | Python |
| 04 | [Funcionamento interno dos mecanismos de serving — PagedAttention, batching contínuo e prefill em blocos](../../phases/17-infrastructure-and-production/04-vllm-serving-internals/) | Aprender | Python |
| 05 | [Decodificação especulativa EAGLE-3 em produção](../../phases/17-infrastructure-and-production/05-eagle3-speculative-decoding/) | Aprender | Python |
| 06 | [Serving com cache de prefixo — RadixAttention e reutilização de KV](../../phases/17-infrastructure-and-production/06-sglang-radixattention/) | Aprender | Python |
| 07 | [Compilação de inferência especializada por hardware — FP8 e NVFP4 no Blackwell](../../phases/17-infrastructure-and-production/07-tensorrt-llm-blackwell/) | Aprender | Python |
| 08 | [Métricas de inferência — TTFT, TPOT, ITL, goodput e P99](../../phases/17-infrastructure-and-production/08-inference-metrics-goodput/) | Aprender | Python |
| 09 | [Quantização para produção — AWQ, GPTQ, GGUF, FP8, NVFP4](../../phases/17-infrastructure-and-production/09-production-quantization/) | Aprender | Python |
| 10 | [Mitigação da inicialização a frio para LLMs sem servidor](../../phases/17-infrastructure-and-production/10-cold-start-mitigation/) | Aprender | Python |
| 11 | [Serving de LLM em várias regiões e localidade do cache KV](../../phases/17-infrastructure-and-production/11-multi-region-kv-locality/) | Aprender | Python |
| 12 | [Inferência na borda — ANE, Hexagon, WebGPU, Jetson](../../phases/17-infrastructure-and-production/12-edge-inference/) | Aprender | Python |
| 13 | [Seleção de uma stack de observabilidade para LLMs](../../phases/17-infrastructure-and-production/13-llm-observability/) | Aprender | Python |
| 14 | [Economia do cache de prompts e do cache semântico](../../phases/17-infrastructure-and-production/14-prompt-semantic-caching/) | Aprender | Python |
| 15 | [APIs em lote — o desconto de 50% como padrão do setor](../../phases/17-infrastructure-and-production/15-batch-apis/) | Aprender | Python |
| 16 | [Roteamento de modelos como mecanismo de redução de custos](../../phases/17-infrastructure-and-production/16-model-routing/) | Aprender | Python |
| 17 | [Separação de prefill e decode — NVIDIA Dynamo e llm-d](../../phases/17-infrastructure-and-production/17-disaggregated-prefill-decode/) | Aprender | Python |
| 18 | [Stack de serving em produção — transferência de KV e roteamento que aproveita o cache](../../phases/17-infrastructure-and-production/18-vllm-production-stack-lmcache/) | Aprender | Python |
| 19 | [Gateways de IA — LiteLLM, Portkey, Kong, Bifrost](../../phases/17-infrastructure-and-production/19-ai-gateways/) | Aprender | Python |
| 20 | [Implantação shadow, canary e progressiva](../../phases/17-infrastructure-and-production/20-shadow-canary-progressive/) | Aprender | Python |
| 21 | [Testes A/B de funcionalidades de LLM — GrowthBook e Statsig](../../phases/17-infrastructure-and-production/21-ab-testing-llm-features/) | Aprender | Python |
| 22 | [Testes de carga de APIs de LLM — k6, LLMPerf, GenAI-Perf](../../phases/17-infrastructure-and-production/22-load-testing-llm-apis/) | Construir | Python |
| 23 | [SRE para IA — resposta a incidentes multiagente](../../phases/17-infrastructure-and-production/23-sre-for-ai/) | Aprender | Python |
| 24 | [Engenharia do caos para LLMs em produção](../../phases/17-infrastructure-and-production/24-chaos-engineering-llm/) | Aprender | Python |
| 25 | [Segurança — segredos, remoção de PII e logs de auditoria](../../phases/17-infrastructure-and-production/25-security-secrets-audit/) | Aprender | Python |
| 26 | [Conformidade — SOC 2, HIPAA, GDPR, EU AI Act, ISO 42001](../../phases/17-infrastructure-and-production/26-compliance-frameworks/) | Aprender | Python |
| 27 | [FinOps para LLMs — economia unitária e atribuição entre múltiplos clientes](../../phases/17-infrastructure-and-production/27-finops-llms/) | Aprender | Python |
| 28 | [Seleção de serving autohospedado — adequação do mecanismo ao hardware e à escala](../../phases/17-infrastructure-and-production/28-self-hosted-serving-selection/) | Aprender | Python |
Fase 18 — Ética, segurança e alinhamento30 liçõesConstrua uma IA que ajude a humanidade. Isso não é opcional.
| # | Lição | Tipo | Idioma |
|:---:|--------|:----:|------|
| 01 | [Seguir instruções como sinal de alinhamento](../../phases/18-ethics-safety-alignment/01-instruction-following-alignment-signal/) | Aprender | Python |
| 02 | [Manipulação da recompensa e Lei de Goodhart](../../phases/18-ethics-safety-alignment/02-reward-hacking-goodhart/) | Aprender | Python |
| 03 | [Família de otimização direta de preferências](../../phases/18-ethics-safety-alignment/03-direct-preference-optimization-family/) | Aprender | Python |
| 04 | [Bajulação como amplificação de RLHF](../../phases/18-ethics-safety-alignment/04-sycophancy-rlhf-amplification/) | Aprender | Python |
| 05 | [IA constitucional e RLAIF](../../phases/18-ethics-safety-alignment/05-constitutional-ai-rlaif/) | Aprender | Python |
| 06 | [Otimização interna (mesa-optimization) e alinhamento enganoso](../../phases/18-ethics-safety-alignment/06-mesa-optimization-deceptive-alignment/) | Aprender | Python |
| 07 | [Agentes adormecidos — engano persistente](../../phases/18-ethics-safety-alignment/07-sleeper-agents-persistent-deception/) | Aprender | Python |
| 08 | [Estratégias ocultas em contexto em modelos de fronteira](../../phases/18-ethics-safety-alignment/08-in-context-scheming-frontier-models/) | Aprender | Python |
| 09 | [Fingimento de alinhamento](../../phases/18-ethics-safety-alignment/09-alignment-faking/) | Aprender | Python |
| 10 | [Controle de IA — segurança apesar da subversão](../../phases/18-ethics-safety-alignment/10-ai-control-subversion/) | Aprender | Python |
| 11 | [Supervisão escalável e aprendizado do fraco para o forte](../../phases/18-ethics-safety-alignment/11-scalable-oversight-weak-to-strong/) | Aprender | Python |
| 12 | [Red teaming: PAIR e ataques automatizados](../../phases/18-ethics-safety-alignment/12-red-teaming-pair-automated-attacks/) | Construir | Python |
| 13 | [Jailbreaks com muitos exemplos](../../phases/18-ethics-safety-alignment/13-many-shot-jailbreaking/) | Aprender | Python |
| 14 | [Arte ASCII e jailbreaks visuais](../../phases/18-ethics-safety-alignment/14-ascii-art-visual-jailbreaks/) | Construir | Python |
| 15 | [Injeção indireta de prompts](../../phases/18-ethics-safety-alignment/15-indirect-prompt-injection/) | Construir | Python |
| 16 | [Ferramentas de red teaming: Garak, Llama Guard, PyRIT](../../phases/18-ethics-safety-alignment/16-red-team-tooling-garak-llamaguard-pyrit/) | Construir | Python |
| 17 | [WMDP e avaliação de capacidades de uso duplo](../../phases/18-ethics-safety-alignment/17-wmdp-dual-use-evaluation/) | Aprender | Python |
| 18 | [Estruturas de segurança de fronteira — RSP, PF, FSF](../../phases/18-ethics-safety-alignment/18-frontier-safety-frameworks-rsp-pf-fsf/) | Aprender | Python |
| 19 | [Pesquisa sobre o bem-estar dos modelos](../../phases/18-ethics-safety-alignment/19-model-welfare-research/) | Aprender | Python |
| 20 | [Vieses e danos de representação](../../phases/18-ethics-safety-alignment/20-bias-representational-harm/) | Construir | Python |
| 21 | [Critérios de equidade: grupal, individual e contrafactual](../../phases/18-ethics-safety-alignment/21-fairness-criteria-group-individual-counterfactual/) | Aprender | Python |
| 22 | [Privacidade diferencial para LLMs](../../phases/18-ethics-safety-alignment/22-differential-privacy-for-llms/) | Construir | Python |
| 23 | [Marcas d’água: SynthID, Stable Signature, C2PA](../../phases/18-ethics-safety-alignment/23-watermarking-synthid-stable-signature-c2pa/) | Construir | Python |
| 24 | [Estruturas regulatórias: UE, EUA, Reino Unido e Coreia](../../phases/18-ethics-safety-alignment/24-regulatory-frameworks-eu-us-uk-korea/) | Aprender | Python |
| 25 | [EchoLeak e CVEs de IA](../../phases/18-ethics-safety-alignment/25-echoleak-cves-for-ai/) | Aprender | Python |
| 26 | [Cartões de modelos, sistemas e conjuntos de dados](../../phases/18-ethics-safety-alignment/26-model-system-dataset-cards/) | Construir | Python |
| 27 | [Procedência dos dados e governança dos dados de treinamento](../../phases/18-ethics-safety-alignment/27-data-provenance-training-governance/) | Aprender | Python |
| 28 | [Ecossistema de pesquisa de alinhamento: MATS, Redwood, Apollo, METR](../../phases/18-ethics-safety-alignment/28-alignment-research-ecosystem/) | Aprender | Python |
| 29 | [Sistemas de moderação: OpenAI, Perspective, Llama Guard](../../phases/18-ethics-safety-alignment/29-moderation-systems-openai-perspective-llamaguard/) | Construir | Python |
| 30 | [Risco de uso duplo: cibernética, biologia, química e nuclear](../../phases/18-ethics-safety-alignment/30-dual-use-risk-cyber-bio-chem-nuclear/) | Aprender | Python |
Fase 19 — Projetos finais85 lições17 produtos de ponta a ponta + 9 trilhas de construção aprofundada. 20–40 horas por projeto; 4–12 lições por trilha.
| # | Projeto | Fases utilizadas | Linguagem |
|:---:|---------|----------|------|
| 01 | [Agente de programação nativo do terminal](../../phases/19-capstone-projects/01-terminal-native-coding-agent/) | P0 P5 P7 P10 P11 P13 P14 P15 P17 P18 | Python |
| 02 | [RAG em bases de código (busca semântica entre repositórios)](../../phases/19-capstone-projects/02-rag-over-codebase/) | P5 P7 P11 P13 P17 | Python |
| 03 | [Assistente de voz em tempo real (ASR → LLM → TTS)](../../phases/19-capstone-projects/03-realtime-voice-assistant/) | P6 P7 P11 P13 P14 P17 | Python |
| 04 | [Perguntas e respostas multimodais sobre documentos (visão em primeiro lugar)](../../phases/19-capstone-projects/04-multimodal-document-qa/) | P4 P5 P7 P11 P12 P17 | Python |
| 05 | [Agente autônomo de pesquisa (da classe AI Scientist)](../../phases/19-capstone-projects/05-autonomous-research-agent/) | P0 P2 P3 P7 P10 P14 P15 P16 P18 | Python |
| 06 | [Agente DevOps para diagnosticar problemas no Kubernetes](../../phases/19-capstone-projects/06-devops-troubleshooting-agent/) | P11 P13 P14 P15 P17 P18 | Python |
| 07 | [Pipeline de ajuste fino de ponta a ponta](../../phases/19-capstone-projects/07-end-to-end-fine-tuning-pipeline/) | P2 P3 P7 P10 P11 P17 P18 | Python |
| 08 | [Chatbot RAG para produção (setor regulamentado)](../../phases/19-capstone-projects/08-production-rag-chatbot/) | P5 P7 P11 P12 P17 P18 | Python |
| 09 | [Agente de migração de código (atualização no nível do repositório)](../../phases/19-capstone-projects/09-code-migration-agent/) | P5 P7 P11 P13 P14 P15 P17 | Python |
| 10 | [Equipe de engenharia de software multiagente](../../phases/19-capstone-projects/10-multi-agent-software-team/) | P11 P13 P14 P15 P16 P17 | Python |
| 11 | [Painel de observabilidade e avaliação de LLM](../../phases/19-capstone-projects/11-llm-observability-dashboard/) | P11 P13 P17 P18 | Python |
| 12 | [Pipeline de compreensão de vídeo (cena → perguntas e respostas)](../../phases/19-capstone-projects/12-video-understanding-pipeline/) | P4 P6 P7 P11 P12 P17 | Python |
| 13 | [Servidor MCP sem estado com registro e governança](../../phases/19-capstone-projects/13-mcp-server-with-registry/) | P11 P13 P14 P17 P18 | Python |
| 14 | [Servidor de inferência com decodificação especulativa](../../phases/19-capstone-projects/14-speculative-decoding-server/) | P3 P7 P10 P17 | Python |
| 15 | [Harness de segurança constitucional + ambiente de testes de red teaming](../../phases/19-capstone-projects/15-constitutional-safety-harness/) | P10 P11 P13 P14 P18 | Python |
| 16 | [Agente autônomo que transforma issues do GitHub em PRs](../../phases/19-capstone-projects/16-github-issue-to-pr-agent/) | P11 P13 P14 P15 P17 | Python |
| 17 | [Tutor pessoal de IA (adaptativo e multimodal)](../../phases/19-capstone-projects/17-personal-ai-tutor/) | P5 P6 P11 P12 P14 P17 P18 | Python |
**Trilhas de construção aprofundada.** Cada trilha reúne várias lições para construir do zero um subsistema completo.
| # | Lição | Trilha | Linguagem |
|:---:|---------|----------|------|
| 20 | [Contrato do ciclo do harness de agentes](../../phases/19-capstone-projects/20-agent-harness-loop-contract/) | A. Harness de agentes | Python |
| 21 | [Registro de ferramentas com validação de esquema](../../phases/19-capstone-projects/21-tool-registry-schema-validation/) | A. Harness de agentes | Python |
| 22 | [JSON-RPC 2.0 sobre stdio delimitado por novas linhas](../../phases/19-capstone-projects/22-jsonrpc-stdio-transport/) | A. Harness de agentes | Python |
| 23 | [Despachante de chamadas de função](../../phases/19-capstone-projects/23-function-call-dispatcher/) | A. Harness de agentes | Python |
| 24 | [Fluxo de controle planejar-executar](../../phases/19-capstone-projects/24-plan-execute-control-flow/) | A. Harness de agentes | Python |
| 25 | [Etapas de verificação e orçamento de observação](../../phases/19-capstone-projects/25-verification-gates-observation-budget/) | A. Harness de agentes | Python |
| 26 | [Executor em sandbox com lista de bloqueio e isolamento de caminhos](../../phases/19-capstone-projects/26-sandbox-runner-denylist/) | A. Harness de agentes | Python |
| 27 | [Harness de avaliação com tarefas de teste](../../phases/19-capstone-projects/27-eval-harness-fixture-tasks/) | A. Harness de agentes | Python |
| 28 | [Observabilidade com spans do OpenTelemetry GenAI e métricas do Prometheus](../../phases/19-capstone-projects/28-observability-otel-traces/) | A. Harness de agentes | Python |
| 29 | [Agente de programação de ponta a ponta no harness](../../phases/19-capstone-projects/29-end-to-end-coding-task-demo/) | A. Harness de agentes | Python |
| 30 | [Tokenizador BPE do zero](../../phases/19-capstone-projects/30-bpe-tokenizer-from-scratch/) | B. NLP LLM | Python |
| 31 | [Conjunto de dados tokenizado com janela deslizante](../../phases/19-capstone-projects/31-tokenized-dataset-sliding-window/) | B. NLP LLM | Python |
| 32 | [Embeddings de tokens e posicionais](../../phases/19-capstone-projects/32-token-positional-embeddings/) | B. NLP LLM | Python |
| 33 | [Autoatenção com múltiplas cabeças](../../phases/19-capstone-projects/33-multihead-self-attention/) | B. NLP LLM | Python |
| 34 | [Bloco Transformer do zero](../../phases/19-capstone-projects/34-transformer-block/) | B. NLP LLM | Python |
| 35 | [Montagem do modelo GPT](../../phases/19-capstone-projects/35-gpt-model-assembly/) | B. NLP LLM | Python |
| 36 | [Ciclo de treinamento e avaliação](../../phases/19-capstone-projects/36-training-loop-eval/) | B. NLP LLM | Python |
| 37 | [Carregamento de pesos pré-treinados](../../phases/19-capstone-projects/37-loading-pretrained-weights/) | B. NLP LLM | Python |
| 38 | [Ajuste fino de classificador trocando a cabeça](../../phases/19-capstone-projects/38-classifier-finetuning/) | B. NLP LLM | Python |
| 39 | [Ajuste por instruções com ajuste fino supervisionado](../../phases/19-capstone-projects/39-instruction-tuning-sft/) | B. NLP LLM | Python |
| 40 | [Otimização direta de preferências do zero](../../phases/19-capstone-projects/40-dpo-from-scratch/) | B. NLP LLM | Python |
| 41 | [Pipeline completo de avaliação](../../phases/19-capstone-projects/41-eval-pipeline/) | B. NLP LLM | Python |
| 42 | [Downloader de corpus extenso](../../phases/19-capstone-projects/42-large-corpus-downloader/) | C. Pipeline de treinamento de ponta a ponta | Python |
| 43 | [Corpus tokenizado em HDF5](../../phases/19-capstone-projects/43-hdf5-tokenized-corpus/) | C. Pipeline de treinamento de ponta a ponta | Python |
| 44 | [Taxa de aprendizado cosseno com aquecimento linear](../../phases/19-capstone-projects/44-cosine-lr-warmup/) | C. Pipeline de treinamento de ponta a ponta | Python |
| 45 | [Recorte de gradientes e precisão mista](../../phases/19-capstone-projects/45-gradient-clipping-amp/) | C. Pipeline de treinamento de ponta a ponta | Python |
| 46 | [Acumulação de gradientes](../../phases/19-capstone-projects/46-gradient-accumulation/) | C. Pipeline de treinamento de ponta a ponta | Python |
| 47 | [Salvar e retomar de um checkpoint](../../phases/19-capstone-projects/47-checkpoint-save-resume/) | C. Pipeline de treinamento de ponta a ponta | Python |
| 48 | [Paralelismo de dados distribuído e FSDP do zero](../../phases/19-capstone-projects/48-distributed-fsdp-ddp/) | C. Pipeline de treinamento de ponta a ponta | Python |
| 49 | [Harness de avaliação de modelos de linguagem](../../phases/19-capstone-projects/49-lm-eval-harness/) | C. Pipeline de treinamento de ponta a ponta | Python |
| 50 | [Gerador de hipóteses](../../phases/19-capstone-projects/50-hypothesis-generator/) | D. Pesquisa automatizada | Python |
| 51 | [Recuperação de literatura](../../phases/19-capstone-projects/51-literature-retrieval/) | D. Pesquisa automatizada | Python |
| 52 | [Executor de experimentos](../../phases/19-capstone-projects/52-experiment-runner/) | D. Pesquisa automatizada | Python |
| 53 | [Avaliação de resultados](../../phases/19-capstone-projects/53-result-evaluator/) | D. Pesquisa automatizada | Python |
| 54 | [Redator de artigos de pesquisa](../../phases/19-capstone-projects/54-paper-writer/) | D. Pesquisa automatizada | Python |
| 55 | [Ciclo de revisão crítica](../../phases/19-capstone-projects/55-critic-loop/) | D. Pesquisa automatizada | Python |
| 56 | [Agendador de iterações](../../phases/19-capstone-projects/56-iteration-scheduler/) | D. Pesquisa automatizada | Python |
| 57 | [Demonstração de pesquisa de ponta a ponta](../../phases/19-capstone-projects/57-end-to-end-research-demo/) | D. Pesquisa automatizada | Python |
| 58 | [Patches do codificador de visão](../../phases/19-capstone-projects/58-vision-encoder-patches/) | E. VLM multimodal | Python |
| 59 | [Codificador Vision Transformer](../../phases/19-capstone-projects/59-vit-transformer/) | E. VLM multimodal | Python |
| 60 | [Camada de projeção para alinhamento entre modalidades](../../phases/19-capstone-projects/60-projection-layer-modality-align/) | E. VLM multimodal | Python |
| 61 | [Fusão por atenção cruzada](../../phases/19-capstone-projects/61-cross-attention-fusion/) | E. VLM multimodal | Python |
| 62 | [Pré-treinamento de visão e linguagem](../../phases/19-capstone-projects/62-vision-language-pretraining/) | E. VLM multimodal | Python |
| 63 | [Avaliação multimodal](../../phases/19-capstone-projects/63-multimodal-eval/) | E. VLM multimodal | Python |
| 64 | [Comparação de estratégias de segmentação](../../phases/19-capstone-projects/64-chunking-strategies-advanced/) | F. RAG avançado | Python |
| 65 | [Recuperação híbrida com BM25 e embeddings densos](../../phases/19-capstone-projects/65-hybrid-retrieval-bm25-dense/) | F. RAG avançado | Python |
| 66 | [Reordenador cross-encoder](../../phases/19-capstone-projects/66-reranker-cross-encoder/) | F. RAG avançado | Python |
| 67 | [Reescrita de consultas: HyDE, Multi-Query e decomposição](../../phases/19-capstone-projects/67-query-rewriting-hyde/) | F. RAG avançado | Python |
| 68 | [Avaliação de RAG: precisão, revocação, MRR, nDCG, fidelidade e relevância das respostas](../../phases/19-capstone-projects/68-rag-eval-precision-recall/) | F. RAG avançado | Python |
| 69 | [Sistema RAG de ponta a ponta](../../phases/19-capstone-projects/69-end-to-end-rag-system/) | F. RAG avançado | Python |
| 70 | [Formato de especificação de tarefas](../../phases/19-capstone-projects/70-task-spec-format/) | G. Estrutura de avaliação | Python |
| 71 | [Métricas clássicas](../../phases/19-capstone-projects/71-classical-metrics/) | G. Estrutura de avaliação | Python |
| 72 | [Métrica de execução de código](../../phases/19-capstone-projects/72-code-exec-metric/) | G. Estrutura de avaliação | Python |
| 73 | [Perplexidade e calibração](../../phases/19-capstone-projects/73-perplexity-calibration/) | G. Estrutura de avaliação | Python |
| 74 | [Agregação de classificações](../../phases/19-capstone-projects/74-leaderboard-aggregation/) | G. Estrutura de avaliação | Python |
| 75 | [Executor de avaliação de ponta a ponta](../../phases/19-capstone-projects/75-end-to-end-eval-runner/) | G. Estrutura de avaliação | Python |
| 76 | [Operações coletivas do zero](../../phases/19-capstone-projects/76-collective-ops-from-scratch/) | H. Treinamento distribuído | Python |
| 77 | [Paralelismo de dados DDP do zero](../../phases/19-capstone-projects/77-data-parallel-ddp/) | H. Treinamento distribuído | Python |
| 78 | [Fragmentação do estado do otimizador ZeRO](../../phases/19-capstone-projects/78-zero-parameter-sharding/) | H. Treinamento distribuído | Python |
| 79 | [Paralelismo de pipeline e análise de bolhas](../../phases/19-capstone-projects/79-pipeline-parallel/) | H. Treinamento distribuído | Python |
| 80 | [Checkpoint fragmentado e retomada atômica](../../phases/19-capstone-projects/80-checkpoint-sharded-resume/) | H. Treinamento distribuído | Python |
| 81 | [Treinamento distribuído de ponta a ponta](../../phases/19-capstone-projects/81-end-to-end-distributed-train/) | H. Treinamento distribuído | Python |
| 82 | [Taxonomia de jailbreaks](../../phases/19-capstone-projects/82-jailbreak-taxonomy/) | I. Harness de segurança | Python |
| 83 | [Detector de injeção de prompt](../../phases/19-capstone-projects/83-prompt-injection-detector/) | I. Harness de segurança | Python |
| 84 | [Avaliação de recusas](../../phases/19-capstone-projects/84-refusal-evaluation/) | I. Harness de segurança | Python |
| 85 | [Integração de classificadores de conteúdo](../../phases/19-capstone-projects/85-content-classifier-integration/) | I. Harness de segurança | Python |
| 86 | [Mecanismo de regras constitucionais](../../phases/19-capstone-projects/86-constitutional-rules-engine/) | I. Harness de segurança | Python, YAML |
| 87 | [Verificação de segurança de ponta a ponta](../../phases/19-capstone-projects/87-end-to-end-safety-gate/) | I. Harness de segurança | Python |
## Livros e certificações
Leia o currículo principal em formato de livro
O currículo principal de 20 fases em `phases/` também é publicado em uma série de seis livros. O CI gera os arquivos EPUB e PDF a partir das mesmas lições centrais e os anexa a cada [lançamento do GitHub](https://github.com/rohitg00/ai-engineering-from-scratch/releases); os links abaixo sempre apontam para o lançamento mais recente. Os números identificam os volumes da série, não versões: cada cópia traz a data da edição, e edições anteriores continuam disponíveis nos respectivos lançamentos.
Os currículos de certificação não são incluídos nos livros. O estado do tutor de IA, os laboratórios executáveis, as figuras interativas, os diagnósticos e os simulados cronometrados continuam disponíveis no GitHub e no site.
| Vol. | Título | Fases | Transferência |
|-----|-------|--------|----------|
| 1 | Fundamentos · Matemática, ferramentas e aprendizado de máquina clássico | 00-02 | [EPUB](https://github.com/rohitg00/ai-engineering-from-scratch/releases/latest/download/aiefs-vol1-foundations.epub) · [PDF](https://github.com/rohitg00/ai-engineering-from-scratch/releases/latest/download/aiefs-vol1-foundations.pdf) |
| 2 | Aprendizado profundo · Redes, visão e fala | 03, 04, 06 | [EPUB](https://github.com/rohitg00/ai-engineering-from-scratch/releases/latest/download/aiefs-vol2-deep-learning.epub) · [PDF](https://github.com/rohitg00/ai-engineering-from-scratch/releases/latest/download/aiefs-vol2-deep-learning.pdf) |
| 3 | Linguagem · Fundamentos de PLN e o Transformer | 05, 07 | [EPUB](https://github.com/rohitg00/ai-engineering-from-scratch/releases/latest/download/aiefs-vol3-language.epub) · [PDF](https://github.com/rohitg00/ai-engineering-from-scratch/releases/latest/download/aiefs-vol3-language.pdf) |
| 4 | Grandes modelos de linguagem · Geração, reforço, pré-treinamento e engenharia | 08-11 | [EPUB](https://github.com/rohitg00/ai-engineering-from-scratch/releases/latest/download/aiefs-vol4-llms.epub) · [PDF](https://github.com/rohitg00/ai-engineering-from-scratch/releases/latest/download/aiefs-vol4-llms.pdf) |
| 5 | Agentes · Multimodalidade, protocolos, autonomia e enxames | 12-16 | [EPUB](https://github.com/rohitg00/ai-engineering-from-scratch/releases/latest/download/aiefs-vol5-agents.epub) · [PDF](https://github.com/rohitg00/ai-engineering-from-scratch/releases/latest/download/aiefs-vol5-agents.pdf) |
| 6 | Produção · Infraestrutura, segurança e projetos finais | 17-19 | [EPUB](https://github.com/rohitg00/ai-engineering-from-scratch/releases/latest/download/aiefs-vol6-production.epub) · [PDF](https://github.com/rohitg00/ai-engineering-from-scratch/releases/latest/download/aiefs-vol6-production.pdf) |
O livro é uma fotografia de uma edição; este repositório é a edição viva. Cada capítulo termina com links para as figuras animadas, o questionário e o código executável da lição. Para compilá-lo localmente, execute `python3 scripts/build_book.py` (é necessário ter pandoc); consulte os detalhes do processo em [book/README.md](../../book/README.md).
Prepare-se para as certificações Claude
A [Academia de Certificação Claude](../../certifications/claude/README.md) é um programa gratuito e de código aberto para preparar candidatos para as quatro certificações oficiais da Claude: Associate Foundations, Developer Foundations, Architect Foundations e Architect Professional. Cada trilha combina lições alinhadas ao guia do exame, laboratórios executáveis, um diagnóstico, um projeto final e um simulado original completo.
Use o [guia de início no GitHub com tutor de IA](../../certifications/claude/GETTING_STARTED.md) com Claude Code, Codex, ChatGPT, Cursor ou outro agente. Execute `claude-certification` no Codex, `/claude-certification` no Claude Code ou peça a outro host para usar `claude-certification`. A skill ajuda a escolher uma certificação, cria uma rota persistente em `CLAUDE-CERTIFICATION.md`, ensina uma etapa de cada vez, executa os laboratórios reais e oferece feedback com base nos artefatos. O mesmo currículo está disponível no [site de certificação](https://aiengineeringfromscratch.com/certifications.html).
A academia oferece material de estudo independente baseado nos objetivos públicos do exame. Não é afiliada à Anthropic, não reproduz questões reais do exame e não garante aprovação.
Prepare-se para a certificação MCP Associate (MCPA)
O [currículo de certificação MCPA](../../certifications/mcpa/README.md) é um programa de preparação gratuito e de código aberto para o exame Model Context Protocol Associate, da Agentic AI Foundation, ministrado pela Linux Foundation Training. Suas 34 lições ensinam o protocolo sem estado de 2026-07-28 e cobrem os cinco domínios do exame: `_meta` em cada solicitação e `server/discover` no lugar do antigo handshake, solicitações com várias trocas, assinaturas, cache, as extensões Tasks e MCP Apps, autorização OAuth e as camadas de registro e SDK. Cada lição inclui um laboratório executável com a biblioteca padrão, cuja transcrição é verificada para confirmar o formato atual do protocolo. A trilha também inclui um diagnóstico, um projeto final e três simulados originais completos, com uma distribuição de questões que segue os pesos publicados do guia.
Use o [guia de início no GitHub com tutor de IA](../../certifications/mcpa/GETTING_STARTED.md) com Claude Code, Codex, ChatGPT, Cursor ou outro agente. Execute `mcpa-certification` no Codex, `/mcpa-certification` no Claude Code ou peça a outro host para usar `mcpa-certification`. A skill cria uma rota persistente em `MCPA-CERTIFICATION.md`, ensina uma etapa de cada vez, executa os laboratórios reais e oferece feedback com base nos artefatos. O mesmo currículo está na [página da trilha MCPA](https://aiengineeringfromscratch.com/certification?id=mcpa-f).
Este currículo é material de estudo independente baseado nos objetivos públicos do exame. Não é afiliado à Agentic AI Foundation nem à Linux Foundation, não reproduz questões reais do exame e não garante aprovação.
## Kit de ferramentas
Cada lição produz um artefato reutilizável. Instale-o no seu agente ou use os scripts abaixo a partir da raiz do repositório.
Estrutura das lições e artefatos reutilizáveis
## A estrutura de uma lição
Cada lição fica em sua própria pasta e segue a mesma estrutura em todo o currículo:
```text
phases/-/-/
├── code/ implementações executáveis (Python, TypeScript, Rust, Julia)
├── docs/
│ └── en.md explicação da lição
└── outputs/ prompts, skills, agentes ou servidores MCP produzidos por esta lição
```
Cada lição tem seis etapas. A sequência *Construa / Use* é a espinha dorsal: primeiro você implementa o algoritmo do zero, depois executa a mesma operação com a biblioteca de produção. Você entende o que o framework faz porque escreveu uma versão menor com as próprias mãos.
```mermaid
%%{init: {'theme':'base','themeVariables':{'primaryColor':'#fafaf5','primaryTextColor':'#1a1a1a','primaryBorderColor':'#3553ff','lineColor':'#3553ff','fontFamily':'JetBrains Mono','fontSize':'13px'}}}%%
flowchart LR
M["IDEIA CENTRAL a essência numa linha"] --> Pr["PROBLEMA uma dificuldade concreta"]
Pr --> C["CONCEITO diagramas e intuição"]
C --> B["CONSTRUA matemática do zero, sem frameworks"]
B --> U["USE o mesmo em PyTorch / sklearn"]
U --> S["PUBLIQUE instrução · habilidade · agente · MCP"]
```
## Cada lição entrega algo
Outros currículos terminam com “Parabéns, você aprendeu X”. Aqui, cada lição termina com uma **ferramenta reutilizável** que você pode instalar ou incorporar ao seu fluxo de trabalho diário.
FIG_001 · A INSTRUÇÕES
FIG_001 · B HABILIDADES
FIG_001 · C Agentes
FIG_001 · D Servidores MCP
Cole o conteúdo em qualquer assistente de IA para obter ajuda especializada em uma tarefa específica.
Instale-a no Claude, Cursor, Codex, OpenClaw, Hermes ou em qualquer agente que leia SKILL.md.
Implemente como trabalhadores autônomos. Na Fase 14, você escreveu o ciclo do agente por conta própria.
Conecte a qualquer cliente compatível com MCP. Você constrói o servidor de ponta a ponta na Fase 13.
Instalar artefatos das lições
**Os artefatos das lições.** O repositório inclui 396 skills e 99 prompts em `phases/**/outputs/`; instale-os com `scripts/install_skills.py`. É preciso clonar o repositório. A ferramenta oferece filtros por tag, execução de teste e layouts específicos para cada agente:
```bash
python3 scripts/install_skills.py # every skill, default --layout skills (nested)
python3 scripts/install_skills.py --layout skills # same as above, explicit
python3 scripts/install_skills.py --type all # skills + prompts + agents
python3 scripts/install_skills.py --phase 14 # one phase only
python3 scripts/install_skills.py --tag rag # filter by tag
python3 scripts/install_skills.py --layout flat # flat files
python3 scripts/install_skills.py --dry-run # preview without writing
python3 scripts/install_skills.py --force # overwrite existing files
```
`` é o diretório de skills do seu agente (por exemplo, `~/.claude/skills/`, `~/.cursor/skills/`, `~/.config/openclaw/skills/`, `.skills/` ou qualquer caminho lido pelo agente).
Por padrão, o script se recusa a sobrescrever um destino existente e encerra com código 1 depois de listar todos os caminhos conflitantes. Use `--dry-run` para visualizar os conflitos ou `--force` para sobrescrevê-los. Toda execução que não seja de teste grava no destino um `manifest.json` com o inventário completo, agrupado por tipo e fase. Escolha o layout que seu agente lê:
| `--layout` | Caminho gravado |
|---|---|
| `skills` | `//SKILL.md` (convenção aninhada, compatível com Claude, Cursor, Codex, OpenClaw e Hermes) |
| `by-phase` | `/phase-NN/.md` |
| `flat` | `/.md` |
Coloque o ambiente de trabalho do agente no seu repositório
O projeto final da Fase 14 inclui um pacote reutilizável de Agent Workbench (AGENTS.md, esquemas e scripts de inicialização, verificação e transferência). Você pode gerá-lo em qualquer repositório com:
```bash
python3 scripts/scaffold_workbench.py path/to/your-repo # full pack + seeds
python3 scripts/scaffold_workbench.py path/to/your-repo --minimal # skip docs/
python3 scripts/scaffold_workbench.py path/to/your-repo --dry-run # preview only
python3 scripts/scaffold_workbench.py path/to/your-repo --force # overwrite
```
O pacote configura as sete partes do ambiente de trabalho, cria um `task_board.json` inicial e um novo `agent_state.json` com `schema_version: 1`. Depois, edite a tarefa e `AGENTS.md`, execute `scripts/init_agent.py` e entregue o contrato ao agente. O código-fonte do pacote fica em `phases/14-agent-engineering/42-agent-workbench-capstone/outputs/agent-workbench-pack/`.
Explore todo o curso em formato JSON
`scripts/build_catalog.py` percorre todas as fases, lições e artefatos no disco e grava `catalog.json` na raiz do repositório. Um arquivo, todas as informações do curso.
```bash
python3 scripts/build_catalog.py # writes /catalog.json
python3 scripts/build_catalog.py --stdout # to stdout, do not touch repo
python3 scripts/build_catalog.py --out path/to/file.json
```
O catálogo é gerado a partir do sistema de arquivos, não do README, por isso as contagens sempre refletem o que está realmente no disco. Use-o para compilar o site, criar ferramentas derivadas ou verificar se as contagens do README mudaram. O esquema está documentado no início do script.
O fluxo do currículo gera `catalog.json` como artefato temporário ignorado pelo Git. Não o inclua em um commit. O mesmo fluxo executa `audit_lessons.py` como verificação bloqueante.
Verifique a sintaxe do código Python de cada lição
`scripts/lesson_run.py` compila todos os arquivos `.py` nos diretórios `code/` das lições. Por padrão, apenas verifica a sintaxe: não executa código, não requer chaves de API nem dependências pesadas de ML. Detecta os erros mais comuns introduzidos por contribuições: indentação incorreta, f-strings quebradas e alterações acidentais.
```bash
python3 scripts/lesson_run.py # syntax-check the whole curriculum
python3 scripts/lesson_run.py --phase 14 # one phase only
python3 scripts/lesson_run.py --json # JSON report on stdout
python3 scripts/lesson_run.py --strict # exit 1 if any lesson fails
python3 scripts/lesson_run.py --execute # actually run, 10s timeout per lesson
```
`--execute` executa `code/main.py` de cada lição (ou o primeiro arquivo `.py`) com limite de 10 segundos. Lições cujo arquivo de entrada contenha um comentário `# requires: pkg1, pkg2` com dependências fora da biblioteca padrão são ignoradas, com o motivo `needs `. A opção é voluntária e não está conectada ao CI.
Usa apenas a biblioteca padrão; requer Python 3.10 ou posterior. Defina `LINK_CHECK_SKIP=domain1,domain2` para substituir a lista padrão de domínios ignorados (`twitter.com`, `x.com`, `linkedin.com`, `instagram.com`, `medium.com`), que bloqueiam com frequência solicitações HEAD/GET automatizadas.
Artigos e protocolos fundamentais
- *Attention Is All You Need* — Vaswani et al., 2017 → [Fase 7](#phase-7)
- *Language Models are Few-Shot Learners* (GPT-3) → [Fase 10](#phase-10)
- *Denoising Diffusion Probabilistic Models* → [Fase 8](#phase-8)
- *InstructGPT / RLHF* → [Fase 10](#phase-10)
- *Direct Preference Optimization* → [Fase 10](#phase-10)
- *Chain-of-Thought Prompting* → [Fase 11](#phase-11)
- *ReAct: Reasoning + Acting in LLMs* → [Fase 14](#phase-14)
- *Model Context Protocol* — Anthropic → [Fase 13](#phase-13)
## Como contribuir
| Objetivo | Consulte |
|---|---|
| Contribuir com uma lição ou corrigir um problema | [CONTRIBUTING.md](../../CONTRIBUTING.md) |
| Faça fork para sua equipe ou escola | [FORKING.md](../../FORKING.md) |
| Modelo de lição | [LESSON_TEMPLATE.md](../../LESSON_TEMPLATE.md) |
| Acompanhar o progresso | [ROADMAP.md](../../ROADMAP.md) |
| Glossário | [glossary/terms.md](../../glossary/terms.md) |
| Código de conduta | [CODE_OF_CONDUCT.md](../../CODE_OF_CONDUCT.md) |
Antes de enviar uma lição, execute a verificação de invariantes:
```bash
python3 scripts/audit_lessons.py # full curriculum
python3 scripts/audit_lessons.py --phase 14 # single phase
python3 scripts/audit_lessons.py --json # CI-friendly output
```
O código de saída é diferente de zero se alguma regra falhar. As regras L001–L010 validam a estrutura dos diretórios, a presença de `docs/en.md` e do título H1, se `code/` não está vazio, o esquema de `quiz.json` (e rejeitam as antigas chaves `q/choices/answer`, que causaram o issue #102) e os links relativos na documentação das lições.
## Patrocine o trabalho
114,584 leitores · 181,995 visualizações de páginas nos últimos 30 dias · atualizado em 2026-08-29
Grátis, com licença MIT e 523 lições. Agradecemos aos patrocinadores e apoiadores que tornam este trabalho possível. [Ver todos os patrocinadores e apoiadores](../../BACKERS.md).
Quer apoiar o projeto? Veja as [opções de patrocínio](../../SPONSORS.md), incluindo [patrocínios de hardware](../../SPONSORS.md#hardware-lab-partner), ou [patrocine pelo GitHub](https://github.com/sponsors/rohitg00).
Se este manual ajudou você, dê uma estrela ao repositório. Isso mantém o projeto vivo.
## Licença
MIT. Use como quiser: faça fork, ensine, venda ou publique. A atribuição é bem-vinda, mas não obrigatória.
Mantido por [Rohit Ghumare](https://github.com/rohitg00) e pela comunidade.
@ghumare64 · aiengineeringfromscratch.com · Relatar / Sugerir
