pular para o conteúdo
sec/atlas
knowledge base · agents

AI Agents, mapeados.

Do chunking ao guardrail: como um agente moderno é montado — o pipeline de dados (RAG), o loop de ação (frameworks, tool calling, MCP), e a malha de avaliação que decide se ele pode ser enviado.

$ clique num card para ver os detalhes · ctrl+k para buscar

mapa de aprendizado

Os tópicos estão organizados por nível, dos fundamentos ao avançado. As setas vão do pré-requisito para o que se apoia nele. Selecione um tópico para ver uma prévia ou siga o próximo passo destacado.

Seu próximo passo

0 de 15 estudados
começar este tópico

01 Fundamentos

As ideias sobre as quais todo o resto se apoia.

02 Prática

Aplique os controles e faça-os funcionar na prática.

03 Avançado

Projete, escale e opere em profundidade.

  • estudado
  • pronto para estudar
  • faltam pré-requisitos

pipeline de IA

Do documento bruto à métrica do guardrail — o caminho do dado e da qualidade. Cada chip abre o tópico correspondente.

  1. 01ingest

    documentos viram pedaços recuperáveis

    chunking

    gate: cada pedaço cabe no contexto e preserva a ideia local

  2. 02index

    pedaços viram vetores e entram no banco

    embeddingsvector-db

    gate: vetores persistidos e consultáveis por similaridade

  3. 03retrieve

    o pedaço certo para a pergunta certa

    retrieval

    gate: ranking estável e cobertura dos trechos relevantes

  4. 04act

    o agente decide, chama ferramentas, responde

    agent frameworkstool callingorchestration

    gate: ação tipada, auditada e dentro do escopo do agente

  5. 05evaluate

    medir para poder confiar

    evalsbenchmarksLLM as judgeregression evals

    gate: qualidade medida, baseline protegido, gate no merge

tópicos

RAG - retrieval-augmented generation
RAG junta busca e geração: o modelo só responde depois de puxar os trechos relevantes de uma base externa, então a resposta é ancorada em material que existe e pode ser citado.
conceito
Chunking
Chunking é a primeira decisão técnica de RAG: o tamanho, a sobreposição e a estratégia de corte determinam o que o retrieval consegue encontrar depois. Pedaços ruins viram respostas sem contexto.
técnica· etapa: ingest
Embeddings
Embeddings mapeiam texto para um espaço onde distância vira semântica: 'cão' e 'pet' ficam perto, 'cão' e 'satélite' ficam longe. É o motor da busca por similaridade do RAG.
técnica· etapa: index
Vector DB
Vector DB é o componente que guarda embeddings e responde 'quais vetores estão mais próximos deste?' em milissegundos. É onde o ANN (HNSW, IVF) paga o custo da busca semântica.
componente· etapa: index
Retrieval
Retrieval é onde a busca vira resposta: dense, sparse, híbrido e reranking decidem se o contexto que chega no LLM é útil ou se é lixo disfarçado de evidência.
técnica· etapa: retrieve
LLM - large language model
LLM é o motor generativo do agente: recebe contexto (system prompt, histórico, retrieval, ferramentas) e produz a próxima resposta. Não consulta uma base de fatos; usa o contexto para parecer consultar.
conceito
Agent frameworks
Agent framework é o esqueleto que segura o loop do agente: estado, plano, ferramentas e o que acontece entre cada chamada ao modelo. Sem framework, o agente vira um script cheio de if/else que ninguém consegue auditar.
componente· etapa: act
Tool calling
Tool calling é o contrato entre o LLM e o mundo: o modelo devolve JSON estruturado (nome + argumentos), o runtime valida contra schema e executa. É o que transforma texto em ação.
técnica· etapa: act
Orchestration
Orchestration é o padrão acima do agente único: pipeline (sequência fixa), supervisor (um agente comanda N) ou swarm (N agentes se auto-organizam). Define quem fala com quem, quando e em que ordem.
componente· etapa: act
MCP - model context protocol
MCP (Model Context Protocol) padroniza como um cliente LLM descobre, lista e chama capacidades expostas por servidores: tools (ações), resources (dados) e prompts (templates). Uma interface única para integrar com qualquer fonte.
conceito
Evals - qualidade medida em produção
Evals é o harness que mede se a resposta é boa: dataset de exemplos, métrica (fidelidade, relevância, groundedness) e runner que executa ponta a ponta. Sem eval, melhorar um agente é chute e qualquer ajuste vira rotina.
componente· etapa: evaluate
Benchmarks - referência pública
Benchmarks (SWE-bench, GAIA, τ-bench, HumanEval) dão referência compartilhada: você roda o agente no mesmo dataset que outros publicaram e o número fala a mesma língua. Risco clássico: otimizar para o benchmark e perder no mundo real.
técnica· etapa: evaluate
LLM as judge - rubrica automatizada
LLM as judge automatiza a nota: um modelo aplica uma rubrica (pairwise, Likert, score) sobre a saída do sistema e devolve um veredito escalável. Funciona quando calibrado direito; vira circularidade quando o juiz usa o mesmo modelo que está julgando.
técnica· etapa: evaluate
Regression evals - suite fixa no PR
Regression evals é a suite imutável: dataset fechado, gate no merge, comparação contra baseline. É o que transforma 'acho que ficou melhor' em 'a métrica X caiu 2 pontos, bloquear o PR'.
componente· etapa: evaluate
Guardrails - filtros de entrada e saída
Guardrails validam entrada (prompt injection, PII, jailbreak) e saída (PII, schema, política) em cada turno. Complementam o eval: seguram o que vai ao usuário, mas não medem se a resposta é boa.
conceito