Cluster editorial
AI Engineering
Por Emerson Amorim, fundador do KingFy e da EmerSoftware.
AI Engineering em produção: contratos, RAG, Context Engineering, avaliação e operação.
AI Engineering como disciplina de produto com Emerson Amorim: o que faz um AI Engineer, APIs de LLM, RAG com ACL, Context Engineering e avaliação contínua. Conteúdo orientado a implementação e operação.
Artigos deste tema
- A Era dos Super Apps de IA: por que o próximo grande aplicativo não será apenas um chatbotChatbot responde; Super App de IA opera. Anatomia em sete camadas, AgentsAI, MCP/A2A, marketplace de capacidades, confiança delegada e roteiro de 90 dias — com o KingFy como caso real no Brasil.
- Além do RAG: a arquitetura de memória persistente que permite aos agentes de IA trabalhar com contexto de longo prazoEpisódica, semântica e operacional: blueprint da memória de agentes com GraphRAG, recuperação contextual, esquecimento controlado e proteção contra contaminação. Letta, Mem0, Zep/Graphiti.
- O fim dos aplicativos como conhecemos? Como AgentsAI podem redefinir softwareDo app isolado ao ecossistema de agentes: quatro estágios da dissolução do aplicativo, capacidades via MCP, Super App de IA e roteiro de 90 dias para a era pós-app.
- Agentic AI: o que é, como funciona e como arquitetar sistemas de agentes em produçãoDefinição operacional de Agentic AI, componentes de arquitetura (planner, ferramentas, memória, políticas) e critérios para levar agentes de IA à produção no Brasil e em ambientes enterprise.
- AI Engineering: o que é e como construir aplicações de IA para produçãoO que faz um AI Engineer, diferenças para ML Engineer e Data Scientist, e o stack prático de AI Engineering: contratos, RAG, agentes, avaliação, custo e operação em produção.
- Context Engineering vs RAG vs Memory: diferenças e quando usar cada abordagemCompare Context Engineering, RAG e Memory em sistemas de LLM: o que entra na janela, o que se recupera sob demanda e o que persiste entre sessões. Critérios de escolha e antipadrões.
- Arquitetura AI-Native: como projetar aplicações preparadas para agentes de IAO que significa arquitetura AI-native: produtos desenhados para LLMs e agentes desde a borda até a operação. Princípios, camadas, trade-offs com cloud native e caminho de modernização.
- Como implementar um sistema RAG com FastAPI, embeddings, busca vetorial e controle de acessoImplementação de RAG em produção: ingestão, embeddings, busca vetorial, ACL por documento, citações e avaliação de groundedness.
- Como construir uma API de IA com Python, FastAPI, Pydantic e LLMsPadrão de API de IA em produção: schemas Pydantic, streaming, timeouts, autenticação, orçamento de tokens e tratamento de falhas.
- LangGraph vs CrewAI: como escolher a arquitetura de orquestração para agentes de IACompare LangGraph e CrewAI: grafos de estado versus equipes por papel. Critérios de escolha, exemplos e trade-offs para produção.
- RAG vs CAG vs KAG: diferenças, arquitetura e quando utilizar cada abordagemCompare RAG, CAG e KAG: recuperação, cache de conhecimento e grafos. Arquitetura, trade-offs e critérios objetivos de escolha.
- Como construir agentes de IA para produção: arquitetura, Agent Harness, segurança e observabilidadeDiferença entre protótipo e agente em produção: Agent Harness, permissões, ferramentas tipadas, memória, avaliações e intervenção humana.
- Como construí um Super App de Inteligência Artificial: arquitetura, agentes e engenharia por trás do KingFyEstudo de caso da arquitetura do KingFy: orquestração de agentes, multimodalidade, ferramentas, limites de autonomia e decisões de engenharia.