Cluster editorial
Data
Por Emerson Amorim, fundador do KingFy e da EmerSoftware.
Dados como produto: pipelines, RAG, embeddings, qualidade e governança.
Dados prontos para análise e para sistemas de IA. Pipelines AWS, qualidade, particionamento e a ponte entre lakehouse, retrieval e Context Engineering.
Artigos deste tema
- 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.
- 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.
- 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.
- Engenharia de dados na AWS: pipeline com Python, S3, Athena e arquitetura escalávelArquitetura de pipeline na AWS: ingestão Python, S3 particionado, Athena, qualidade de dados e custos sob controle.
- 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.
- 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.