IA para DEVS

O novo mercado e o papel do desenvolvedor

▪ Transformações recentes no mercado de trabalho em tecnologia
▪ Automação versus amplificação: impactos da IA na prática profissional
▪ A realidade do desenvolvedor em 2026
▪ Estratégias para atuação em cenários de transição tecnológica
▪ Tendências para o futuro da engenharia de software
▪ Responsabilidades técnicas, legais e éticas no uso de Inteligência
Artificial

Fundamentos de LLMs e ecossistema de modelos
▪ Conceitos fundamentais de Inteligência Artificial, Machine Learning e
Large Language Models
▪ Diferenças entre modelos tradicionais e modelos generativos
▪ Fundamentos conceituais da arquitetura Transformer
▪ Tokens, janela de contexto e memória de curto prazo
▪ Latência, throughput — Analisando performance dos modelos

Principais provedores e modelos:
▪ OpenAI, Anthropic, Google DeepMind, Zhipu AI

Modelos explorados:
▪ Opus 4.5, Sonnet 4.5, Gemini 3 Pro, GPT 5.2 Codex Max, Composer,
GLM 4.7
▪ Critérios técnicos para seleção de modelos
▪ Estruturas de precificação
▪ Estratégias multi-modelo e uso de roteadores (model routing)
▪ Adequação de modelos a diferentes categorias de tarefas

Engenharia de prompt aplicada ao Código

▪ Comunicação estruturada com Large Language Models
▪ Estruturação de prompts com Markdown e XML
▪ Técnicas de few-shot prompting
▪ Chain of Thought e raciocínio estruturado
▪ Meta prompting
▪ Definição de instruções de sistema
▪ Padronização e controle de respostas
▪ Encadeamento de interações
▪ Avaliação crítica e validação de resultados
▪ Uso responsável de dados sensíveis
▪ Atividade prática orientada utilizando LangChain para mensuração da
evolução técnica.

Ferramentas e assistentes de código
Exploração prática das principais ferramentas de desenvolvimento assistido por IA: GitHub Copilot, Cursor, Claude Code, Codex CLI, Gemini CLI, Kiro, Windsurf, Antigravity, OpenCode e OpenRouter.

▪ Análise das características técnicas
▪ Vantagens e limitações
▪ Modelos de precificação
▪ Geração estruturada de código
▪ Revisão e refatoração assistida
▪ Geração automatizada de testes
▪ Atividade prática aplicada.

Embeddings e Retrieval-Augmented Generation (RAG)

▪Representação vetorial de informações
▪ Bancos de dados vetoriais
▪ Fluxo arquitetural básico de RAG
▪ Estratégias de segmentação e indexação
▪ Consulta contextualizada
▪ Avaliação de qualidade de respostas
▪ Introdução ao GraphRAG

MCPs e integração dinâmica de contexto
▪ Conceito de Model Context Protocol (MCP)
▪ Integração dinâmica de contexto
▪ Memória contextual inteligente
▪ Aplicações práticas no desenvolvimento

MCPs explorados: Context7, Figma, Playwright, Perplexity, Zen.
▪ Uso de MCPs para documentação, testes E2E e pesquisa técnica
▪ Otimização contínua do fluxo de desenvolvimento
▪ Atividade prática aplicada com MCPs.

Short-Term Memory e gestão de contexto
▪ Fundamentos de Context Engineering
▪ Relevância da janela de contexto
▪ Estratégias de chaveamento de contexto
▪ Técnicas de limpeza e compactação
▪ Prevenção de degradação semântica
▪ Controle de granularidade de tarefas
▪ Impacto em custo computacional e performance

Long-Term Memory, Rules e estruturação de projeto
▪ Definição e aplicação de regras estruturais sem sobrecarga de contexto
▪ Utilização de arquivos de configuração:
1. .cursor/rules
2. CLAUDE.md
3. github/copilot-instructions.md
▪ Definições estruturais: Design e Arquitetura, Padrões de Código, Estrutura de Pastas, Definição de APIs, Modelagem de Banco de Dados, Estratégia de Testes, Logging e observabilidade.
▪ Comparação prática entre projetos com e sem regras estruturadas
▪ Atividade prática com aplicação de regras formais.