Roteiro de estudo de AI Engineering 2026

O que estudar, em que ordem e com que profundidade para migrar de dados ou software para AI Engineering.

Como usar: siga as etapas em ordem, mas não espere “terminar” uma para começar a próxima. A regra é sempre a mesma: construa algo pequeno em cada etapa. Ler sem construir é como estudar natação por livro.

Etapa 0: Ponto de partida (1–2 semanas)

Antes de qualquer framework, alinhe a base:

• Saber explicar em uma frase o que um LLM faz (prever o próximo token) e por que ele alucina. Aula: IA generativa sem hype.
• Saber em qual dos 7 cenários de vaga você quer trabalhar. Isso define o resto do roteiro.
• Usar intensamente um assistente de IA no seu trabalho atual por duas semanas, anotando onde ele falha.

Etapa 1: Fundamentos de engenharia (contínuo)

O que separa um AI Engineer de um usuário de chatbot é engenharia de software:

• Python sólido: tipagem, testes, pacotes, ambientes.
• HTTP na prática: autenticação, streaming, tratamento de erro, timeouts, rate limiting e retries.
• Expor um modelo como serviço: uma API (FastAPI ou similar) com contrato, validação de entrada e saída, versionamento e logs.
• Git, Docker e um deploy simples em nuvem.

Projeto da etapa: uma API que recebe um texto, chama um LLM e devolve uma saída estruturada validada, com testes.

Etapa 2: Trabalhar bem com o modelo (2–4 semanas)

• Engenharia de contexto: o que entra no contexto, em que ordem e formato.
• Saída estruturada (JSON com schema) e chamadas de ferramentas.
• Custo e latência: contar tokens, cache, escolher o modelo certo para cada tarefa.

Projeto da etapa: um extrator de informações de documentos reais do seu trabalho (com dados anonimizados), comparando dois modelos em custo e qualidade.

Etapa 3: Avaliação (a habilidade mais subestimada) (2–4 semanas)

• Montar um golden dataset pequeno, com 30 a 100 casos reais.
• Rodar evals a cada mudança de prompt ou modelo.
• Usar LLM-as-a-judge com calibração contra avaliação humana.

Projeto da etapa: colocar evals no projeto da etapa 2 e mostrar, com números, que uma mudança melhorou (ou piorou) o sistema.

Etapa 4: RAG e agentes, com moderação (3–6 semanas)

• RAG do zero: busca textual primeiro, vetorial depois, só se os evals mostrarem ganho.
• Agentes e MCP: entender o ciclo planejar → agir → observar, e quando um fluxo fixo é melhor.
• Fine-tuning e RLHF: conceitual. Saber quando faria sentido, não precisa fazer agora.

Projeto da etapa: um assistente de perguntas e respostas sobre uma base de documentos, com avaliação, custo por pergunta medido e uma página explicando as decisões.

Etapa 5: Prova de trabalho (contínuo)

• Publicar os projetos com README que explique o problema, as decisões e os números (qualidade, custo, latência).
• Escrever sobre um erro que você cometeu e como mediu a correção.
• Ler vagas classificando o cenário antes de aplicar.

O que pode esperar

• Frameworks de agentes da moda: aprenda o conceito, escolha a ferramenta quando tiver um problema.
• Fine-tuning de modelo próprio: raramente necessário para começar.
• Cursos que prometem salário: nenhum roteiro substitui projeto com números.