book

Padrões de design de IA generativa

by Valliappa Lakshmanan, Hannes Hapke

October 2025

Intermediate to advanced

508 pages

13h 33m

Portuguese (Portugal, Brazil)

O'Reilly Media, Inc.

Book available

Read now

Unlock full access

Para quem é este livro?Convenções usadas neste livroUso de exemplos de códigoAprendizado on-line da O'ReillyComo entrar em contato conoscoAgradecimentos
Padrões de projeto do GenAIBaseando-se em modelos fundamentaisPrompt e contextoUso da API do provedor de modelosUsando uma estrutura de diagnóstico de LLMExecutando seu modelo localmenteComo os modelos básicos são criadosO cenário dos modelos básicosIA agênticaAutonomiaCaracterísticas dos agentesControle refinadoLogitsTemperaturaAmostragem Top-KAmostragem de núcleoPesquisa de feixeAprendizagem no contextoAprendizado com zero disparosAprendizado com poucos disparosPós-treinamentoMétodos pós-treinamentoAjuste fino de um modelo de fronteiraAjuste fino de um modelo de peso abertoConsideraçõesA organização do restante do livro
Padrão 1: mascaramento de logitsProblemaSoluçãoExemplosConsideraçõesReferênciasPadrão 2: gramáticaProblemaSoluçãoExemplosConsideraçõesReferênciasPadrão 3: transferência de estiloProblemaSoluçãoConsideraçõesReferênciasPadrão 4: Neutralização reversaProblemaSoluçãoExemplo 1: Geração de texto jurídicoExemplo 2: Estilo pessoalConsideraçõesReferênciasPadrão 5: otimização de conteúdoProblemaSoluçãoExemploConsideraçõesReferênciasResumo
Padrão 6: RAG básicoProblemaSoluçãoExemploConsideraçõesReferênciasPadrão 7: indexação semânticaProblemaSoluçãoExemploConsideraçõesReferênciasPadrão 8: indexação em escalaProblemaSoluçãoExemploConsideraçõesReferênciasResumo
Padrão 9: recuperação com reconhecimento de índiceProblemaSoluçãoExemploConsideraçõesReferênciasPadrão 10: pós-processamento de nósProblemaSoluçãoExemploConsideraçõesReferênciasPadrão 11: geração confiávelProblemaSoluçãoExemploConsideraçõesReferênciasPadrão 12: pesquisa profundaProblema SoluçãoExemploConsideraçõesReferênciasResumo
Os limites do raciocínio LLMRecursos conhecidosRecursos desconhecidosPadrão 13: Cadeia de pensamentoProblemaSoluçãoExemplosConsideraçõesReferênciasPadrão 14: árvore de pensamentos (ToT)ProblemaSoluçãoExemploConsideraçõesReferênciasPadrão 15: Ajuste do adaptadorProblemaSoluçãoExemploConsideraçõesReferênciasPadrão 16: Evol-InstruçãoProblemaSoluçãoExemploConsideraçõesReferênciasResumo
Padrão 17: LLM como juizProblemaSoluçãoExemploConsideraçõesReferênciasPadrão 18: ReflexãoProblemaSoluçãoExemploConsideraçõesReferênciasPadrão 19: Injeção de dependênciaProblemaExemplo de soluçãoSoluçãoConsideraçõesReferênciasPadrão 20: otimização de promptProblemaSoluçãoExemploConsideraçõesReferênciasResumo
Padrão 21: chamada de ferramentasProblemaSoluçãoExemplosFerramenta meteorológicaFerramenta de geocodificaçãoServidor MCPCliente MCPConsideraçõesMelhoria da confiabilidadeLimitações da MCPInjeção imediataReferênciasPadrão 22: execução de códigoProblemaSoluçãoExemploConsideraçõesReferênciasPadrão 23: colaboração de multiagentesProblemaSoluçãoExemploConsideraçõesReferênciasResumo
Padrão 24: modelo de linguagem pequenoProblemaSoluçãoExemploConsideraçõesReferênciasPadrão 25: Cache de promptProblemaSoluçãoExemploConsideraçõesReferênciasPadrão 26: otimização da inferênciaProblemaSoluçãoExemploReferênciasPadrão 27: Teste de degradaçãoProblemaSoluçãoFerramentas de monitoramento de desempenhoReferênciasPadrão 28: Memória de longo prazoProblemaSoluçãoExemploConsideraçõesReferênciasSumário
Padrão 29: Geração de modelosProblemaSoluçãoExemploConsideraçõesReferênciasPadrão 30: Reformatação montadaProblemaSoluçãoExemploConsideraçõesReferênciasPadrão 31: Auto-verificaçãoProblemaSoluçãoExemploConsideraçõesReferênciasPadrão 32: GuardrailsProblemaSoluçãoExemploConsideraçõesReferênciasResumo

Fluxo de trabalho autênticoExecução do aplicativoO que o aplicativo fazArquitetura do sistemaImplementaçãoResumo

Content preview from Padrões de design de IA generativa

Sobre os autores

Valliappa (Lak) Lakshmanan trabalha em estreita colaboração com equipes de gerenciamento em várias empresas para ajudá-las a empregar dados e inovação orientada por IA para expandir seus negócios. Anteriormente, ele foi diretor de soluções de análise de dados e IA no Google Cloud e cientista de pesquisa na NOAA. Ele foi cofundador do Laboratório de Soluções Avançadas do Google e é autor de vários livros da O'Reilly e cursos do Coursera. Ele foi eleito Fellow da American Meteorological Society (a mais alta honraria oferecida pela AMS) por ser pioneiro em algoritmos de aprendizado de máquina na previsão de clima severo.

Hannes Hapke é engenheiro sênior de aprendizado de máquina na Digits e é coautor de várias publicações sobre aprendizado de máquina, incluindo o livro Building Machine Learning Pipelines and Machine Learning Production Systems da O'Reilly Media. Ele também apresentou trabalhos de ML de última geração em conferências como ODSC ou OâReilly's TensorFlow World e é um colaborador ativo do projeto TFX Addons do TensorFlow. Hannes é apaixonado por engenharia de aprendizado de máquina e casos de uso de aprendizado de máquina de produção usando os mais recentes desenvolvimentos de aprendizado de máquina.