Lucas S. Vieira


O que é IA hoje?


Nomenclaturas de IA


Guilda de IA

O Problema

  • Muita gente usa termos como se fossem a mesma coisa
  • Não são
  • Entender a diferença é fundamental

Quatro termos principais

  • IA (Inteligência Artificial)
  • LLM (Large Language Model)
  • RAG (Retrieval Augmented Generation)
  • Agente (AI Agent)

1. IA - Inteligência Artificial

  • O que é: Campo geral
  • Qualquer sistema que faz algo "inteligente"

Exemplos de IA

  • Spam filter do email → IA
  • Reconhecimento facial → IA
  • Chess engine → IA
  • ChatGPT → IA

2. LLM - Large Language Model

  • O que é: Um TIPO de IA
  • Modelo que prevê próxima palavra

Capacidades que importam (pra construtores)

  • Tool calling → Consegue chamar ferramentas externas
  • Raciocínio → Pensamento passo a passo explícito
  • Contexto longo → Janela de 100K+ tokens
  • Multimodalidade → Imagem, áudio, vídeo

Dica: estabilidade

Para construir agentes, o essencial é tool calling + estabilidade. Modelos densos (não-MoE) tendem a ser mais estáveis.

Modelos de LLM (Abril 2026)

  • Proprietários: Gemini 3 Flash, Gemini 3.1 Pro, Claude Opus 4.7, GPT-5.4
  • API gratuita: Gemini 2.5 Flash, Gemini 3.1 Flash-Lite
  • API barata: DeepSeek V3.2, MiniMax M2.5, GLM-5.1
  • Para edge/celular: Gemma 4 E2B, Qwen3.5-4B
  • Para agentes: Qwen3.5-27B, Qwen 3.6-35B-A3B

Open Weights (Abril 2026)

  • GLM-5.1 (MIT!) — agente open robusto
  • Kimi K2.5 — multimodal agentic
  • Qwen3.5 (série) — de 0.5B a 397B, Apache 2.0
  • DeepSeek V3.2 — MoE eficiente, barato na API
  • Gemma 4 — de E2B a 31B, Apache 2.0
  • Qwen 3.6-35B-A3B — 3B ativos, supera 27B densos

Paradoxo da eficiência

  • 2023: GPT-4 era SOTA com ~1.8T parâmetros
  • 2026: Gemma 4 E4B (4B) alcança desempenho comparable
  • Modelos modernos são ~450x menores e igualmente capazes

Como? Mais dados de treino, distilação, MoE, pós-treino.

Estado da Arte (Abril 2026)

Modelo Tipo Destaque
Claude Opus 4.7 Proprietário Top geral
Gemini 3.1 Pro Proprietário Top Google
GPT-5.4 Proprietário 1M contexto
Gemini 3 Flash Proprietário Agentic, pago
GLM-5.1 Open (MIT) Coding open forte

GLM-5.1: o open que compete

GLM-5.1 (open weights) empata com GPT-5.4 em coding, custando uma fração. Qwen 3.6-35B-A3B (3B ativos) roda em hardware modesto e supera modelos 10x maiores.

Sobre o termo "AGI"

  • "AGI virou um termo de hype, não um termo com significado preciso" — Andrew Ng (Google Brain)

Para quem constrói: o que importa são capacidades mensuráveis. O modelo faz tool calling? É estável? Foco no que você pode testar.

Modelos Densos vs MoE

  • Densos: Todos parâmetros ativos (estável)
  • MoE: Mixture of Experts (eficiente, mas instável)
  • Para agentes: prefira modelos densos

O que LLM NÃO faz

  • Não calcula (234 × 987 = ? → ele chuta)
  • Não sabe fatos específicos (suas notas, documentos)
  • Não tem memória de longo prazo

3. RAG - Retrieval Augmented Generation

  • O que é: Técnica para fazer LLM "saber" coisas
  • Usado para documentos que não estavam no treinamento

Fluxo RAG

  1. Usuário pergunta
  2. Sistema busca em documentos (Retrieval)
  3. Passa documentos + pergunta para LLM (Augmented)
  4. LLM responde baseado nos documentos (Generation)

Exemplo

Sem RAG: 

"Quando foi fundada a Liga de IA?"
→ LLM: "Não sei" ou inventa data

Com RAG: 

"Quando foi fundada a Liga de IA?"
→ Sistema busca no documento
→ Encontra: "fundada em 2025"
→ LLM responde: "2025"

4. Agente (AI Agent)

  • O que é: Sistema que usa LLM + ferramentas + memória
  • Diferença: LLM só fala, Agente faz coisas

Comparação

LLM puro:
Usuário: "Quanto é 234 × 987?"
LLM: "230.898" (pode estar errado, ele chutou)

Agente:
Usuário: "Quanto é 234 × 987?"
Agente: "Deixa eu calcular..."
→ Usa ferramenta de calculadora
→ Responde: "230.958" (correto)

Componentes de um agente

  1. LLM → faz inferência com linguagem natural
  2. Ferramentas → o que ele pode fazer
  3. Memória → histórico da conversa
  4. Decisão → lógica de quando usar cada ferramenta

LLM só fala. Agente fala E faz coisas.

Resumo Visual

Termo O que é Exemplo
IA Campo geral Spam filter, Xadrez, ChatGPT
LLM Modelo de linguagem GPT-5.4, Gemma 4
RAG Busca + geração Chatbot que consulta PDFs
Agente LLM + ferramentas Assistente que calcula, busca, age

Hierarquia

  • IA → contém tudo
  • LLM → subconjunto de IA
  • RAG → usa LLM + documentos
  • Agente → usa LLM + ferramentas + memória

Confusões Comuns

Frase Termo correto
"Vou usar IA para responder" LLM ou Agente
"Meu RAG responde perguntas" Agente com RAG
"O agente alucina" LLM alucina
"Preciso treinar minha IA" LLM fine-tuning

Por que importa?

Se você sabe a diferença, não se perde.

  • "RAG" → embeddings, vector store, retrieval
  • "Agente" → ferramentas, loops, decisão
  • "LLM" → prompt, token, contexto
  • "IA" → genérico, pode ser qualquer coisa

Roadmap

Semana Conceito
1 IA, LLM, RAG, Agentes (conceitos)
2-3 Prompting, Python mínimo
4-5 Estrutura de um agente, primeira ferramenta
6-7 Ferramentas múltiplas, embeddings
8 RAG
9-10 Agente completo, desenvolvimento

Perguntas?

No final, você vai ouvir "RAG", "Agente", "LLM" e saber exatamente o que é.