Vídeo01
LLMs explicados
A ideia central: o modelo só prevê a próxima palavra (token), uma de cada vez, a partir de bilhões de parâmetros ajustados no treino.
Por que importa: Em poucos minutos, a IA deixa de parecer mágica.
Assistir ↗Lista
10 vídeos para você entender IA de verdade e não ser substituído por ela.
Do básico aos agentes: como os LLMs funcionam por dentro. Todos gratuitos no YouTube, em inglês. Ative a legenda em português. Assista na ordem.
A trilha próxima palavratransformertreinoembeddingsRAGagentes
Entender IA por dentro é o que faz um dev virar referência no time. Na mentoria, eu acelero esse caminho com você.
Vídeo02
Introdução aos LLMs
As duas fases (pré-treino e ajuste fino), por que o modelo alucina com confiança e os riscos de segurança, como prompt injection e jailbreak.
Por que importa: É o mapa completo dos LLMs. Você entende por que o modelo erra com tanta confiança.
Assistir ↗Vídeo03
Transformers
O caminho de um texto dentro do GPT: tokens, embeddings, camadas de atenção e a probabilidade da próxima palavra no final.
Por que importa: É o “T” do GPT que pouca gente entende.
Assistir ↗Vídeo04
Atenção nos transformers
Query, key e value: como cada token decide em quais outros prestar atenção, e por que o custo cresce com o tamanho do contexto.
Por que importa: É o motivo de um contexto longo custar mais caro.
Assistir ↗Vídeo05
Um GPT do zero, em código
Não precisa acompanhar o código todo: preste atenção em como texto vira tokens, como o treino funciona e onde entra a atenção.
Por que importa: Você vê o que existe por trás da API que você chama todo dia.
Assistir ↗Vídeo06
Como o ChatGPT é treinado
O pipeline completo (pré-treino, ajuste fino e reforço) e a parte de “psicologia” dos LLMs: alucinação, tokens e por que ele erra conta e ortografia.
Por que importa: Explica a alucinação e por que o modelo erra uma conta simples.
Assistir ↗Vídeo07
Embeddings e bancos vetoriais
O que é um embedding (texto virando vetor de números) e como um banco vetorial encontra conteúdo parecido por significado, e não por palavra exata.
Por que importa: É a base da busca semântica.
Assistir ↗Vídeo08
O que é RAG
O fluxo: pergunta → busca nos seus dados → contexto no prompt → resposta com fonte. Repare em como isso reduz alucinação e evita treinar o modelo.
Por que importa: É o padrão da maioria dos chatbots em produção.
Assistir ↗Vídeo09
RAG, fine-tuning ou prompt
Os critérios de escolha: dados que mudam pedem RAG, comportamento específico pede fine-tuning, e muita coisa se resolve só com um bom prompt.
Por que importa: Escolher errado custa meses de trabalho.
Assistir ↗Vídeo10
Agentes de IA
A diferença entre um LLM que só responde e um agente que planeja, usa ferramentas e memória, e os trade-offs de dar autonomia ao modelo.
Por que importa: É para onde os apps com IA estão indo.
Assistir ↗Júnior copia. Sênior decide.
O dev júnior copia o código que a IA gera. O sênior sabe por que ela erra e decide onde ela entra no produto.
Depois de cada vídeo, responda uma pergunta: onde isso entra no produto em que eu trabalho hoje? É assim que você para de só usar IA e passa a construir com ela.
Conteúdo sobre carreira dev, todo dia: @lucasadvice ↗
Mentoria
Vire a referência em IA no seu time
Quem entende IA por dentro vira referência no time, e isso pesa na promoção, no salário e nas melhores oportunidades. A mentoria acelera esse caminho: plano de estudo para a vaga que você quer, LinkedIn que mostra o seu trabalho e as empresas certas para conversar.