Abaixo são as referências e links complementares às aulas, dividido por módulos e submodulos:
Jogo do pacman:
Wear Presentations:
- https://vimeo.com/177959241
- https://codelabs.developers.google.com/magicwand#0
- https://www.kaggle.com/models/google/mobilenet-v1/
- https://www.datacamp.com/tutorial/machine-deep-learning
- https://www.datacamp.com/tutorial/machine-deep-learning
- https://teachablemachine.withgoogle.com/
- https://kaggle.com/
- https://www.kaggle.com/competitions/titanic
- https://www.kaggle.com/competitions/titanic/data
- https://microsoft.github.io/hack-workshop-lobe/
- https://medium.com/@raphael.semeteys/a-guide-to-node-js-notebooks-461344cf4feb
- https://lobe-ai-website-clone.vercel.app/
- https://www.kaggle.com/datasets/gpiosenka/70-dog-breedsimage-data-set
- https://www.notablecap.com/blog/the-anatomy-of-a-neural-network
- https://research.google/blog/sensorlm-learning-the-language-of-wearable-sensors/
- https://www.notablecap.com/blog/the-anatomy-of-a-neural-network
- https://research.google/blog/sensorlm-learning-the-language-of-wearable-sensors/
Projeto em exemplo00
- https://poloclub.github.io/cnn-explainer/
- https://poloclub.github.io/ganlab/
- https://github.com/jessevig/bertviz?tab=readme-ov-file
- https://teachablemachine.withgoogle.com/
- https://netron.app/
- https://www.tensorflow.org/tensorboard
- https://ai.google.dev/edge/litert/web
- https://ai.google.dev/edge/litert/conversion/tensorflow/build/ondevice_training
Simulated Spotify Listening Experiences for Reinforcement Learning with TensorFlow and TF-Agents
Projeto em exemplo-01-ecommerce-recomendations-z
- https://github.com/recommenders-team/recommenders
- https://www.databricks.com/blog/guide-to-building-online-recommendation-system
Projeto em exemplo-02-vencendo-qualquer-jogo
- https://github.com/ErickWendel/DuckHunt-JS/tree/ml-self-play-template
- https://github.com/ErickWendel/DuckHunt-JS/tree/ml-self-play
- https://www.linkedin.com/in/hugozanini/
- https://blog.tensorflow.org/2022/05/real-time-sku-detection-in-browser.html
- https://medium.com/data-science/training-a-custom-yolov7-in-pytorch-and-running-it-directly-in-the-browser-with-tensorflow-js-96a5ecd7a530
- https://docs.ultralytics.com/datasets/detect/coco/#coco-pretrained-models
- https://github.com/ultralytics/yolov5
- https://docs.ultralytics.com/integrations/tfjs/
- https://github.com/MattSurabian/DuckHunt-JS?tab=readme-ov-file
- https://pixijs.com/
- https://caniuse.com/?search=using
- https://dev.to/zacharylee/explicit-resource-management-in-js-the-using-keyword-d9f
- https://rednuht.org/genetic_cars_2/
- https://youtu.be/P7XHzqZjXQs?si=ZhcSK9Ism2zhe4fX&t=1453
- https://youtu.be/r8KWciNmEGw?si=Qq_fquK5P1lh9AGN&t=862
- https://github.com/prouhard/tfjs-mountaincar
- https://medium.com/@pierrerouhard/reinforcement-learning-in-the-browser-an-introduction-to-tensorflow-js-9a02b143c099
- https://storage.googleapis.com/tfjs-examples/cart-pole/dist/index.html
- https://github.com/tensorflow/tfjs-examples/tree/master/cart-pole
- https://github.com/jinglescode/reinforcement-learning-tic-tac-toe?tab=readme-ov-file
- https://medium.com/data-science/reinforcement-learning-implement-tictactoe-189582bea542
- https://github.com/rfeinman/tictactoe-reinforcement-learning
- https://www.freecodecamp.org/news/how-to-build-an-adaptive-tic-tac-toe-ai-with-reinforcement-learning-in-javascript/
- https://github.com/MJeremy2017/reinforcement-learning-implementation/tree/master
- https://github.com/mayur9210/tic-tac-toe-ai/tree/main
- https://rednuht.org/genetic_cars_2/
- https://medium.com/codesphere-cloud/teaching-cars-to-drive-with-neuroevolution-tensorflow-and-500-lines-of-javascript-57888956322e
- https://github.com/jonatan5524/SnakeAI?tab=readme-ov-file
- https://www.youtube.com/watch?v=cdUNkwXx-I4
- https://www.youtube.com/watch?v=ynNDmp7hBdo&list=PLqFwRPueWb5cUZEMIFlDuODaOYeSTp31V
- https://youtu.be/qFoFKLI3O8w?si=ZtMgIcbu0WtW0-7T
- https://www.emailvendorselection.com/chatgpt-statistics/
- https://technext24.com/2023/08/14/chatgpt-costs-700000-daily-openai/
- https://www.reuters.com/commentary/breakingviews/openai-takes-its-cut-expanding-ai-boom-2025-10-06/
- https://www.youtube.com/watch?v=NKnZYvZA7w4
Projeto em exemplo-03-webai01
Projeto em exemplo-04-webai02-temperature-and-topK
- https://x.com/jason_mayes?lang=en
- https://youtu.be/IC256KyITLw?si=XhuOSVmBEZ6LOjVw&t=62
- https://huggingface.co/webml-community
- https://huggingface.co/spaces/webml-community/kokoro-web
- https://huggingface.co/spaces/webml-community/deepseek-r1-webgpu
- https://developer.chrome.com/docs/ai/built-in?hl=pt-br
- https://developer.chrome.com/docs/ai/built-in-apis
- https://chrome.dev/web-ai-demos/
- https://googlechromeai2025.devpost.com/
- https://googlechromeai2025.devpost.com/project-gallery
- https://x.com/nic_o_martin
- https://github.com/nico-martin?tab=repositories
- https://github.com/nico-martin/ask-my-pdf
- https://github.com/nico-martin/benz-gpt
- https://github.com/nbonamy/witsy
- https://ai.google.dev/gemini-api/docs/prompting-strategies
Projeto em exemplo-05-webai03-multimodal/
- https://github.com/webmachinelearning/webmcp/blob/main/README.md
- https://www.youtube.com/watch?v=ka2Zzw_qors&list=PLqFwRPueWb5dAcgxDGg7egpIhGRpcgiLN
- https://github.com/ErickWendel/Trimly
- https://youtu.be/ysPbXH0LpIE
- https://platform.openai.com/tokenizer
- https://platform.openai.com/docs/guides/prompt-engineering
- https://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents
- https://platform.claude.com/docs/en/build-with-claude/prompt-engineering/claude-4-best-practices
- https://docs.lovable.dev/prompting/prompting-debugging
- https://github.com/toon-format/toon?tab=readme-ov-file
- https://mpgone.com/json-prompt-guide/
- https://apidog.com/pt/blog/json-format-prompts-pt/
- https://medium.com/data-science-in-your-pocket/toon-bye-bye-json-for-llms-91e4fe521b14
- https://github.com/toon-format/toon
- https://toontools.vercel.app/playground
- https://www.linkedin.com/posts/webai_toon-json-mcp-activity-7395932385500069888-vgRC?utm_source=share&utm_medium=member_desktop&rcm=ACoAABS1ckYBm0_ZMP8TT2e4opa3bFMxTRxyJ3w
- https://www.linkedin.com/posts/pawel-huryn_how-to-format-data-in-prompts-for-llms-and-activity-7397245245299761152-VGHQ
- https://www.latent.space/p/cursor
- https://news.crunchbase.com/venture/cursor-financing-ai-coding-automation/
- https://news.crunchbase.com/venture/cursor-financing-ai-coding-automation/
- https://sacra.com/c/cursor/
- https://techcrunch.com/2024/08/29/github-copilot-competitor-codeium-raises-150m-at-a-1-25b-valuation/
- https://www.reuters.com/business/openai-agrees-buy-windsurf-about-3-billion-bloomberg-news-reports-2025-05-06/
- https://github.com/features/copilot/plans
- https://code.visualstudio.com/docs/copilot/customization/custom-agents
- https://fortune.com/2025/07/23/ai-coding-tool-replit-wiped-database-called-it-a-catastrophic-failure/
- https://developer.microsoft.com/blog/spec-driven-development-spec-kit
- https://www.marcohaber.dev/blog/git-worktrees
Projeto em erickwendel-contributions-mcp/
- https://www.anthropic.com/
- https://www.anthropic.com/news/model-context-protocol
- https://modelcontextprotocol.io/
- https://cookbook.openai.com/examples/reasoning_function_calls
- https://github.com/resend/mcp-send-email/tree/main
- https://erickwendel.com.br/
- https://tml-api.herokuapp.com/graphiql
Projeto em exemplo-06-playwright-testes/
- https://github.com/microsoft/playwright-mcp
- https://playwright.dev/docs/test-agents#agent-definitions
- https://www.linkedin.com/feed/update/urn:li:activity:7381279589840433152/
Projeto em exemplo-07-playwright-navegacao/
Projeto em exemplo-08-context7/
- https://github.com/upstash/context7#installation
- https://github.com/ChromeDevTools/chrome-devtools-mcp
- https://context7.com/
- https://github.com/upstash/context7
- https://context7.com/websites/nodejs_api
- https://nextjs.org/
- https://www.better-auth.com/
Projeto em exemplo-09-grafana-mcp/
- https://github.com/torch2424/wasmboy?tab=readme-ov-file#wasmboy
- https://github.com/eugeneyan/open-llms
- https://ollama.com/library/gpt-oss
- https://ollama.com/library/llama3.1
- https://ollama.com/library/gemma3
- https://ollama.com/search?q=uncensored
- https://openai.com/open-models/
- https://fortune.com/2023/07/18/meta-llama-2-ai-open-source-700-million-mau/
Projeto em exemplo-10-ollama/
- https://ollama.com/search
- https://docs.vllm.ai/en/latest/
- https://ollama.com/library/gpt-oss
- https://openai.com/index/introducing-gpt-oss/
- https://huggingface.co/mlc-ai/Llama-3-8B-Instruct-q4f32_1-MLC
- https://llm.mlc.ai/docs/get_started/introduction.html
- https://cdn.openai.com/pdf/419b6906-9da6-406c-a19d-1bb078ac7637/oai_gpt-oss_model_card.pdf
- https://ollama.com/blog/vision-models
- https://docs.ollama.com/integrations/vscode
- https://www.jan.ai/docs/desktop/llama-cpp-server
Projeto em exemplo-11-openrouter/
- https://openrouter.ai/
- https://openrouter.ai/models?max_price=0
- https://github.com/marketplace?type=models
Projeto em exemplo-12-embeddings-neo4j/
- https://neo4j.com/
- https://docs.langchain.com/oss/javascript/integrations/text_embedding/transformers
Projeto em exemplo-13-embeddings-neo4j-rag/
Material da regravação do módulo (pasta
-novo). O material da versão anterior permanece em modulo04-agentes-autonomos/.
Dois projetos construídos do zero ao longo do módulo — a Notas API (Unidade 1, operando o GitHub Copilot com método: instructions, spec-driven development, guardrails) e o OpsPilot (Unidades 2–9, um copiloto de plantão/incident commander com LangChain/LangGraph sobre OpenRouter, que evolui unidade a unidade até virar produto publicado com modo multiagente).
Cada pasta é um snapshot completo do projeto ao final da unidade, com um UNIDADE.md explicando o que é novo e os desvios em relação ao roteiro. Mapa completo em modulo04-criacao-de-agentes-autonomos-novo/.
Projeto em 01-arquitetura-de-agentes-de-codigo/
Projeto em 02-padroes-de-raciocinio-e-execucao/
Projeto em 03-function-calling-e-tool-use/
Projeto em 04-memoria-e-reflexao-em-agentes-autonomos/
Projeto em 05-gerenciamento-de-contextos/
Projeto em 06-langgraph-e-workflows-complexos/
Projeto em 07-observabilidade-e-limites-de-autonomia/
Projeto em 08-projeto-pratico-opspilot-publicado/
Projeto em 09-multi-agent-systems/
- Google AI Studio — Laboratório analítico para engenharia de contexto, parametrização determinística de temperatura e manipulação de instruções de sistema.
- Google Stitch — Agente de design conversacional focado em geração de estruturas semânticas limpas para web desktop.
- Google Jules — Agente autônomo na nuvem integrado ao ciclo de vida Git para geração de features e barramento de dados full-stack.
- Antigravity Workspace — IDE focada em inteligência nativa e suporte centralizado ao Model Context Protocol.
- Figma — Handoff de especificações técnicas de alta fidelidade (Auto-layout, flexbox, paddings e gaps) através da extração via Dev Mode.
- Mermaid Live Editor — Renderização e versionamento de diagramas dinâmicos baseados em código Markdown corporativo.
- Firebase Genkit — Framework de IA de código aberto do Google para integração, orquestração e tipagem estrita de LLMs no back-end.
- Nx Dev Tools — Sistema de compilação inteligente e monorepo focado na governança de projetos enterprise de grande escala.
- OpenSpec — Motor de contratos utilizado para a imposição do padrão BDD e orquestração de microsserviços e testes concorrentes em worktrees.
Projeto completo em modulo06-aiops-engenharia-agentica — trilha Nexus AI-Ops com 12 laboratórios práticos que evoluem de IA consultiva até um ecossistema de agentes autônomos que operam infraestrutura real sob governança.
- Módulo 1 — Fundamentos de IA para DevOps — IA consultiva aplicada a operações.
- Módulo 2 — IaC Copilot & Security Governance — geração assistida de Terraform HCL com auditoria de conformidade.
- Módulo 3 — Kubernetes AI-Ops — manifestos blindados, reconciliação declarativa e análise de deploy Canary.
- Módulo 4 — Troubleshooting com ReAct — investigação de incidentes (CrashLoop/OOMKilled) com Prometheus e Jaeger.
- Módulo 5 — AIOps Preditivo — linguagem natural para PromQL e previsão de saturação via regressão.
- Módulo 6 — ChatOps e Governança — operação via chat com Human-in-the-loop.
- Módulo 7 — DevSecOps + AI — auditoria de scans Trivy e priorização de CVEs.
- Módulo 8 — CI/CD Copilot — otimização de workflows do GitHub Actions com cache.
- Módulo 9 — FinOps e Otimização — caça a recursos "zumbis" na nuvem e cálculo de ROI.
- Módulo 10 — RAG de Runbooks — auto-remediação baseada em documentos corporativos.
- Módulo 11 — Guardrails e Governança — pipeline autônomo com aprovação dry-run em linha.
- Módulo 12 — Projeto Final (Orquestração Hierárquica) — incidente multidomínio coordenado pelo Nexus Manager.
- CrewAI — orquestração de agentes autônomos em formato hierárquico.
- Groq — inferência de baixa latência dos modelos Llama 3.x (motor central do projeto).
- Ollama — execução local de modelos open-source.
- Streamlit — painéis visuais interativos (CLI e dashboard AI-Ops).
- Prometheus — coleta de métricas e linguagem de consulta PromQL.
- Jaeger — distributed tracing para análise de causa raiz.
- Grafana — dashboards e visualização de alertas preditivos.
- Trivy — scanner de vulnerabilidades de imagens (ex.: backdoor CVE-2024-3094 no pacote XZ).
- Open Policy Agent (OPA) — validação de políticas de conformidade (HCL Sandbox).
- Kubernetes — orquestração de contêineres e GitOps.
- Terraform — Infraestrutura como Código (HCL) declarativa.
- LocalStack — emulação local de serviços AWS (S3 Bucket Explorer).
- GitHub Actions — pipelines de CI/CD.
Disciplina completa em modulo07-ferramentas-de-ia-para-gestao-de-projetos — pipeline de gestão assistida por IA construído sobre um caso único, o RouteWise (gestão de frota com 140 veículos), da transcrição de uma reunião de discovery até um portfólio com OKRs validados. Cada módulo entrega um prompt reutilizável, dados de exemplo e atividade prática.
- Módulo 1 — Requirements Copilot — transcrição de reunião → backlog estruturado com User Stories, Gherkin e nível de confiança.
- Módulo 2 — Backlog Scorer — priorização defensável com RICE e WSJF.
- Módulo 3 — Scheduling Prompt — cronograma com dependências e simulações what-if.
- Módulo 4 — Probability Forecast — PERT + Monte Carlo (P50/P85/P95), com scripts JS e Python executáveis.
- Módulo 5 — Risk Monitor — detecção de anomalias de fluxo antes da Sprint Review.
- Módulo 6 — Meeting Digest — reunião → ata, ações com responsável e cards prontos para o Jira.
- Módulo 7 — Status Report — o mesmo dado bruto em três relatórios para três audiências.
- Módulo 8 — Compliance Checklist + Danger — governança como código no pipeline de CI/CD (Danger.js e Python).
- Módulo 9 — NL to Workflow — Slack → Jira com parser de linguagem natural (Make.com sem código ou Node.js).
- Módulo 10 — OKR Aligner — validação de OKRs, alinhamento de backlog e scorecard de portfólio.
- RICE Prioritization Framework — Sean McBride, Intercom. Origem do framework usado no módulo 2.
- WSJF — Weighted Shortest Job First — Donald Reinertsen / Scaled Agile Framework (SAFe). Base do Custo do Atraso usado no módulo 2.
- MoSCoW Prioritisation — Dai Clegg, DSDM / Agile Business Consortium (1994). Filtro pré-scoring usado no módulo 2.
- PERT — Program Evaluation and Review Technique — desenvolvido pela Marinha americana no programa Polaris (1958). Base do módulo 4.
- Planning Fallacy — Kahneman & Tversky (1979). Viés cognitivo que justifica a estimativa de três pontos no módulo 4.
- IBM Cost of a Data Breach Report 2025 — dado citado no módulo 8 sobre o ROI de DevSecOps maduro.
- Google AI Studio — engine de todas as demos (system prompts + temperatura calibrada por tarefa).
- Jira Cloud — board Scrum do caso RouteWise (import CSV incluído no módulo 1).
- Make.com — automação sem código Slack → Jira (blueprint importável no módulo 9).
- Danger.js — regras de conformidade automatizadas em Pull Requests.
- Slack API — bots, webhooks e notificações de projeto.
Disciplina completa em modulo08-arquitetura-de-sistemas-com-ia — os padrões de arquitetura de referência para sistemas de IA agêntica, construídos sobre um caso único, o TrialForge (Vitalis Pharma, geração de documentos clínicos regulatórios), do diagrama de referência (Gateway → Orquestrador → Modelo+RAG → Approval Gate, com banda de Observabilidade) até um protótipo enterprise com model tiering e trilha de auditoria. Cada módulo entrega um canvas de decisão, protótipos executáveis (JS e Python com paridade funcional) e atividade prática.
- Módulo 1 — Fundamentos AI-First — diagrama de referência e framework de decisão agente-vs-regra, com
decision-framework-toolexecutável. - Módulo 2 — Single-Agent — anatomia do agente, loop ReAct, reflexão e ferramentas/MCP, com protótipo rodando contra Ollama local.
- Módulo 3 — Multi-Agent — por que múltiplos agentes, 6 padrões de orquestração (Sequential, Parallel, Supervisor, Hierarchical, Group Chat, Handoff) e tratamento de falha distribuída (CAP + Saga).
- Módulo 4 — Padrões AI-Específicos — RAG avançado, roteamento de modelo, cache semântico e Approval Gate formalizado num gateway único.
- Módulo 5 — Arquitetura Enterprise — stack completo, observabilidade em escala, implantação híbrida e model tiering em cascata com trilha de auditoria.
- ReAct: Synergizing Reasoning and Acting in Language Models — Yao et al., ICLR 2023. Fundamenta o loop Pensamento-Ação-Observação usado no módulo 2.
- Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks — Lewis et al. (Meta AI), NeurIPS 2020. Paper seminal do RAG, base do módulo 4.
- CAP Theorem — Eric Brewer (2000), demonstrado formalmente por Gilbert & Lynch (2002). Base dos trade-offs de consistência e disponibilidade discutidos no módulo 3.
- Model Context Protocol — Anthropic, novembro de 2024. Padrão aberto de ferramentas apresentado no módulo 2.
- Agent2Agent Protocol (A2A) — Google, abril de 2025, doado à Linux Foundation em junho de 2025. Protocolo de comunicação entre agentes citado no módulo 3.
- Why AI Projects Fail and How They Can Succeed — RAND Corporation, 2025. Dado usado para embasar a taxa real de fracasso de projetos de IA que abre a disciplina.
- Ollama — engine local padrão de todos os protótipos (
gemma4:e2b), gratuito e sem chave de API. - Claude (Anthropic), Gemini (Google), GPT (OpenAI) — alternativas pagas de referência nos protótipos (
provedores-pagos.js/.py).
Disciplina completa em modulo09-processamento-de-dados-e-fine-tuning-de-modelos — o ciclo completo de fine-tuning construído sobre um caso único, a Amplitude Seguros (seguradora fictícia, linhas Auto e Saúde Empresarial), da decisão de "vale a pena fazer fine-tuning?" (framework de 4 perguntas + AHP + NPV) até um modelo customizado real, treinado, avaliado e documentado. Cada módulo entrega ferramentas executáveis (JS e Python com paridade funcional), dados de referência e atividade prática.
- Módulo 1 — Decision Framework — framework de 4 perguntas, AHP, NPV, cheatsheet dos tipos de fine-tuning, Bestiário do Zoo das técnicas.
- Módulo 2 — Preparação de Datasets — extração OCR, schema JSONL, deduplicação (MinHash+LSH), balanceamento, comparativo OCR vs. LLM multimodal.
- Módulo 3 — Fine-Tuning via API — upload, hiperparâmetros, automação, versionamento (Vertex AI).
- Módulo 4 — LoRA e PEFT — LoRA, DoRA, QLoRA e full fine-tuning local (MLX/Apple Silicon), comparação de rank e custo-benefício, alternativas Colab/CUDA pra quem não tem Mac.
- Módulo 5 — Avaliação de Modelos — harness de avaliação contra modelo genérico e por domínio conjunto/separado, teste de estresse a variação de formato/estrutura, avaliação local (MLX/Colab), NPV real vs. projetado e veredito de escala.
- Módulo 6 — Projeto Final — protótipo funcional (JS + Python) integrando o modelo customizado num fluxo de uso real, dataset de produção escalado (200 → 3.000 exemplos), reavaliação contra o mesmo harness do Módulo 5, e documento de decisões de arquitetura fechando o ciclo completo do case.
- LoRA: Low-Rank Adaptation of Large Language Models — Hu et al. (Microsoft), 2021. Fundamenta a técnica central do Módulo 4.
- QLoRA: Efficient Finetuning of Quantized LLMs — Dettmers et al., NeurIPS 2023. Um dos seis tipos de fine-tuning do cheatsheet do Módulo 1.
- Deduplicating Training Data Makes Language Models Better — Lee et al. (Google Research). Fundamenta a deduplicação MinHash+LSH do Módulo 2.
- The Analytic Hierarchy Process — Saaty, T.L., McGraw-Hill, 1980. Base do framework de decisão ponderada do Módulo 1.
- Lista completa com mais de 50 referências (papers, casos de mercado, documentação oficial) na "Indicações de leitura" da disciplina.
- Vertex AI / Gemini Enterprise Agent Platform — provedor gerenciado de fine-tuning usado do Módulo 3 em diante.
- Microsoft Presidio — referência de detecção/anonimização de PII usada no gate de higienização do Módulo 2.
- Tesseract OCR — motor de OCR usado no pipeline de extração de documento do Módulo 2.
Skill focada em adaptar os exercícios para Windows nativo de forma personalizada por aluno.
Instalação:
npx -y skills add https://github.com/unipds-engenharia-de-ia-aplicada/engenharia-de-software-com-ia-aplicada --skill windowsfyUso:
/windowsfy ./
/windowsfy modulo01-fundamentos-de-ia-e-llms-para-programadores/exemplo-00-template
<Cole a mensagem de erro>
/windowsfy <caminho do exemplo>