Conteúdos sobre inteligência artificial publicados pela Pathbit.
Ano: 2025 | Categoria: Inteligência Artificial / Modelos de Linguagem
Explora as diferenças entre LLM (Large Language Models) e LRM (Large Reasoning Models), cobrindo conceitos, casos de uso, vantagens e limitações. Inclui exemplos práticos, código em Python e comparações de desempenho.
📖 Ler Artigo | 🔧 Executar Localmente
Ano: 2025 | Categoria: Inteligência Artificial / Embeddings e Vetorização
Explora Embeddings e Vetorização, fundamentais para que a IA entenda e processe texto de forma eficiente. Cobrimos conceitos teóricos, implementações práticas, diferentes tipos de embeddings e casos de uso reais. Inclui exemplos práticos, código em Python e comparações de performance entre diferentes modelos.
📖 Ler Artigo | 🔧 Executar Localmente
Ano: 2025 | Categoria: Inteligência Artificial / RAG e Vector Databases
Explora RAG (Retrieval Augmented Generation) e Vector Databases, tecnologias fundamentais para construir sistemas de IA que acessam informações específicas e atualizadas. Cobrimos conceitos teóricos, implementações práticas, diferentes tipos de vector databases e casos de uso reais. Inclui exemplos práticos, código em Python e comparações de performance entre diferentes abordagens.
📖 Ler Artigo | 🔧 Executar Localmente
Ano: 2025 | Categoria: Inteligência Artificial / RAG vs Fine-Tuning
Explora as diferenças entre RAG e Fine-Tuning, ajudando você a escolher a abordagem certa para seu projeto de IA. Cobrimos comparações técnicas, análise de custos, casos práticos de sucesso e fracasso, e quando usar cada estratégia. Inclui fine-tuning REAL com LoRA, matriz de decisão objetiva e exemplos executáveis em Python com caso de uso de assistente de investimentos.
📖 Ler Artigo | 🔧 Executar Localmente
Ano: 2026 | Categoria: Inteligência Artificial / Prompt Engineering
Transforma prompt engineering em um laboratório comparativo entre Qwen e FLAN, medindo estrutura, keywords, prioridade e semântica para separar ganho de prompt de ganho de modelo.
📖 Ler Artigo | 🔧 Executar Localmente
Ano: 2026 | Categoria: Inteligência Artificial / Avaliação de LLM
Mostra uma esteira de evals que compara candidatos completos, pondera criticidade, detecta regressões por caso e explicita quando o melhor score ainda não é suficiente para liberar deploy.
📖 Ler Artigo | 🔧 Executar Localmente
Ano: 2026 | Categoria: Inteligência Artificial / Agentes
Apresenta um agente local com guardrail, regra de negócio, planner JSON, roteamento semântico, retrieval e trilha de auditoria para operar com autonomia sem perder controle.
📖 Ler Artigo | 🔧 Executar Localmente
Ano: 2026 | Categoria: Inteligência Artificial / LLMs Locais
Prova que um stack de IA roda 100% local: Ollama em Docker com volume persistente, benchmark medido na própria máquina (TTFT, latência e vazão), saída JSON forçada e retrieval semântico — sem chave de API, sem conta e sem custo por token.
📖 Ler Artigo | 🔧 Executar Localmente
Ano: 2026 | Categoria: Inteligência Artificial / Saída Estruturada, Grammar-Guided Sampling e Modelos System 1
Transforma a inferência probabilística em contratos de dados determinísticos e tipados. Compara o prompt livre contra format: "json" e format: <json_schema> com Grammar-Guided Sampling (máscara de logits), desmonta o mito do retry e apresenta a fronteira dos Modelos System 1 (Jev da TypeSafe AI vs Laya da Convai / Kev em open-source) para decisões diretas e tipadas em passada única de ~13 ms (> 30x mais velozes).
📖 Ler Artigo | 🔧 Executar Localmente
Ano: 2026 | Categoria: Inteligência Artificial / Model Context Protocol (MCP) e Agentes Locais
Implementa o Model Context Protocol (MCP) da Anthropic 100% offline via transporte stdio. Demonstra descoberta dinâmica de ferramentas com list_tools(), loop agêntico completo com planner local sob schema rígido e medição forense de overhead de protocolo (~0.99 ms), unindo governança e segurança por isolamento de processo.
📖 Ler Artigo | 🔧 Executar Localmente
- Erro do Google Colab - Resolução do erro
ModuleNotFoundError: No module named 'google' - Erro do Groq - Resolução do erro
TypeError: Client.__init__() got an unexpected keyword argument 'proxies' - Atualizações de Versões - Histórico de atualizações dos pacotes
pathbit-academy-ai/
├── README.md # Este arquivo
├── docs/ # Documentação técnica
│ ├── SOLUCAO_ERRO_COLAB.md
│ ├── SOLUCAO_ERRO_GROQ.md
│ └── ATUALIZACOES_VERSOES.md
├── 0001_llm_x_lrm/ # Artigo 0001
│ ├── README.md
│ ├── requirements.txt
│ ├── article/
│ ├── assets/
│ ├── notebooks/
│ └── src/
├── 0002_embeddings_vetorizacao/ # Artigo 0002
│ ├── README.md
│ ├── requirements.txt
│ ├── article/
│ ├── assets/
│ ├── notebooks/
│ └── src/
├── 0003_rag_vector_database/ # Artigo 0003
│ ├── README.md
│ ├── requirements.txt
│ ├── article/
│ ├── assets/
│ ├── notebooks/
│ └── src/
├── 0004_rag_vs_finetuning/ # Artigo 0004
│ ├── README.md
│ ├── requirements.txt
│ ├── article/
│ ├── assets/
│ ├── notebooks/
│ └── src/
├── 0005_prompt_engineering_avancado/ # Artigo 0005
│ ├── README.md
│ ├── requirements.txt
│ ├── article/
│ ├── assets/
│ ├── notebooks/
│ └── src/
├── 0006_llm_evals_regressao/ # Artigo 0006
│ ├── README.md
│ ├── requirements.txt
│ ├── article/
│ ├── assets/
│ ├── notebooks/
│ └── src/
├── 0007_agentes_tool_calling/ # Artigo 0007
│ ├── README.md
│ ├── requirements.txt
│ ├── article/
│ ├── assets/
│ ├── notebooks/
│ └── src/
├── 0008_llms_locais_ollama/ # Artigo 0008
│ ├── README.md
│ ├── requirements.txt
│ ├── docker-compose.yml
│ ├── article/
│ ├── assets/
│ ├── data/
│ ├── highlight/
│ ├── notebooks/
│ └── src/
├── 0009_saida_estruturada/ # Artigo 0009
│ ├── README.md
│ ├── requirements.txt
│ ├── article/
│ ├── assets/
│ ├── data/
│ ├── highlight/
│ ├── notebooks/
│ └── src/
└── 0010_mcp_local/ # Artigo 0010
├── README.md
├── requirements.txt
├── article/
├── assets/
├── data/
├── highlight/
├── notebooks/
└── src/Para executar os artigos e notebooks da Pathbit Academy AI, recomendamos a seguinte configuração de ambiente:
-
Python 3.14+ (Compatível com 3.10+):
- Os exemplos foram validados e homologados em Python 3.14+ (testados nativamente em Python 3.14.8), com suporte retrocompatível para Python 3.10 a 3.13.
- Caso precise instalar o Python 3.14+:
- macOS: Instale via Homebrew com
brew install pythonou pyenv compyenv install 3.14.8. - Linux (Ubuntu/Debian):
sudo apt update && sudo apt install -y python3 python3-venv python3-pip. - Windows: Instale via terminal com
winget install Python.Python.3.14ou baixe pelo instalador oficial em python.org.
- macOS: Instale via Homebrew com
- Isolamento Obrigatório com Virtualenv (
.venv): Nunca instale pacotes no Python global. Sempre utilize um ambiente virtual isolado local em cada módulo:python3 -m venv .venv source .venv/bin/activate # No Windows: .venv\Scripts\Activate.ps1 pip install --upgrade pip pip install -r requirements.txt
-
Contas e Chaves de API Gratuitas:
- Groq Cloud (Artigos 0001 a 0004):
- Crie uma conta gratuita em console.groq.com/keys.
- Gere uma chave de API com prefixo
gsk_.... - Defina no terminal com
export GROQ_API_KEY="gsk_..."(ou$env:GROQ_API_KEY="gsk_..."no PowerShell).
- Hugging Face (Artigos 0002 a 0007):
- Acesso a modelos públicos e abertos baixados automaticamente pela biblioteca
transformersousentence-transformers, sem necessidade de chave de API ou cobranças.
- Acesso a modelos públicos e abertos baixados automaticamente pela biblioteca
- Sem conta e sem chave (Artigo 0008 em diante):
- O Ollama em Docker baixa modelos abertos direto do registry público, sem cadastro.
- Basta Docker e Python: nenhuma chave de API é necessária para os artigos que rodam 100% local.
- Groq Cloud (Artigos 0001 a 0004):
- Clone o repositório
- Crie uma nova pasta para seu artigo seguindo o padrão
XXXX_titulo_do_artigo - Siga a estrutura de pastas estabelecida
- Adicione seu artigo à lista acima
XXXX_titulo_do_artigo/
├── README.md # Instruções de execução e resumo
├── requirements.txt # Dependências Python
├── article/
│ └── ARTICLE.md # Conteúdo do artigo
├── assets/ # Imagens e diagramas
├── notebooks/ # Jupyter Notebooks interativos
└── src/
└── main.py # Script para execução localDistribuído sob a Licença MIT. O texto completo está em LICENSE.
Desenvolvido com ❤️ pela Pathbit