Curso master · PT-BR · Maio 2026
Engenharia de Contexto
para quem leva LLM a produção.
A disciplina de projetar, montar, comprimir, persistir e avaliar a janela de contexto que um modelo recebe. Não é "prompt engineering" enfeitado.
6 trilhas, 14 módulos
10 módulos GA + 4 beta · 3 projetos cumulativos · ≥3 ilustrações por módulo · exercícios com teste automatizado.
Fundamentos de Contexto
Janela, atenção, "lost in the middle", tokens, custo, limites por modelo.
Engenharia da Mensagem
System prompt, few-shot, XML/JSON, ancoragem, versionamento, eval primer.
RAG e Recuperação
Chunking, embeddings, BM25/híbrido, reranking, contextual retrieval, citações.
Tools, Agentes e Multi-Agente
Function calling, ReAct, planner/executor, MCP, padrões multi-agente.
Memória e Compressão
Memória curto/longo prazo, summarização hierárquica, prompt caching, distillation.
Avaliação e Produção
Golden sets, LLM-as-judge, tracing, prompt injection, custo, A/B em produção.
Diferenciais editoriais
Provider-neutral primeiro
Cada padrão é ensinado em forma agnóstica e materializado em provedor canônico do módulo, com adaptadores e mocks. fec_sdk/ é cliente abstrato.
Toda alegação roda no harness
Datasets, judges e modelos pinados em evals/v1/. Sem cherry-pick: alegação numérica linka run-id auditável.
"Quando NÃO usar" obrigatório
RAG, agente, multi-agente, memória, caching — todo padrão tem seção sobre seus trade-offs e quando o aluno deve não aplicá-lo.
Exercícios com teste automatizado
Aluno roda pytest e sabe se passou. Sandbox jailed para todo lab que toca filesystem/processo/rede.
Status do projeto
Em desenvolvimento ativo seguindo o PLAN.md (95 itens, endurecido por 5 rodadas adversariais). v1.0.0 prevista para maio/2026.
Canal canônico de download: asset nomeado fec-vX.Y.Z.zip da GitHub Release.
Os "Source code (zip/tar.gz)" auto-gerados pelo GitHub não são auditados.