TRILHA 03 / ÁREAS INEMA

Melhorar, decidir e abrir

RSI, JEV e WebMCP: melhorar com teste, decidir com avaliação e preparar o site para agentes.

0% 0 de 0

Três áreas, e para cada uma a mesma entrega: a ficha e o primeiro passo.

3 áreas

18 tópicos

60 min com prática

1 ficha por área

Mapa da trilha

3.1 ~20 min

🧭 RSI: a IA que ajuda a melhorar a IA

ciclos de melhoria em IA

3.2 ~20 min

🧭 JEV: decisões de IA na prática

decisões de IA na prática

3.3 ~20 min

🧭 WebMCP: seu site conversando com agentes

sites que conversam com agentes

Conteúdo detalhado

MÓDULO 3.1

RSI: a IA que ajuda a melhorar a IA

Explicar os três níveis de melhoria em IA e transformar uma ideia de melhoria num teste verificável, com versão registrada e caminho de volta.

0% 0 de 0

O que é

RSI é a sigla em inglês para automelhoria recursiva: a ideia de uma IA que ajuda a melhorar a própria IA. A pergunta central da área é prática: como um sistema propõe mudanças, testa resultados e conserva o que funciona? A página trata o tema como área de estudo e acervo aberto, com referências, exemplos e critérios para avaliar as promessas. O ponto de partida é uma distinção: melhorar uma resposta, melhorar um agente e melhorar a capacidade de criar novos agentes são coisas diferentes. Um agente, aqui, é um sistema de IA que recebe um objetivo e executa etapas com instruções, memória e ferramentas.

Por que aprender

Promessas de IA que se melhora sozinha aparecem com frequência e costumam misturar esses três níveis. Quem entende a diferença consegue perguntar o que exatamente melhorou e qual evidência sustenta isso.

Conceitos-chave

automelhoria recursiva; propor, testar, conservar; três níveis diferentes; acervo aberto; critérios para avaliar promessas

O que é

O primeiro nível é revisar a resposta: o modelo critica e refaz uma saída. Isso pode melhorar uma tarefa sem alterar seus parâmetros, os valores internos aprendidos no treino, nem seu processo de desenvolvimento. O segundo nível é melhorar o sistema: mudam as instruções, a memória, as ferramentas ou o código do agente, e as versões precisam ser comparadas com tarefas reservadas, preservando a possibilidade de voltar atrás. O terceiro é investigar a recursão: a melhoria passa a ajudar a produzir melhorias futuras. Esse mecanismo precisa de evidência, porque mais tentativas ou uma nota maior não demonstram crescimento ilimitado.

Por que aprender

Cada nível exige um tipo de controle diferente. Revisar uma resposta é barato e reversível; mudar o sistema pede registro de versões e testes; afirmar recursão pede evidência forte. Confundir os níveis leva a aceitar garantias que ninguém mediu.

Conceitos-chave

revisar a resposta; melhorar o sistema; investigar a recursão; parâmetros; tarefas reservadas; possibilidade de voltar atrás

O que é

A página propõe começar com uma tarefa pequena: responder com base numa política, criar questões a partir de um texto ou extrair ações de notas. Primeiro defina a tarefa, a referência correta e os limites de dados, gasto e ações. Depois registre a versão inicial e separe casos de desenvolvimento de casos reservados para validação. Proponha uma mudança por vez e compare com os mesmos critérios, incluindo erros, custo e esforço de revisão. Por fim, valide antes de adotar: guarde resultados e versões, defina quem decide e mantenha um caminho de reversão.

Por que aprender

Uma avaliação conhecida pode ser explorada, e a página alerta para isso. Preservar a independência dos testes, conferir dados inventados e olhar resultados fora da amostra evita confundir ganho local com autonomia geral.

Conceitos-chave

tarefa pequena; referência correta; casos reservados; uma mudança por vez; mesmos critérios; validar antes de adotar; reversão

O que é

LOOP-R é o framework do projeto para organizar melhorias: Executar, Medir, Criticar, Propor, Testar, Validar, Promover e Repetir. A página o descreve como pronto para usar no Claude Code, com nove assistentes de funções separadas, registro de cada versão, teto de custo e comando para reverter. A regra de segurança é explícita: nenhuma versão pior substitui a atual por decisão do sistema. No curso RSI, o LOOP-R aparece como uma proposta conceitual do projeto. Há também um curso LOOP-R com cinco trilhas e 21 aulas para donos e gestores sem base técnica.

Por que aprender

Um ciclo de melhoria sem freios pode trocar uma versão boa por uma pior sem ninguém perceber. Teto de custo, registro de versões e reversão tornam o ciclo auditável e seguro de repetir.

Conceitos-chave

Executar; Medir; Criticar; Propor; Testar; Validar; Promover; Repetir; nove assistentes; teto de custo; reverter

O que é

A seção "Comece por aqui" traz dois materiais. O curso RSI v6.2 tem 18 aulas em seis módulos, com exercícios, revisão e materiais para aplicar o LOOP-R e registrar conhecimento aprovado, em português, inglês e espanhol. O Guia RSI é um mapa do tema, com mecanismos, aplicações e limites, também em três idiomas. A página faz uma ressalva importante: o projeto reúne pesquisa e conteúdo educativo, e não é um sistema RSI autônomo pronto para executar. O código e os materiais ficam no repositório rsi no GitHub.

Por que aprender

Começar pelo guia dá o vocabulário e os limites; o curso transforma isso em prática com exercícios. Saber que o projeto é educativo evita esperar dele uma ferramenta que melhora sozinha.

Conceitos-chave

RSI v6.2; 18 aulas; seis módulos; Guia RSI; PT / EN / ES; conteúdo educativo, não sistema autônomo

O que é

Além do guia e do curso, o acervo reúne três materiais com ressalvas claras. O RSI Copiloto é um assistente local com IA, memória, tarefas e rotinas, que compara instruções, pede revisão humana e permite reverter mudanças; a demonstração pública usa exemplos programados, sem IA, e a IA real fica só na versão local. O Dream-RSI é um guia educativo independente, não afiliado ao Google, sobre aprender com históricos de experimentos; o laboratório e os oito encontros são planos futuros, não uma implementação do artigo. O Alerta IA 2028 é um curso em três trilhas, sobre o ciclo de melhoria, as evidências e os limites da avaliação, e trata os cenários de 2028 como hipóteses, sem calendário garantido. A página ainda lista referências como Self-Refine, Reflexion, Darwin Gödel Machine e AlphaEvolve, consultadas em 25 de setembro de 2026, cujos resultados não foram reproduzidos no projeto.

Por que aprender

Cada material diz o que já está disponível e o que ainda é plano. Ler essas ressalvas é o próprio exercício da área: separar evidência de promessa.

Conceitos-chave

RSI Copiloto; demonstração sem IA; Dream-RSI independente; Alerta IA 2028; cenários como hipóteses; referências originais em inglês

Ver completo →

MÓDULO 3.2

JEV: decisões de IA na prática

Explicar o que é uma decisão estruturada com Jev, escolher entre Choice, Noul e Score e separar o que já foi observado do que ainda falta medir.

0% 0 de 0

O que é

Jev é o modelo de decisões estruturadas da TypeSafe. Uma decisão estruturada é uma pergunta fechada, com contexto e critérios, cuja resposta é uma escolha, uma probabilidade ou um nível, e não um texto livre. O Jev Decision Lab é o projeto educacional do INEMA para formular perguntas, comparar respostas e entender quando uma decisão precisa de revisão. O modelo recebe contexto e critérios; o seu sistema continua responsável pelas ações. O laboratório separa essa escolha da geração de texto e da execução de ferramentas.

Por que aprender

Muitas tarefas de IA no trabalho não pedem um texto, pedem uma decisão: para qual fila vai este chamado, este trecho sustenta a afirmação. Separar decidir, gerar e executar deixa claro quem responde por cada parte e facilita medir o acerto.

Conceitos-chave

modelo de decisões estruturadas; TypeSafe; Jev Decision Lab; contexto e critérios; o sistema responde pelas ações

O que é

A página apresenta três formas de perguntar. Choice escolhe entre alternativas explícitas, como qual fila ou qual agente. Noul estima a probabilidade de uma resposta afirmativa, como a chance de um trecho apoiar uma afirmação. Score avalia uma rubrica com níveis ordenados, como baixo, médio e alto. O curso dedica um módulo a distinguir as três a partir do tipo de resposta necessário, e outro a confiança e erro: usar incerteza sem transformá-la em autorização automática.

Por que aprender

Escolher a forma errada produz respostas difíceis de usar: uma nota quando você precisava de uma fila, ou um sim quando havia vários níveis. A forma da pergunta define como você vai medir e qual política aplicar.

Conceitos-chave

Choice: alternativas explícitas; Noul: probabilidade de sim; Score: níveis ordenados; confiança não é autorização

O que é

O laboratório abre no navegador, não pede chave e não consulta nenhuma API: as respostas são simuladas. Cada um dos 20 casos inclui contexto, perguntas, critérios, resposta simulada, explicação e próximo passo, como triagem de atendimento, checklist de contratos, roteamento de agentes e revisão semântica de diff. Você pode editar as perguntas, importar uma requisição, exportar o resultado ou abrir um relatório; alterar um caso invalida sua resposta simulada anterior. Para ir além, é possível clonar o projeto e rodar o servidor local com Python 3.10 ou superior. O núcleo usa só a biblioteca padrão.

Por que aprender

O laboratório permite errar sem custo e sem risco: você aprende a formular o contexto, as opções e a política antes de gastar crédito ou tocar num sistema real.

Conceitos-chave

laboratório sem chave; respostas simuladas; 20 casos; contexto, perguntas, critérios; servidor local em Python

O que é

O curso "Jev na prática" tem três trilhas, 12 módulos e 36 aulas com teoria, exemplos, exercícios e respostas. A trilha Entender cobre onde o Jev entra, os três tipos de pergunta, confiança e erro, e custo; Aplicar trata atendimento, documentos, modelos e agentes, e navegador; Construir e avaliar cobre integração, medição de qualidade, operação e o projeto final. Os módulos 1 a 8 são conceituais; os módulos 9 a 12 usam JSON, terminal e Python, e a estimativa é de 18 horas. São 12 laboratórios com dados fictícios e gabaritos, e o projeto final pede concluir se há evidência para adotar, coletar mais dados ou não automatizar. O curso HTML v2 está em português, com progresso, dúvidas e anotações.

Por que aprender

O curso leva de "entender a ideia" a "decidir a adoção" com rubrica. O projeto final aceita a resposta "não automatizar", o que treina julgamento em vez de entusiasmo.

Conceitos-chave

Entender; Aplicar; Construir e avaliar; 12 módulos; 36 aulas; 12 laboratórios; projeto final; 18 horas

O que é

Um pacote é um kit por área com contexto, critérios, requisição, fixture (um exemplo pronto para teste) e instruções. O acervo atual reúne 17, de atendimento e vendas a comentários do YouTube, reuniões, cortes e curadoria. Todos compartilham o executor e o núcleo Python: sem a opção --live o pacote usa a fixture simulada; com ela, faz uma consulta real, que requer chave no backend e pode consumir créditos. Há também execução em lotes com retomada, a skill jev-decidir para Codex e Claude Code e o jev-gw, um gateway com teto de gasto diário, cache, registro de custo e falha conservadora que devolve revisão humana. Os pacotes estão no repositório; ainda não há distribuição PyPI, instalador universal ou conector pronto para n8n.

Por que aprender

O caminho é gradual: começar offline, entender a saída e só depois pagar por consultas reais. O gateway mostra como proteger quem chama o Jev quando algo falha.

Conceitos-chave

pacote por área; fixture; --live; lotes e retomada; skill jev-decidir; jev-gw; falha conservadora

O que é

A página separa quatro situações. Simulação para aprender: os 20 casos e o replay são autorais e simulados, não medem a qualidade do modelo. Baseline de regras: 20 acertos em 24 tickets fictícios (83,33%), resultado das regras, não do Jev. Integração real testada: em 19/09/2026 os dez pacotes originais receberam respostas pelo OpenRouter com as classificações esperadas nos exemplos fictícios, o que confirma integração, não benchmark; os sete pacotes novos só têm testes controlados. Avaliação ainda necessária: qualidade em português, calibração e uso operacional pedem dados independentes e referência humana. O Laya, alternativa local em avaliação, teve 14 testes da aplicação aprovados e 13 acertos em 16 exemplos sintéticos, o que não comprova superioridade.

Por que aprender

Essa separação é o que torna a área confiável: cada número vem com o que ele prova e o que não prova. Repetir esses números fora de contexto seria inflar o resultado.

Conceitos-chave

simulação; baseline de regras; integração real; avaliação necessária; Laya em avaliação; não é benchmark

Ver completo →

MÓDULO 3.3

WebMCP: seu site conversando com agentes

Explicar o que muda quando agentes visitam sites, o que é WebMCP e qual é o primeiro passo concreto: diagnosticar o próprio site e corrigir o básico.

0% 0 de 0

O que é

WebMCP é uma forma de a própria página descrever o que sabe fazer para agentes de IA. Sem WebMCP, o agente precisa localizar campos, clicar, digitar e interpretar a tela, e isso quebra quando o layout muda. Com WebMCP, a página expõe ferramentas com nome, descrição, schema de argumentos e resposta, e o agente chama a ferramenta certa pelo nome. Há dois caminhos: a ferramenta declarativa, em que um formulário que já existe ganha um toolname e uma descrição, e a imperativa, em que JavaScript registra capacidades com JSON Schema, tratando estado, erros, cancelamento e fallback. É uma tecnologia experimental, hoje atrás de Origin Trial no navegador, ou seja, liberada em caráter de teste.

Por que aprender

É a diferença entre o agente adivinhar e o site dizer. O site passa a decidir o que é permitido, o que precisa de confirmação e o que pode ser cancelado.

Conceitos-chave

operar pixels x conversar com capacidades; ferramenta declarativa; ferramenta imperativa; JSON Schema; Origin Trial

O que é

A página lista seis mudanças. Do lado de quem visita: agentes já operam o navegador, preenchendo formulários e concluindo tarefas; buscar virou perguntar a um assistente, o que cria o problema de GEO e AEO; e o padrão está nascendo agora. Do lado de quem publica: o site deixa de ser só uma tela e ganha um catálogo de capacidades por cima da jornada humana; descoberta vira requisito, com robots.txt, sitemap.xml, llms.txt, JSON-LD, Open Graph e uma identidade clara; e a segurança fica com o site, não com o modelo. GEO e AEO são as práticas de aparecer e ser citado nas respostas de assistentes de IA, e não só em buscadores.

Por que aprender

Se você é dono do site, as três últimas mudanças são a sua lista de trabalho. Quem entende as limitações cedo aprende com custo baixo.

Conceitos-chave

agentes no navegador; buscar virou perguntar; GEO e AEO; catálogo de capacidades; descoberta; segurança no site

O que é

O WebMCP Readiness, em webmcp.inema.pro, abre a URL num navegador descartável, reúne sinais observáveis e transforma o scan num plano de correção. É um scanner passivo: consulta robots.txt, sitemap.xml e llms.txt e não executa nenhuma ferramenta do site. Você recebe nota geral e quatro notas independentes, WebMCP, SEO, GEO e AEO, com evidências, alertas, bloqueadores, até 12 correções priorizadas e os cursos indicados para cada lacuna, num relatório em JSON. O scan aprofunda só a URL informada; o sitemap é inventariado, mas suas páginas não são rastreadas. Os scanners avançados por fase aparecem no relatório como planejados, não como prontos.

Por que aprender

Começar pelo diagnóstico mostra onde o seu site está antes de estudar. E a página deixa claro o limite: indexação, ranking ou citação por IA, o scanner não promete nada disso.

Conceitos-chave

scanner passivo; navegador descartável; nota geral + quatro notas; até 12 correções; relatório JSON; o que exige revisão humana

O que é

A página organiza a arquitetura em oito camadas, na ordem em que a formação constrói. As quatro primeiras são o site se descrevendo: descoberta (o agente acha o site?), ferramentas (o que o site sabe fazer?), contrato (como se chama e o que volta?) e estado e erros (e quando dá errado?). As quatro últimas são o site se protegendo: controle (quem confirma?), permissões (quem pode chamar?), backend e MCP (onde mora a verdade?) e evals e observabilidade (está funcionando mesmo?). A regra que atravessa todas: a LLM escolhe a ferramenta; o site decide se ela pode rodar. O diagnóstico já mede a camada 1 inteira e os sinais observáveis das camadas 2 e 5.

Por que aprender

As camadas mostram que expor uma ferramenta é só o começo. Sem confirmação, permissões e autorização no backend, um agente pode acionar algo que não deveria.

Conceitos-chave

descoberta; ferramentas; contrato; estado e erros; controle; permissões; backend e MCP; evals

O que é

Antes de qualquer fase da formação, a página traz seis correções que o dono do site faz, cada uma ligada a um item que o scanner verifica. Primeiro, rode o scan e anote as notas como linha de base. Segundo, publique os três arquivos públicos: robots.txt, sitemap.xml atualizado e um llms.txt que apresenta o site para modelos de IA. Terceiro, arrume o básico de SEO que o agente também lê: title, description, canonical, headings em ordem, alt nas imagens, Open Graph e JSON-LD. Quarto, escreva para quem responde perguntas, com respostas diretas, definições, listas e tabelas; quinto, mostre quem está por trás, com entidade, autoria, data de atualização e evidências. Sexto, escolha como primeira ferramenta um formulário que não muda nada perigoso, como uma busca ou consulta de status.

Por que aprender

São correções que não exigem programar ferramentas e já sobem as notas. A página resume o método: corrija, rode de novo, veja a nota subir.

Conceitos-chave

linha de base; robots.txt, sitemap.xml, llms.txt; SEO básico; AEO: respostas diretas; GEO: autoria e evidências; primeira ferramenta segura

O que é

A Formação WebMCP tem uma visão geral e quatro fases, todas abertas e em português: Builder (construir), Integrator (integrar), Agent Developer (orquestrar) e Expert (operar). Cada fase tem quatro módulos de seis tópicos e usa JavaScript; quem não programa começa pela visão geral e pelo diagnóstico e leva as fases para o time. As camadas 1 e 2 são ensinadas no Builder, 3 e 4 no Integrator, 5 e 6 no Agent Developer, e 7 e 8 no Expert. Ao lado, a página indica o AIV 2026 para AEO e GEO, o curso de Computer Use com o GPT-6 Astra e o Super-Agentes, além de projetos como o Kit do Arquiteto de Agentes, o INEMACCBOT e o os-agentes. O convite final é direto: o melhor primeiro módulo é o seu próprio site.

Por que aprender

Saber em qual fase cada camada é ensinada permite entrar na formação pelo ponto do seu papel, em vez de começar tudo do zero.

Conceitos-chave

visão geral; Builder; Integrator; Agent Developer; Expert; quatro módulos de seis tópicos; cursos ao lado

Ver completo →