Os sete clusters seguem o fluxo de quem está começando: primeiro as ideias de IA, depois como falar com o assistente (modos), depois os arquivos onde tudo é configurado, depois como ligar ferramentas (MCP), e por fim o n8n — do básico ao de IA — e os blocos de dados que alimentam respostas.

Diagrama ilustrativo — os clusters do glossário em ordem de aprendizado. Cada caixa é um tópico abaixo, com seus termos definidos.

O que é

Este cluster é o alfabeto da IA. Antes de tudo: LLM (large language model, "modelo de linguagem grande") é o tipo de IA que entende e gera texto — é o "motor" por trás do assistente. Você fala com ele por meio de um prompt: a mensagem que você escreve. Por cima de cada conversa há o system prompt, uma instrução de fundo (papel, contexto, regras) que vale para a sessão inteira.

Tudo o que o LLM "enxerga" naquele momento é o contexto (ou context window, "janela de contexto") — o espaço de memória da conversa. Esse espaço é medido em tokens: pedaços de palavra que a IA conta. E há um efeito a temer: o context rot ("apodrecimento do contexto"), a queda de qualidade quando a janela enche de histórico e o modelo começa a errar mais.

Por que aprender

Esses seis termos explicam por que o assistente às vezes "esquece" ou erra: a conversa cresceu, a janela encheu, o contexto apodreceu. Saber isso te dá o reflexo certo — começar sessões focadas e limpar o contexto antes que a qualidade caia (você aprende como nos modos, a seguir).

Conceitos-chave

O que é

O assistente tem modos de permissão que controlam o quanto ele age sozinho. O plan mode (modo plano) é onde ele pesquisa, faz perguntas e propõe um plano antes de mexer em algo — você aprova primeiro. No outro extremo, o bypass permissions ("pular permissões") deixa ele agir sem pedir aprovação a cada passo — rápido, mas você para de ver o que ele faz, então use com cuidado.

Para gerir o contexto (que você viu apodrecer), há dois comandos: /clear reseta a conversa inteira — use ao trocar de tarefa ou quando a qualidade cai; /compact faz um resumo inteligente, mantendo o essencial e comprimindo o resto — use no meio de uma tarefa quando o contexto fica alto.

Por que aprender

Esses comandos são a sua "embreagem". Começar no plan mode evita que a IA construa a coisa errada; /compact e /clear mantêm a qualidade lá em cima e o custo de token lá embaixo. A regra prática: pense em compactar perto de 70% do contexto e limpar acima de 85% ou ao trocar de tarefa.

Conceitos-chave

O que é

Um projeto de vibe coding gira em torno de alguns arquivos. O mais importante é o CLAUDE.md: um system prompt persistente, escrito em markdown, que define quem é o assistente, o que você constrói e suas preferências — ele é lido toda sessão. O .env guarda os segredos (chaves de API), e o .gitignore lista o que nunca deve subir para a nuvem — e o .env está sempre nessa lista.

Para conectar ferramentas, há o .mcp.json: o arquivo que registra os MCP servers do projeto (mas a chave em si fica no .env, nunca aqui). E quando você empacota uma instrução reutilizável, ela vira um SKILL.md dentro da pasta de skills — o "manual" daquela skill.

Por que aprender

Conhecer esses arquivos é saber onde cada coisa mora: regras de sessão no CLAUDE.md, segredos no .env, ferramentas no .mcp.json, skills no SKILL.md. Isso evita o erro mais perigoso de iniciante — colar uma chave de API no lugar errado (no chat ou no .mcp.json) e expô-la.

Conceitos-chave

O que é

MCP (Model Context Protocol) é o protocolo que conecta o assistente a ferramentas externas. Quem fornece essas ferramentas é um MCP server — um programinha que expõe um conjunto de ações. Cada ação é uma tool (ferramenta): enviar e-mail, raspar um site, ler um banco. Uma vez conectados, o assistente conhece todas as tools daquele server e decide qual chamar.

Você não precisa inventar servers do zero: existe a descoberta de servers — diretórios de MCP e repositórios públicos onde se encontram servers prontos por categoria (raspagem de web, bancos de dados, documentos, comunicação). Instalar costuma ser pedir ao assistente para configurar, colar a chave no .env e reiniciar.

Por que aprender

MCP é o que transforma o assistente de "escritor de texto" em "fazedor de coisas no mundo". Sem ele, nada de mandar e-mail, raspar a web ou construir no n8n. Entender server × tool ajuda a pedir a ferramenta certa — e a lembrar que cada server ligado consome contexto, então desligue os que não usa.

Conceitos-chave

O que é

No n8n, o tijolo básico é o nó (node): uma caixinha que faz um trabalho. Todo fluxo começa por um trigger (gatilho): o nó que dispara o fluxo — por horário, por chegada de e-mail, por um evento. A sequência inteira de nós, do gatilho à ação final, é o workflow.

Para um nó acessar um app (Gmail, Sheets…), ele precisa de uma credential (credencial): a autorização guardada no n8n. A forma mais comum de autorizar é o OAuth2 — um "login delegado" em que você entra na sua conta Google e concede acesso, sem entregar sua senha ao n8n.

Diagrama ilustrativo — o gatilho começa, os nós executam, e a credencial (autorizada via OAuth2) é o que dá ao nó acesso ao app externo.

Por que aprender

Esses cinco termos são o vocabulário mínimo para entender (e pedir) qualquer automação. Há um detalhe que economiza dor de cabeça: o assistente constrói os nós, mas credenciais (OAuth2) você precisa configurar manualmente — é a parte que ele não faz por você.

Conceitos-chave

O que é

O n8n tem nós que colocam IA dentro do fluxo. O AI agent node é o nó que vira um mini-agente: recebe uma instrução (system prompt), pode usar ferramentas e responde com raciocínio. O text classifier ("classificador de texto") rotula uma entrada em categorias — útil para rotear antes de gastar o agente caro (ex.: "isto é suporte técnico ou não?").

Para lógica sob medida há o code node ("nó de código"): um nó onde roda um pedacinho de código (que o assistente escreve) para transformar dados — extrair um nome, montar um texto, marcar um sinalizador. E para decisões simples de sim/não há o IF node, que bifurca o fluxo: se a condição é verdadeira, vai por um caminho; se não, por outro.

Por que aprender

Combinar esses nós é o coração de um agente útil: o classifier filtra cedo (economiza), o IF decide os caminhos, o code node ajusta os dados e o AI agent faz o trabalho de pensar. Saber o papel de cada um te ajuda a entender o que o assistente montou — e a pedir melhorias específicas.

Conceitos-chave

O que é

Para a IA responder com base nos seus documentos, eles precisam virar dados pesquisáveis. O vector store ("armazém de vetores") é um banco especial que guarda o significado dos textos para buscar por sentido, não só por palavra exata. Esse "significado em números" são os embeddings: a representação numérica de um trecho de texto.

Antes de armazenar, dois passos preparam os documentos. O document loader ("carregador de documentos") lê o arquivo e extrai o texto. O text splitter ("divisor de texto") parte esse texto em pedaços do tamanho certo — porque buscar e recuperar funciona melhor em trechos do que num documento gigante inteiro.

Por que aprender

Esses quatro blocos são a base do RAG (que você verá no módulo 1.4): em vez de a IA "chutar", ela consulta seus documentos e responde com base neles — e recusa inventar quando o dado não está lá. É o que separa um agente confiável de um que alucina.

Conceitos-chave