Glossário

Os termos que aparecem nos desafios, na ordem em que você encontra cada um pelos mundos.

Vila de Boas-Vindas

IA (Inteligência Artificial): Sistemas que fazem previsões ou geram conteúdo a partir de dados — sem seguir regras escritas à mão para cada caso.
LLM (Modelo de Linguagem): Um modelo treinado em muito texto que prevê a próxima palavra mais provável — é assim que ele "conversa".
Prompt: O texto que você manda para o modelo. A forma como ele é escrito muda bastante a qualidade da resposta.
Token: Pedaço de texto (palavra ou parte dela) que o modelo lê e gera. Custo e limite de contexto são medidos em tokens.
Contexto: Tudo que vai junto com o prompt (histórico, documentos, instruções) para o modelo responder com mais precisão.
Alucinação: Quando o modelo inventa uma resposta com confiança, mesmo sem base real — o principal motivo para desconfiar e verificar.

Few-shot: Dar 2–3 exemplos no prompt para o modelo seguir o padrão, em vez de só explicar a tarefa.
System prompt: Instrução "por trás" da conversa que define a persona e as regras do modelo antes de qualquer pergunta do usuário.
Prompt injection: Tentar manipular o modelo com texto malicioso escondido no input para ele ignorar suas instruções originais.

Treinamento vs. Inferência: Treinamento é quando o modelo aprende com dados; inferência é quando ele já treinado responde algo novo.
Generalização: Capacidade do modelo de acertar em exemplos que ele nunca viu — o que separa aprender de verdade de decorar.
Latência: Tempo entre pedir e receber a resposta. Junto com custo, é o que limita quanto processamento dá pra usar.

RAG (Geração Aumentada por Recuperação): Buscar informação relevante antes de gerar a resposta, em vez de confiar só no que o modelo "decorou" no treino.
Busca por palavra-chave: Busca que casa termos exatos do texto — quebra com sinônimos ("carro" não acha "automóvel").
Embedding: Representação de um texto como um vetor de números, onde textos com significado parecido ficam "próximos".
Similaridade de cosseno: Métrica que mede o quanto dois embeddings apontam na mesma direção — usada para achar o chunk mais parecido com a pergunta.
Chunk / Chunking: Dividir um documento em pedaços menores antes de indexar. Chunk grande dilui o sinal; chunk pequeno perde contexto.

Pipeline RAG: A sequência buscar → montar prompt → gerar resposta, que é o esqueleto de qualquer sistema RAG.
Citação (grounding): Rastrear cada afirmação da resposta até o trecho-fonte que a sustenta — sem isso, alucinação passa despercebida.
Busca híbrida: Combinar busca por palavra-chave com busca vetorial, dosando o peso de cada uma para o caso.

Reranking: Reordenar os resultados de uma busca inicial com um modelo mais caro e preciso, pra subir os melhores pro topo.
Expansão de vizinhos: Trazer também os chunks ao redor do resultado encontrado, pra não perder contexto cortado na fronteira do chunk.
Compressão semântica: Indexar um resumo do texto em vez do original, pra reduzir ruído — com o risco de perder detalhe fino.

Cache: Guardar a resposta de uma busca ou geração já feita, pra não pagar de novo (tempo e custo) pela mesma pergunta.
Observabilidade: Instrumentar o sistema pra enxergar o que ele está fazendo em produção — latência, custo, taxa de erro por etapa.
Ingestão: O pipeline que pega documentos brutos (ex.: PDF), limpa, faz chunking e indexa — antes de qualquer busca acontecer.
Banco vetorial: Banco de dados feito para guardar e buscar embeddings rapidamente em escala.

Grafo de conhecimento: Entidades e relações extraídas do texto, representadas como nós e arestas — em vez de só texto solto.
GraphRAG: RAG que percorre um grafo de conhecimento em vez de (ou além de) buscar por similaridade vetorial.
Consulta multi-hop: Pergunta que só tem resposta ligando vários fatos em sequência — geralmente exige travessia de grafo, não um chunk só.

Consistência terminológica: Garantir que o mesmo conceito seja sempre chamado pelo mesmo termo — inconsistência confunde tanto o usuário quanto o retriever.
Deriva de conceito: Quando o significado de um termo muda com o tempo na base de conhecimento, e o sistema continua usando a definição antiga.
Gate de confiança: Regra que decide se o sistema responde ou admite incerteza, com base em quão confiável foi a recuperação.