12 folhas de referência de MCP, RAG e agentes para engenheiros de IA (com recursos visuais):

1️⃣ Chamada de função e MCP para LLMs Antes de os MCPs se tornarem populares, os fluxos de trabalho de IA dependiam da chamada de função tradicional para acesso à ferramenta. Agora, o MCP está padronizando para Agentes/LLMs. O visual cobre como a chamada de função e o MCP funcionam sob o capô. Confira o tópico abaixo 👇

2️⃣ 4 estágios de treinamento de LLMs do zero Este visual cobre os 4 estágios da construção de LLMs do zero para torná-los praticamente aplicáveis. - Pré-treino - Ajuste fino de instruções - Ajuste fino de preferência - Ajuste fino do raciocínio Aqui está meu tópico detalhado sobre isso 👇

3️⃣ 3 Técnicas de Solicitação para Raciocínio em LLMs Isso abrange três técnicas populares de solicitação que ajudam os LLMs a pensar com mais clareza antes de responder. - Cadeia de Pensamento (CoT) - Autoconsistência (ou votação majoritária sobre CoT) - Árvore dos Pensamentos (ToT) Leia meu tópico detalhado sobre isso abaixo 👇

4️⃣ Treine LLMs usando outros LLMs Os LLMs não aprendem apenas com o texto bruto; eles também aprendem uns com os outros. - Llama 4 Scout e Maverick foram treinados usando Llama 4 Behemoth. - Gemma 2 e 3 foram treinadas usando o Gemini. O visual explica 3 técnicas populares. Leia o tópico abaixo 👇

5️⃣ Ajuste fino supervisionado e de reforço em LLMs Esse visual aborda a diferença entre o ajuste fino supervisionado e o ajuste fino de reforço. O RFT permite que você transforme qualquer LLM de código aberto em uma potência de raciocínio sem nenhum dado rotulado. Leia o tópico abaixo 👇

6️⃣ Transformador vs. Mistura de Especialistas em LLMs Mixture of Experts (MoE) é uma arquitetura popular que usa diferentes "especialistas" para melhorar os modelos do Transformer. O visual abaixo explica como eles diferem dos Transformers. Aqui está meu tópico detalhado sobre isso👇

7️⃣ RAG vs RAG Agêntico O RAG ingênuo recupera uma vez e gera uma vez, não pode procurar dinamicamente por mais informações e não pode raciocinar por meio de consultas complexas. O RAG agêntico resolve isso. Confira meu tópico explicativo detalhado sobre isso👇

8️⃣ 5 padrões de design populares de IA Agentic Os comportamentos agenciais permitem que os LLMs refinem sua produção incorporando autoavaliação, planejamento e colaboração! Este visual descreve os 5 padrões de design populares para a criação de agentes de IA. Verifique meu tópico para mais informações👇

9️⃣ 5 níveis de sistemas de IA agêntica Os sistemas agenciais não geram apenas texto; Eles tomam decisões, chamam funções e até executam fluxos de trabalho autônomos. O visual explica 5 níveis de agência de IA. Eu vinculei meu tópico👇 explicativo detalhado

🔟 RAG Tradicional vs HyDE As perguntas não são semanticamente semelhantes às respostas, portanto, o sistema pode recuperar um contexto irrelevante. No HyDE, primeiro gere uma resposta hipotética (H) para consultar. Em seguida, use (H) para recuperar o contexto relevante (C). Eu escrevi um tópico detalhado sobre isso👇

1️1️⃣ ⃣ RAG vs RAG Gráfico Responder a perguntas que precisam de contexto global é difícil com o RAG tradicional, pois ele recupera apenas os principais k pedaços relevantes. O RAG de gráfico torna o RAG mais robusto com estruturas de gráfico. Confira meu tópico detalhado abaixo👇

1️2️⃣ ⃣ Cache KV O cache KV é uma técnica usada para acelerar a inferência de LLM. Eu vinculei meu tópico detalhado abaixo👇

That's a wrap! If you found it insightful, reshare it with your network. Find me → @_avichawla Every day, I share tutorials and insights on DS, ML, LLMs, and RAGs.