O Guia do Mochileiro para IA Agente: Dos Fundamentos aos Sistemas

Resumo

O Guia do Mochileiro da IA Agêntica é uma referência abrangente para profissionais na construção de sistemas de IA autônomos. O livro cobre toda a pilha, desde os primeiros princípios até a implantação em produção, organizado em torno de uma tese central: construir grandes sistemas agênticos exige compreender cada camada do pipeline, não apenas uma. O livro começa com o substrato de LLM — arquitetura transformer, sistemas de GPU, treinamento e ajuste fino (SFT, LoRA, MoE), compressão de modelos e otimização de inferência — tratados como fundamentos essenciais, em vez de foco principal. Em seguida, desenvolve a camada de alinhamento e raciocínio: aprendizado por reforço a partir de feedback humano (RLHF), PPO, DPO e suas variantes, GRPO, modelagem de recompensa e RL para grandes modelos de raciocínio, incluindo cadeia de pensamento e escalonamento em tempo de teste. A segunda metade é dedicada propriamente à IA agêntica. Os tópicos incluem treinamento agêntico e RL baseada em trajetória, geração aumentada por recuperação (RAG e RAG Agêntico), sistemas de memória (em contexto, externa, episódica e semântica), design de arcabouço de agente e gerenciamento de contexto, e uma taxonomia de padrões de design de agentes. A coordenação entre agentes é abordada em profundidade: o Protocolo de Contexto de Modelo (MCP), habilidades de agente e uso de ferramentas, o protocolo de comunicação Agente-para-Agente (A2A) e arquiteturas multiagente abrangendo topologias centralizadas, descentralizadas e hierárquicas. O livro conclui com frameworks de desenvolvimento de agentes, design de UI agêntica, metodologia de avaliação para tarefas agênticas e implantação em produção. Cada capítulo combina fundamentos teóricos rigorosos com orientações de implementação, exemplos de código e referências à literatura primária.

English

The Hitchhiker's Guide to Agentic AI is a comprehensive practitioner's reference for building autonomous AI systems. The book covers the full stack from first principles to production deployment, organized around a central thesis: building great agentic systems requires understanding every layer of the pipeline, not just one. The book opens with the LLM substrate -- transformer architecture, GPU systems, training and fine-tuning (SFT,LoRA, MoE), model compression, and inference optimization -- treated as essential foundations rather than the primary focus. It then develops the alignment and reasoning layer: reinforcement learning from human feedback (RLHF), PPO, DPO and its variants, GRPO, reward modeling, and RL for large reasoning models including chain-of-thought and test-time scaling. The second half is devoted to agentic AI proper. Topics include agentic training and trajectory-based RL, retrieval-augmented generation (RAG and Agentic RAG), memory systems (in-context, external, episodic, and semantic), agent harness design and context management, and a taxonomy of agent design patterns. Inter-agent coordination is covered in depth: the Model Context Protocol (MCP), agent skills and tool use, the Agent-to-Agent (A2A) communication protocol, and multi-agent architectures spanning centralized, decentralized, and hierarchical topologies. The book concludes with agent development frameworks, agentic UI design, evaluation methodology for agentic tasks, and production deployment. Each chapter pairs rigorous theoretical foundations with implementation guidance, code examples, and references to the primary literature.