A demo passou. A primeira semana em produção, não.
Você monta um RAG num fim de semana. Indexa os documentos, faz a busca, cola no prompt, responde. Na sua máquina, com as suas cinco perguntas de teste, funciona.
Aí entra gente de verdade. Alguém pergunta de um jeito que você não previu e o sistema responde, com toda a confiança do mundo, uma coisa que não está em documento nenhum. Você mexe no prompt. Parece ter melhorado. Não dá para saber: não existe nenhum número dizendo que melhorou.
Na semana seguinte a fatura do provedor chega bem acima da estimativa, e a resposta honesta para “por quê?” é “ainda não sei”.
O que custa deixar como está
Mudança no escuro
Sem eval programática, cada ajuste de prompt é aposta. A discussão volta para o achismo de quem leu mais respostas, e não fecha.
Custo sem freio
Sem budget guard e sem cache, o gasto com modelo cresce junto com o uso — e você descobre o número na fatura, não no dashboard.
Incidente que você não vê chegando
Prompt injection e vazamento de PII não quebram o build. Aparecem quando alguém de fora encontra antes de você.
A vaga que pede exatamente isso
As descrições de AI Engineer pedem RAG, avaliação, agentes e observabilidade. Quem só sabe chamar a API está concorrendo a outra vaga.
Nada disso se resolve lendo mais um tutorial de RAG. Se resolve construindo cada peça uma vez, com um teste que diz na hora se você acertou.
Tem tutorial de RAG de graça no YouTube. Por que pagar R$ 697?
Tem, e vários são bons. O problema não é achar explicação de RAG — é que a explicação para no ponto exato em que o seu problema começa. O tutorial indexa três PDFs e responde uma pergunta. Ele não te ensina a escolher o tamanho do chunk quando a resposta certa está partida em dois pedaços, nem a provar que o reranking melhorou alguma coisa.
Essa trilha não compete com o tutorial gratuito. Ela cobre a parte que não cabe em 20 minutos de vídeo: a sequência inteira, na ordem, com cada peça validada por um teste automatizado que só passa quando o comportamento está certo.
Se o que você quer é entender o conceito de embedding, o conteúdo gratuito resolve. Se o que você quer é sustentar o seu sistema numa reunião de arquitetura, o gargalo é prática guiada com retorno imediato — e é isso que vídeo assistido não constrói.
Se é esse o seu problema, aqui está o que muda.
Quero ver a oferta completaPor que essa trilha existe
Quase todo material de IA para desenvolvedor termina no “olha, funcionou”. Quase nenhum segue até “e agora, como eu garanto que continua funcionando amanhã?”. A trilha nasceu desse incômodo.
Daí veio a regra de construção: nenhuma lição entra sem arquivo de teste. Se o exercício não pode ser verificado por uma máquina, ele vira opinião — e opinião é exatamente o que sobra quando um sistema com LLM dá errado em produção.
São 45 lições nessa ordem, cada curso assumindo o que o anterior entregou. É a sequência que eu queria ter recebido pronta, em vez de remontar juntando post, vídeo solto e documentação.
Protocolo Luz Verde
Você não avança porque assistiu. Avança porque o teste ficou verde.
Teoria curta, direto ao ponto. Depois você escreve o código, não copia pronto e não assiste alguém escrever.
Roda contra o mesmo tipo de ambiente usado em produção (Docker, testes automatizados), não um simulador nem um quiz de múltipla escolha.
O teste falha ou passa. Esse é o critério, não a sua sensação de ter entendido.
O Protocolo Luz Verde se repete em cada lição de cada curso da Greenlit: você escreve o código a partir de uma teoria curta, roda contra o mesmo tipo de ambiente usado em produção e só avança quando o teste fica verde. Não existe passar os olhos no vídeo e seguir em frente.
Terminar um curso em vídeo dá a sensação de ter aprendido, mas o primeiro código real trava do mesmo jeito de antes. Com o teste como critério, se ele não passa, a lição não terminou. A sensação de progresso deixa de ser inflada.
É por isso que todo curso roda em ambiente Docker desde a primeira lição e nenhum deles depende de vídeo de horas: o juiz é o teste, não a sua percepção de ter entendido.
O que está dentro da trilha
Fundamentos de IA para Desenvolvedores
Redes neurais, transformers, embeddings e RAG. Python, NumPy e PyTorch. 11 lições hands-on, passo a passo, do treinamento de modelos à introdução de busca semântica. Testes automatizados com pytest.
2 módulos · 11 lições
Construindo com LLMs: RAG, Agents e Avaliação
Structured output, RAG profundo, agents ReAct, evals programáticas, cache semântico, model routing, MCP e LangGraph. 19 lições práticas para construir sistemas completos com LLMs. Python, Docker, OpenRouter.
6 módulos · 19 lições
Agentes com MCP e LangGraph
Do protocolo MCP aos grafos de estado com LangGraph. 8 lições: MCP server/client, StateGraph, checkpoints, HITL, multi-agente e memória de longo prazo. SDK oficial.
3 módulos · 8 lições
Colocando IA em Produção
Circuit breaker, A/B testing, feedback loop, segurança/PII, OpenTelemetry e projeto final em 2 etapas. 7 lições para construir, deployar e observar sistemas com LLMs em produção.
4 módulos · 7 lições
O que muda no seu dia
Hoje
Depois da trilha
Ajusta o prompt e torce.
Roda a eval e vê o número subir ou descer.
Chunking no padrão que veio na biblioteca.
Escreve chunking fixo, recursivo e semântico e sabe qual usar em cada texto.
Descobre o custo quando a fatura chega.
Orçamento diário checado antes da chamada sair; cache semântico derruba a repetida.
Agente que às vezes entra em loop.
Circuit breaker, checkpoint e aprovação humana no ponto de decisão.
Prompt injection é assunto de post que você salvou.
Detecção de injection e redação de PII escritas por você, com teste passando.
“Acho que melhorou.”
“Melhorou no conjunto de avaliação — o run está aqui.”
Por que R$ 697
Curso de IA por R$ 50 existe, e conteúdo gratuito bom também: documentação dos frameworks, papers, canais no YouTube. Isso é verdade e não vamos fingir que não é.
O que R$ 697 compra não é acesso a mais informação sobre LLM. São quatro cursos já sequenciados — fundamentos, RAG e agents, MCP e LangGraph, produção — com ambiente Docker pronto e 45 exercícios validados por teste automatizado. O trabalho de montar esse caminho sozinho, juntando curso avulso com curso avulso, é o que está sendo pago.
O acesso é de 12 meses e vale para a trilha inteira, contado uma vez só, não por curso.
Compare com o custo de descobrir tarde: um mês de fatura de modelo sem budget guard, ou um processo seletivo de AI Engineer perdido na pergunta sobre como você avalia o sistema.
Direito de arrependimento de 7 dias, garantido por lei para qualquer compra online no Brasil (CDC, Art. 49). Se não for para você, o reembolso é automático dentro desse prazo.
Perguntas antes de começar
Já uso LLM no trabalho. Isso é básico demais pra mim?+−
O primeiro curso pode ser revisão. Os outros três — chunking e reranking medidos, evals programáticas, MCP, LangGraph com checkpoint, circuit breaker e detecção de injection — são justamente o que costuma faltar em quem já chama a API todo dia.
Isso vai me obrigar a parar de usar IA para escrever código?+−
Não. A trilha é sobre construir sistemas com LLM, não sobre evitá-los. O que ela cobra é que você consiga explicar e medir o que o seu sistema faz, inclusive o que a IA escreveu.
Quanto tempo leva?+−
Depende do seu ritmo — são 45 lições, com um exercício em cada uma. O acesso vale 12 meses, então dá para fazer sem corrida.