README.md

🚀 Módulo 1: Fundamentos do AI Toolkit

📋 Objetivos de Aprendizagem

No final deste módulo, serás capaz de:

• ✅ Instalar e configurar o AI Toolkit para Visual Studio Code
• ✅ Navegar pelo Catálogo de Modelos e compreender as diferentes fontes de modelos
• ✅ Usar o Playground para testar e experimentar modelos
• ✅ Criar agentes de IA personalizados usando o Agent Builder
• ✅ Comparar o desempenho dos modelos entre diferentes fornecedores
• ✅ Aplicar as melhores práticas em engenharia de prompts

🧠 Introdução ao AI Toolkit (AITK)

O AI Toolkit para Visual Studio Code é a extensão principal da Microsoft que transforma o VS Code num ambiente completo de desenvolvimento de IA. Faz a ponte entre a investigação em IA e o desenvolvimento prático, tornando a IA generativa acessível a programadores de todos os níveis.

🌟 Capacidades Principais

Funcionalidade	Descrição	Caso de Uso
🗂️ Catálogo de Modelos	Acesso a mais de 100 modelos do GitHub, ONNX, OpenAI, Anthropic, Google	Descoberta e seleção de modelos
🔌 Suporte BYOM	Integração dos teus próprios modelos (locais/remotos)	Implementação personalizada de modelos
🎮 Playground Interativo	Testes em tempo real com interface de chat	Prototipagem rápida e testes
📎 Suporte Multi-Modal	Suporte a texto, imagens e anexos	Aplicações de IA complexas
⚡ Processamento em Lote	Execução simultânea de múltiplos prompts	Fluxos de trabalho eficientes
📊 Avaliação de Modelos	Métricas integradas (F1, relevância, similaridade, coerência)	Avaliação de desempenho

🎯 Porquê o AI Toolkit é Importante

• 🚀 Desenvolvimento Acelerado: Da ideia ao protótipo em minutos
• 🔄 Fluxo de Trabalho Unificado: Uma interface para múltiplos fornecedores de IA
• 🧪 Experimentação Fácil: Compara modelos sem configurações complexas
• 📈 Pronto para Produção: Transição fluida do protótipo para o deployment

🛠️ Pré-requisitos & Configuração

📦 Instalar a Extensão AI Toolkit

Passo 1: Aceder ao Marketplace de Extensões

1. Abre o Visual Studio Code
2. Navega para a vista de Extensões (Ctrl+Shift+X ou Cmd+Shift+X)
3. Pesquisa por "AI Toolkit"

Passo 2: Escolher a Versão

• 🟢 Release: Recomendado para uso em produção
• 🔶 Pré-lançamento: Acesso antecipado a funcionalidades inovadoras

Passo 3: Instalar e Ativar

✅ Lista de Verificação para Verificação

• Ícone do AI Toolkit aparece na barra lateral do VS Code
• Extensão está ativada e em funcionamento
• Sem erros de instalação no painel de output

🧪 Exercício Prático 1: Explorar Modelos do GitHub

🎯 Objetivo: Dominar o Catálogo de Modelos e testar o teu primeiro modelo de IA

📊 Passo 1: Navegar pelo Catálogo de Modelos

O Catálogo de Modelos é a tua porta de entrada para o ecossistema de IA. Agrega modelos de vários fornecedores, facilitando a descoberta e comparação.

🔍 Guia de Navegação:

Clica em MODELS - Catalog na barra lateral do AI Toolkit

💡 Dica Profissional: Procura modelos com capacidades específicas que se adequem ao teu caso de uso (ex.: geração de código, escrita criativa, análise).

⚠️ Nota: Os modelos alojados no GitHub (ou seja, GitHub Models) são gratuitos, mas sujeitos a limites de taxa em pedidos e tokens. Para aceder a modelos externos (hospedados via Azure AI ou outros endpoints), precisarás de fornecer a chave API ou autenticação adequada.

🚀 Passo 2: Adicionar e Configurar o Teu Primeiro Modelo

Estratégia de Seleção de Modelo:

• GPT-4.1: Ideal para raciocínio complexo e análise
• Phi-4-mini: Leve, respostas rápidas para tarefas simples

🔧 Processo de Configuração:

1. Seleciona OpenAI GPT-4.1 no catálogo
2. Clica em Add to My Models - isto regista o modelo para uso
3. Escolhe Try in Playground para abrir o ambiente de testes
4. Aguarda pela inicialização do modelo (a primeira vez pode demorar um pouco)

⚙️ Compreender os Parâmetros do Modelo:

• Temperature: Controla a criatividade (0 = determinístico, 1 = criativo)
• Max Tokens: Comprimento máximo da resposta
• Top-p: Amostragem núcleo para diversidade da resposta

🎯 Passo 3: Dominar a Interface do Playground

O Playground é o teu laboratório de experimentação em IA. Eis como tirar o máximo partido:

🎨 Melhores Práticas em Engenharia de Prompts:

1. Seja Específico: Instruções claras e detalhadas produzem melhores resultados
2. Fornece Contexto: Inclui informação relevante de fundo
3. Usa Exemplos: Mostra ao modelo o que pretendes com exemplos
4. Itera: Refina os prompts com base nos resultados iniciais

🧪 Cenários de Teste:

# Example 1: Code Generation
"Write a Python function that calculates the factorial of a number using recursion. Include error handling and docstrings."

# Example 2: Creative Writing
"Write a professional email to a client explaining a project delay, maintaining a positive tone while being transparent about challenges."

# Example 3: Data Analysis
"Analyze this sales data and provide insights: [paste your data]. Focus on trends, anomalies, and actionable recommendations."

🏆 Exercício Desafio: Comparação de Desempenho de Modelos

🎯 Objetivo: Comparar diferentes modelos usando prompts idênticos para perceber as suas forças

📋 Instruções:

1. Adiciona Phi-4-mini ao teu espaço de trabalho
2. Usa o mesmo prompt para GPT-4.1 e Phi-4-mini

3. Compara qualidade, velocidade e precisão das respostas
4. Documenta as tuas conclusões na secção de resultados

💡 Insights Importantes a Descobrir:

• Quando usar LLM vs SLM
• Compromissos entre custo e desempenho
• Capacidades especializadas de diferentes modelos

🤖 Exercício Prático 2: Construir Agentes Personalizados com Agent Builder

🎯 Objetivo: Criar agentes de IA especializados para tarefas e fluxos de trabalho específicos

🏗️ Passo 1: Compreender o Agent Builder

O Agent Builder é onde o AI Toolkit realmente se destaca. Permite criar assistentes de IA feitos à medida que combinam o poder dos grandes modelos de linguagem com instruções personalizadas, parâmetros específicos e conhecimento especializado.

🧠 Componentes da Arquitetura do Agente:

• Modelo Base: O LLM fundamental (GPT-4, Groks, Phi, etc.)
• System Prompt: Define a personalidade e comportamento do agente
• Parâmetros: Configurações ajustadas para desempenho ideal
• Integração de Ferramentas: Ligação a APIs externas e serviços MCP
• Memória: Contexto da conversa e persistência da sessão

⚙️ Passo 2: Mergulho na Configuração do Agente

🎨 Criar System Prompts Eficazes:

# Template Structure:
## Role Definition
You are a [specific role] with expertise in [domain].

## Capabilities
- List specific abilities
- Define scope of knowledge
- Clarify limitations

## Behavior Guidelines
- Response style (formal, casual, technical)
- Output format preferences
- Error handling approach

## Examples
Provide 2-3 examples of ideal interactions

Claro que também podes usar Generate System Prompt para que a IA te ajude a gerar e otimizar prompts

🔧 Otimização de Parâmetros:

Parâmetro	Intervalo Recomendado	Caso de Uso
Temperature	0.1-0.3	Respostas técnicas/factuais
Temperature	0.7-0.9	Tarefas criativas/de brainstorming
Max Tokens	500-1000	Respostas concisas
Max Tokens	2000-4000	Explicações detalhadas

🐍 Passo 3: Exercício Prático - Agente de Programação em Python

🎯 Missão: Criar um assistente especializado em programação Python

📋 Passos de Configuração:

1. Seleção do Modelo: Escolhe Claude 3.5 Sonnet (excelente para código)

2. Design do System Prompt:

# Python Programming Expert Agent

## Role
You are a senior Python developer with 10+ years of experience. You excel at writing clean, efficient, and well-documented Python code.

## Capabilities
- Write production-ready Python code
- Debug complex issues
- Explain code concepts clearly
- Suggest best practices and optimizations
- Provide complete working examples

## Response Format
- Always include docstrings
- Add inline comments for complex logic
- Suggest testing approaches
- Mention relevant libraries when applicable

## Code Quality Standards
- Follow PEP 8 style guidelines
- Use type hints where appropriate
- Handle exceptions gracefully
- Write readable, maintainable code

3. Configuração dos Parâmetros:
   • Temperature: 0.2 (para código consistente e fiável)
   • Max Tokens: 2000 (explicações detalhadas)
   • Top-p: 0.9 (criatividade equilibrada)

🧪 Passo 4: Testar o Teu Agente Python

Cenários de Teste:

1. Função Básica: "Cria uma função para encontrar números primos"
2. Algoritmo Complexo: "Implementa uma árvore de pesquisa binária com métodos de inserção, remoção e pesquisa"
3. Problema Real: "Constrói um web scraper que lide com limitação de taxa e tentativas de repetição"
4. Depuração: "Corrige este código [cola código com erros]"

🏆 Critérios de Sucesso:

• ✅ Código executa sem erros
• ✅ Inclui documentação adequada
• ✅ Segue as melhores práticas de Python
• ✅ Fornece explicações claras
• ✅ Sugere melhorias

🎓 Conclusão do Módulo 1 & Próximos Passos

📊 Verificação de Conhecimentos

Testa a tua compreensão:

• Consegues explicar a diferença entre os modelos do catálogo?
• Criaste e testaste com sucesso um agente personalizado?
• Entendes como otimizar parâmetros para diferentes casos de uso?
• Sabes desenhar system prompts eficazes?

📚 Recursos Adicionais

• Documentação do AI Toolkit: Documentação Oficial Microsoft
• Guia de Engenharia de Prompts: Melhores Práticas
• Modelos no AI Toolkit: Modelos em Desenvolvimento

🎉 Parabéns! Dominaste os fundamentos do AI Toolkit e estás pronto para criar aplicações de IA mais avançadas!

🔜 Continua para o Próximo Módulo

Preparado para capacidades mais avançadas? Continua para Módulo 2: Fundamentos MCP com AI Toolkit onde vais aprender a:

• Ligar os teus agentes a ferramentas externas usando o Model Context Protocol (MCP)
• Construir agentes de automação de browser com Playwright
• Integrar servidores MCP com os teus agentes AI Toolkit
• Potenciar os teus agentes com dados e capacidades externas

Aviso Legal:
Este documento foi traduzido utilizando o serviço de tradução automática Co-op Translator. Embora nos esforcemos para garantir a precisão, por favor tenha em conta que traduções automáticas podem conter erros ou imprecisões. O documento original na sua língua nativa deve ser considerado a fonte autorizada. Para informações críticas, recomenda-se tradução profissional humana. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações incorretas decorrentes da utilização desta tradução.