Fundamentos de LLMs e programação baseada em intenção

Do zero

Um modelo de linguagem de grande porte (LLM, Large Language Model) é um autocompletar gigante. O celular sugere a próxima palavra de uma mensagem; o LLM faz o mesmo, só que treinado com uma quantidade enorme de textos e de código, e com tanta prática que, de prever o próximo pedaço, surge a capacidade de resumir, traduzir, explicar e programar.

Três ideias para entender como ele funciona:

• Token: o modelo não lê palavras inteiras, e sim pedaços delas. “Auditoria” pode virar dois ou três tokens. Tudo se mede em tokens: o tamanho da pergunta, o da resposta e o custo.
• Janela de contexto: é a mesa de trabalho do modelo. Tudo o que ele considera ao responder precisa caber ali: as instruções, os arquivos colados, a conversa e a própria resposta. O que não está na mesa, ele não vê.
• Plausível não é verdadeiro: o modelo gera um texto provável, escolhido token a token entre os mais prováveis; não consulta um banco de fatos. Por isso pode alucinar: inventar com toda a segurança uma função que não existe numa biblioteca.

Na programação, isso mudou o jeito de pedir código. Na programação baseada em intenção, o desenvolvedor diz o que quer e por quê, com as regras e os critérios de aceite, e a ferramenta propõe o como, o código, que a pessoa revisa e testa. No desenvolvimento orientado a linguagem natural, a especificação escrita em português (ou inglês) passa a ser um artefato central do projeto, de onde saem código e testes.

Frase para guardar: LLM prevê o próximo token dentro da janela de contexto; responde o plausível, não o garantido; na programação por intenção, a pessoa define o quê e confere o como.

Em 1 minuto

• Treinamento em etapas: pré-treinamento (prever o próximo token em grandes volumes de texto e código), ajuste por instruções (exemplos de pedidos e boas respostas) e aprendizado por reforço com feedback humano (RLHF) ou técnicas parecidas, para que o modelo siga pedidos e seja útil e seguro.
• Transformer e atenção: a arquitetura dos LLMs atuais; o mecanismo de atenção deixa cada token “olhar” os outros do contexto para decidir o que importa (detalhes na lição de redes neurais e PLN).
• Parâmetros de geração: a temperatura controla a aleatoriedade (baixa, respostas mais previsíveis; alta, mais variadas); o limite de tokens de saída corta respostas longas.
• Limitações: alucinação; data de corte do conhecimento (não sabe o que veio depois do treinamento, a não ser que receba no contexto); não determinismo (o mesmo pedido pode gerar respostas diferentes); sensibilidade à forma do pedido; custo e tempo crescem com os tokens.
• Programação baseada em intenção: objetivo, restrições e critérios de aceite em linguagem natural; a IA implementa; a pessoa verifica com testes e revisão. A responsabilidade continua de quem aprova.
• Ambiguidade é o risco central: linguagem natural dá margem a interpretações; exemplos concretos e testes viram o contrato que tira a dúvida.

Exemplo concreto: a multa por atraso, pedida por intenção

O pedido, com intenção e critérios de aceite:

Quero uma função Python que calcule a multa por atraso na entrega da prestação de contas.
Regras: sem multa até o prazo; 0,33% do valor por dia de atraso; teto de 20% do valor.
Critérios de aceite (valor de R$ 1.000,00): 0 dias → 0; 1 dia → 3,30; 60 dias → 198,00; 61 dias → 200,00.
Inclua os testes desses quatro casos.

O que a ferramenta propõe:

def multa_por_atraso(valor: float, dias: int) -> float:
    """Multa de 0,33% ao dia de atraso, limitada a 20% do valor."""
    if dias <= 0:
        return 0.0
    return round(valor * min(0.0033 * dias, 0.20), 2)

O que a pessoa confere: os quatro testes passam? O teto entra no lugar certo (61 dias daria 20,13%, e o teto corta para 20%)? O arredondamento é o que a norma pede? O valor em float aceita imprecisão de centavos? Em dinheiro, prefira Decimal. Se o pedido tivesse dito só “calcule a multa por atraso”, a ferramenta teria de adivinhar a taxa e o teto, e erraria com toda a confiança. Os critérios de aceite transformam a intenção em algo verificável.

Comparação: o que o LLM é e o que não é

Como a FCC cobra

• Etapas do treinamento (pré-treinamento, ajuste por instruções, RLHF).
• Temperatura e outros parâmetros de geração.
• Desenvolvimento orientado a linguagem natural e o papel da especificação.
• Responsabilidade humana pela revisão do código gerado.

Pegadinhas

Explique com suas palavras

Explique a um colega por que um assistente de IA pode inventar uma função que não existe e como pedir o código por intenção, com critérios de aceite, reduz esse risco.

1. Escreva sem olhar a lição, com frases curtas e um exemplo seu.
2. Onde travar ou precisar de jargão, há uma lacuna: releia só essa parte.
3. Compare com a explicação-modelo e reescreva o que faltou.

Sua explicação

Fica salva neste navegador.

Comparar com uma explicação-modelo

O assistente não procura a resposta num catálogo de funções verdadeiras: ele escreve o que parece mais provável depois do que leu. Se muitas bibliotecas têm uma função “validar_cnpj”, é plausível que a nossa também tenha, e ele a sugere com toda a confiança, mesmo que ela não exista. Ele também não conhece o nosso projeto, a não ser o que estiver na conversa.

Pedir por intenção é dizer exatamente o que se quer: as regras, os limites e exemplos de entrada e saída que precisam dar certo. Esses exemplos viram testes. Se o assistente inventar algo errado, o teste falha e o erro aparece antes de chegar ao sistema. A decisão final continua comigo, que reviso e aprovo.

Teste-se

Mais duas questões deste tópico estão em Questões.

Flashcards gerados

Ligação com o estudo de caso

Num caso sobre adotar IA no desenvolvimento, explique o que o LLM faz bem (gerar, resumir, explicar) e onde falha (alucina, não conhece o que não está no contexto, varia entre execuções). Proponha: pedidos por intenção com critérios de aceite, contexto do projeto fornecido à ferramenta, testes automatizados como contrato e revisão humana obrigatória antes do merge.

Fontes da lição

• Edital nº 01/2026, Anexo II, Engenharia de Software Assistida por IA e Sistemas Agentivos (fontes/edital-01-2026.txt).
• Ashish Vaswani e outros, “Attention Is All You Need” (2017), origem da arquitetura Transformer.
• Long Ouyang e outros, “Training language models to follow instructions with human feedback” (2022), ajuste por instruções e RLHF.
• Documentação da Anthropic sobre os modelos Claude (tokens e janela de contexto).