Plano aberto · em andamento

Ramp-Up — Virando AI Engineer

Vaga-alvo: AI Engineer (GenAI aplicada / agentic — não pesquisa em ML).

Esse é o meu ramp-up em público. Já trabalho como AI Engineer — GenAI aplicada e o loop de desenvolvimento AI-native — construído sobre 18+ anos entre SDLC e sistemas distribuídos como arquiteto de aplicações cloud e distribuídas. Esta página é o plano para a profundidade que ainda estou construindo, o raciocínio por trás dele, e as fontes exatas que estou usando. Publico porque a maior parte do conteúdo de "como virar AI Engineer" é ou gatekeeping de PhD em ML ou thread de hype, e nenhum dos dois me ajudou.

Aviso honesto: isso é um plano em andamento, não uma volta olímpica. A identidade está firmada; a profundidade ainda está compondo. Pega o que servir, ignora o resto.

Como isso começou: no início de 2026 peguei o Kiro — um IDE agentic — e o loop AI-native fez sentido. Em seguida entrou na minha vida pessoal (Claude, Cowork), depois em projetos pessoais construídos com Claude Code. Este site e este ramp-up fazem parte do mesmo movimento: uma transição que estou vivendo em público, não um claim que estou fazendo.

1. Primeiro, acerte a categoria

"AI Engineer" e "ML Engineer" são trabalhos diferentes que dividem uma palavra. Perdi tempo antes de enxergar isso com clareza.

Trilha ML / Data Science: treinar e fazer fine-tuning de modelos, SageMaker, PyTorch, diffusion/LoRA, sistemas de recomendação e antifraude. É um trabalho de verdade. Não é o que eu quero.
Trilha GenAI aplicada / Agentic: construir aplicações em cima de foundation models — agentes, tool-calling, RAG, avaliação, orquestração — e colocar isso em produção com rigor. É essa a trilha.

Li vagas de agentic em fintechs e marketplaces brasileiros e em startups AI-native americanas. Elas quase nunca pedem pra treinar modelo. Pedem agentes, avaliação, observabilidade, gestão de prompt/contexto e cabeça de sistemas distribuídos. Esse é o perfil-alvo — filtre seu estudo por ele.

O filtro em uma linha: GenAI aplicada, não pesquisa em ML.

2. Se você vem de software, seu histórico é um fosso — não um handicap

O instinto é se sentir atrasado por não ter feito ML. Instinto errado.

"Saber montar um agente" vira commodity rápido — todo mundo que migrar vai aprender. A habilidade escassa é construir agentes com o rigor que falta na maior parte do trabalho com IA: avaliação, observabilidade, testes, controle de custo, modos de falha, blast radius. É exatamente o que anos de SDLC e distribuídos te dão.

Então a estratégia inverte o óbvio: não se apoie demais na parte glamourosa de "construir um agente". Se apoie na parte sem glamour, a de produção. É onde um histórico de software ganha e um de ML frequentemente não. As vagas de agentic confirmam — avaliação e observabilidade aparecem com mais constância do que qualquer habilidade de construir modelo.

3. O método: prática primeiro, e todo tópico entrega algo

Eu não retenho lendo. Retenho construindo. Então o plano tem uma regra só:

Nenhum tópico termina em resumo. Todo tópico termina num artefato pequeno e publicado.

O loop:

estudar um tópico → construir um artefato em Python que use aquilo → publicar (GitHub) → escrever sobre o que aprendi

Um movimento, quatro resultados: você retém (porque construiu), ganha prova (código público), ganha conteúdo, e ganha assunto pra entrevista. Revisão espaçada aqui significa resolver de novo sem olhar, não reler.

Se você também não retém lendo passivamente, rouba essa parte. É a decisão de maior alavancagem do plano inteiro.

4. Os tópicos — cinco pilares

Derivados de vagas reais, não de um currículo genérico. Nessa ordem:

Fundação Python-agentic — Python + um framework de agentes (LangGraph é o padrão de mercado hoje) + FastAPI/Docker/Git. Se você vem de outra linguagem (eu venho de Java), essa é sua lacuna de verdade. Não os conceitos — a prova em Python.
Avaliação + Observabilidade de agentes — LLM-as-judge, teste A/B de prompt, pipelines de eval; mais tracing, métricas, logging. É o requisito que mais se repete nas vagas, e onde um histórico de software brilha.
RAG + MCP — embeddings, busca vetorial, recuperação semântica; e o Model Context Protocol pra integração de ferramentas e conectores. MCP ainda é raro em currículo, o que o torna diferencial.
Agentes cloud-native — rodar agentes em produção numa cloud (no meu caso: AWS Bedrock + AgentCore), com guardrails e defesa contra prompt injection.
Credencial + narrativa — uma certificação opcional como filtro (estou de olho na AWS Certified Generative AI Developer – Professional), e transformar os artefatos num portfólio público.

Transversais, aplicados em tudo: engenharia de prompt/contexto e rigor puro de SDLC (testes, CI/CD, arquitetura limpa).

Uma nota sobre a certificação: ela é filtro, não diferencial. Nenhum time de agentic contrata por certificado — contrata por prova de código. Trate como marco, não como centro.

5. O roadmap (6–12 meses, uma coisa por vez)

Montado como transição planejada, não como sprint — eu tenho um emprego. Uma cadência que sobrevive a uma semana ruim ganha de um pique que queima. Cada fase entrega um artefato; o mesmo agente evolui entre as fases (mais fácil de construir e mais fácil de narrar que cinco demos desconexas).

Fase 0 — Setup: ambiente Python, um repo de portfólio, e escolher o domínio do primeiro agente a partir de trabalho real.
Fase 1 — Python-agentic: construir o primeiro agente de verdade com LangGraph.
Fase 2 — Eval + Observabilidade: instrumentar esse agente — harness de avaliação + tracing/métricas. (É aqui que o fosso para de ser invisível: o rigor é o artefato, não a biografia.)
Fase 3 — RAG + MCP: adicionar uma camada de conhecimento e expor uma capacidade como servidor MCP.
Fase 4 — Cloud-native: rodar em produção com guardrails.
Fase 5 — Credencial + consolidação: certificação + portfólio polido + textos.

"Pronto" pra mim significa: 3–4 projetos Python-agentic publicados (cada um com prova de eval/observabilidade), a certificação, alguns textos, e conseguir sustentar uma entrevista técnica sobre design de agente, avaliação e trade-offs.

6. As fontes que eu realmente uso

Lista real, com links. Livros são a camada canônica/profunda; YouTube é a camada aplicada/explicada; X e Instagram são a camada de fronteira/sinal — onde eu descubro que algo existe, não onde eu aprendo.

Livros (O'Reilly)

Metade dessa estante ainda está saindo capítulo por capítulo enquanto eu leio. É o campo sendo o que é: esperar o livro pronto é ler indicador atrasado.

AI Engineering — Chip Huyen. A fundação. Centrado em modelo: foundation models, avaliação, prompting, RAG, finetuning, inferência, arquitetura. Se for ler um, leia esse. (terminado)
Building Applications with AI Agents — Michael Albada. Agentes ponta a ponta: design, ferramentas, orquestração, memória, multi-agente, validação, monitoramento, segurança, colaboração humano-agente. (terminado)
AI Agents with MCP — Kyle Stratis. MCP focado e prático: clients, servers, transports, testar e proteger. (lendo)
AI Agents: The Definitive Guide — Nicole Koenigstein. Voltado a produção: contratos, governança de ferramentas, design de custo, threat modeling. (na fila)
An Illustrated Guide to AI Agents — Maarten Grootendorst & Jay Alammar. Visual, intuição primeiro: modelos de raciocínio, memória, planejamento, multi-agente, code agents. (na fila)
Hands-On Large Language Models — Jay Alammar & Maarten Grootendorst. A camada debaixo do agente: tokens, embeddings, attention, fine-tuning — visual e prático. Mesmos autores do guia ilustrado acima, mas sobre o modelo em vez do agente. (na fila)

Os links vão pro catálogo da O'Reilly; ler exige assinatura.

YouTube

Três pra começar — um por canal, escolhidos pra mostrar por que o canal merece o lugar dele aqui, não porque têm o número maior. Assiste um, e se colar, segue o canal.

Anthropic — a explicação curta mais clara que vi do que acontece de fato dentro de um modelo. Não é demo de produto: é um resultado de interpretabilidade, contado em cinco minutos.

Claude — a porta de entrada. Se você só conhece o produto de chat, são os dois minutos que reenquadram o Claude como ferramenta que se dirige do terminal.

Lucas Montano — PT-BR, e a coisa mais honesta que achei sobre a pergunta que essa página trata: o que sêniores estão de fato fazendo com IA, passando das demos.

O resto do que assisto, ranqueado por quanto eu realmente assisto — não por número de seguidor:

Anthropic · Claude · Lucas Montano — os três acima, com folga os canais aos quais eu mais volto.
Kiro — IDE agentic, vale assistir mesmo usando outra.
AWS · AWS Developers · AWS Events — IA cloud-native na AWS.
Y Combinator — pra onde o campo está indo, pelo lado de quem constrói.
Dwarkesh Patel — conversas longas com pesquisadores de IA; profundidade e alinhamento.
Andrej Karpathy — deep-dives fundamentais de LLM; o long-form mais claro de "o que realmente roda por baixo".
Chase AI · Zack the AI Guy — walkthroughs práticos de Claude/agentes.
IBM Technology — explicações limpas de quadro branco sobre conceitos centrais.
Matt Pocock · bycloud · Shaw Talebi — tutoriais práticos de AI coding e agentes.
Jeff Su · Fireship — IA aplicada ao trabalho e contexto rápido de fronteira.
Brock Mesarich — IA pra quem não é técnico; boa rampa se você está começando do zero.
Systems Made Better — sistemas e automação de workflow com IA.

X / Twitter

@AnthropicAI · @ClaudeDevs · @bcherny (Boris Cherny, Claude Code) — o mais perto da fonte em ferramental de dev agentic.
@OpenAI · @OpenAIDevs — Codex e o outro lado da fronteira.
@rubenhassid · @sairahul1 · @tom_doerr — praticantes postando técnicas e ferramentas que valem roubar.
@virattt — IA aplicada a finanças, se esse for seu domínio.
@garrytan (Garry Tan, YC) — a lente de fundador/investidor sobre onde a IA está indo.
@JensenHuang (Jensen Huang, NVIDIA) — a lente da indústria: para onde o compute de IA e a fronteira estão indo, de quem constrói o hardware por baixo.
@karpathy (Andrej Karpathy) — educação fundamental de LLM e takes de fronteira de um dos professores mais claros do campo.
PT-BR: @AkitaOnRails (Fabio Akita) · @glaucia_lemos86 (Glaucia Lemos) — vozes brasileiras de dev indo fundo nisso.

Trate X como sinal, não como verdade — é onde você descobre o que é novo, e daí vai verificar nos livros.

Instagram

Vídeo curto faz parte de como eu me mantenho atualizado, então deixar de fora seria pose. Mas vou ser direto sobre a proporção: a maior parte do conteúdo de "Claude" no Instagram é isca — "comenta GUIA que eu te mando minha biblioteca de prompts" — e boa parte simplesmente erra sobre o que o produto faz. Passei pela minha própria pasta de salvos pra escrever essa seção e joguei fora uns dois terços.

O que sobrou, e por quê:

@lucasmontano — PT-BR, a contraparte em formato curto do canal que eu já assisto em formato longo.
@codewithbrij — a explicação curta mais clara que vi do Claude Code como sistema em camadas: CLAUDE.md → skills → hooks → subagents → plugins. Bate com a arquitetura que eu de fato rodo nos meus repos, e é por isso que eu confio.
@brunobracaioli — PT-BR sobre MCP, e o melhor enquadramento em uma linha que eu li: sem MCP o modelo é um gênio trancado numa sala vazia.
@allesinisgalli — PT-BR, skills do Claude Code, concreto e sem pedir comentário em troca.
@oleg.build — servidores MCP que valem plugar; útil como varredura do que existe.

Só links, sem embed — de propósito. A regra deste site é que nada de terceiro carrega antes de você pedir: os vídeos acima ficam atrás de um facade que só carrega no clique. O embed do Instagram não oferece isso — o script dele roda no instante em que a página abre — então ele não entra.

GitHub — as skills e os loops que essas pessoas realmente rodam

As configs e os conjuntos de skills que elas usam, em aberto — só perfis e repos oficiais.

Matt Pocock — as skills que ele de fato usa, direto do setup dele:

mattpocock/skillsShellAs skills do `.claude` do próprio Matt Pocock — disciplina de engenharia (TDD, modelagem de domínio, review) que mantém o AI coding honesto.→ Ver no GitHub

Garry Tan — a stack de agente que ele usa, e a memória que a sustenta:

garrytan/gstackTypeScriptUma stack de agente opinativa plugada no Claude Code — um time de engenharia virtual atrás de slash commands, com seu próprio `skills.md`.→ Ver no GitHub garrytan/gbrainTypeScriptA camada de memória de um agente — um grafo de conhecimento auto-montável que o faz lembrar entre execuções.→ Ver no GitHub

E o especial — Andrej Karpathy, a melhor forma gratuita de entender de verdade o que roda por baixo:

karpathy/nanoGPTPythonO GPT compacto que de fato reproduz o GPT-2 — leia de ponta a ponta e a arquitetura deixa de ser caixa-preta.→ Ver no GitHub karpathy/llm.cC/CUDATreino de LLM em C/CUDA puro, sem framework no meio do caminho — a camada abaixo da camada.→ Ver no GitHub karpathy/nanochatPythonUma stack estilo ChatGPT inteira num código hackeável — do pré-treino até a interface de chat.→ Ver no GitHub karpathy/minGPTPythonO GPT didático que começou a linhagem — algumas centenas de linhas que tornam o transformer legível.→ Ver no GitHub

7. A parte honesta

Eu não coloquei agentes em produção em escala, e não vou fingir que sim. O que estou construindo é um loop de desenvolvimento que transforma técnicas AI-native em software pronto pra produção — e a prova pública desse loop, conforme ele acontece.

Se você é engenheiro de software olhando pra essa transição: seu histórico não é um déficit a superar, é o que te torna raro nessa trilha. Construa em público, entregue pequeno, e deixe os artefatos argumentarem por você.