Você prepara um material com inteligência artificial, explica o público, fornece documentos, corrige a linguagem e ajusta o resultado. Depois de algumas rodadas, o trabalho fica bom.
Ver resumo completo
Você prepara um material com inteligência artificial, explica o público, fornece documentos, corrige a linguagem e ajusta o resultado. Depois de algumas rodadas, o trabalho fica bom. Na semana seguinte, precisa produzir algo parecido e percebe que boa parte das decisões continua espalhada naquela conversa. O material foi salvo, mas o caminho para produzi-lo ainda depende da sua memória.
É esse problema que abordo em Não Comece do Zero, meu novo livro, com o subtítulo Crie especificações e prompts reutilizáveis para produzir materiais melhores com inteligência artificial. A proposta é ajudar o leitor a preservar contexto, regras, fontes e critérios de qualidade em arquivos que possam ser consultados, revisados e usados novamente.
Neste artigo, apresento a obra, explico o que significa construir uma especificação reutilizável e mostro uma forma pequena de experimentar a ideia. O objetivo é que a próxima tarefa aproveite decisões já conferidas, em vez de exigir uma reconstrução completa do trabalho. Ao final, você encontra os caminhos para conhecer a leitura e escolher sua edição.
Uma aula pode terminar com o quadro preenchido, os exercícios corrigidos e a sensação de que o conteúdo foi apresentado com clareza. Ainda assim, uma pergunta continua aberta: o que cada aluno consegue explicar ou fazer depois dessa experiência?
Ver resumo completo
Uma aula pode terminar com o quadro preenchido, os exercícios corrigidos e a sensação de que o conteúdo foi apresentado com clareza. Ainda assim, uma pergunta continua aberta: o que cada aluno consegue explicar ou fazer depois dessa experiência? Quando essa pergunta reaparece no encontro seguinte, a dificuldade não é apenas encontrar outra atividade. É decidir o que observar, qual apoio oferecer e o que vale a pena retomar.
É a partir desse problema que apresento meu livro Da teoria à próxima aula, um guia prático para compreender o aluno e acompanhar a aprendizagem, da educação básica ao ensino superior. A proposta é aproximar os fundamentos de quem aprende das decisões de quem ensina: planejar, explicar, escutar uma resposta, interpretar um erro e escolher a próxima intervenção.
Neste artigo, quero mostrar como organizei essa proposta, a quem a leitura se destina e que tipo de uso ela permite. Não se trata de anunciar uma receita capaz de resolver qualquer turma, nem de apresentar mais uma ferramenta obrigatória. O convite é construir critérios para uma pergunta cotidiana: diante do que o aluno demonstrou, qual será o próximo passo?
Quando um modelo de linguagem é usado por uma API, a experiência parece direta: envia-se um texto, definem-se algumas instruções e recebe-se uma continuação ou uma resposta. Para quem precisa integrar recursos de IA a um sistema, essa simplicidade é útil.
Ver resumo completo
Quando um modelo de linguagem é usado por uma API, a experiência parece direta: envia-se um texto, definem-se algumas instruções e recebe-se uma continuação ou uma resposta. Para quem precisa integrar recursos de IA a um sistema, essa simplicidade é útil. Mas ela também oculta quase todo o mecanismo que torna a saída possível.
Entre uma frase de entrada e a próxima palavra gerada existem decisões sobre como dividir texto, como representar símbolos numericamente, como calcular transformações entre vetores, como medir erros e como atualizar parâmetros. Há ainda regras arquiteturais que impedem o modelo de consultar indevidamente tokens futuros durante o treinamento de geração. Sem enxergar essas etapas, é fácil tratar o modelo como uma caixa-preta: algo que “entende” texto porque responde de maneira plausível.
Construir um modelo pequeno muda o foco. Não se trata de disputar qualidade, escala ou abrangência com modelos comerciais. Trata-se de converter conceitos abstratos em objetos, rotinas, dados de entrada, cálculos e testes que possam ser inspecionados. Um LLM educacional funciona, nesse sentido, como um laboratório: sua utilidade está menos no tamanho da resposta que produz e mais na clareza que oferece sobre o caminho até ela.
Conheça o livro e leia uma degustação: acesse a página oficial de Do Zero ao LLM com Delphi.
Quem mantém um sistema comercial em Delphi conhece a distância entre receber uma sugestão e entregar uma alteração confiável. Uma configuração precisa corresponder ao ambiente instalado, um documento deve representar os dados corretos e uma correção precisa sobreviver à compilação, aos testes e à operação.
Ver resumo completo
Quem mantém um sistema comercial em Delphi conhece a distância entre receber uma sugestão e entregar uma alteração confiável. Uma configuração precisa corresponder ao ambiente instalado, um documento deve representar os dados corretos e uma correção precisa sobreviver à compilação, aos testes e à operação. A inteligência artificial pode ajudar nesse percurso, mas uma resposta convincente ainda não demonstra que o trabalho foi resolvido.
É com essa preocupação que apresento meu novo livro, ACBr com IA na Prática: Inteligência artificial aplicada ao dia a dia do desenvolvimento com Delphi e ACBr. A proposta é aproximar a IA dos problemas concretos de desenvolvimento, diagnóstico e manutenção, sem transferir a ela a responsabilidade por decisões técnicas ou fiscais. O centro da leitura é um método de trabalho que o desenvolvedor consegue acompanhar, conferir e repetir.
Neste artigo, explico o recorte da obra, o que o leitor encontra nos materiais e como começar a aplicar essa abordagem em uma tarefa pequena. Não é preciso dominar inteligência artificial para entender a proposta. É importante, porém, reconhecer que produtividade não deve ser medida apenas pela quantidade de código produzido ou pela velocidade da primeira resposta.
Conheça o livro ACBr com IA na Prática, consulte o sumário e leia a degustação na página oficial.
Um sistema Delphi em produção raramente é apenas um conjunto de arquivos-fonte. Ele costuma concentrar regras de negócio acumuladas, integrações pouco documentadas, decisões tomadas sob restrições que já não existem e rotinas que funcionam porque foram ajustadas ao longo de muitos anos.
Ver resumo completo
Um sistema Delphi em produção raramente é apenas um conjunto de arquivos-fonte. Ele costuma concentrar regras de negócio acumuladas, integrações pouco documentadas, decisões tomadas sob restrições que já não existem e rotinas que funcionam porque foram ajustadas ao longo de muitos anos. Essa realidade pode gerar duas reações igualmente arriscadas: não mexer em nada ou decidir reescrever tudo.
A primeira conserva problemas conhecidos e reduz, aos poucos, a capacidade de adaptação. A segunda troca riscos visíveis por riscos novos: funcionalidades esquecidas, diferenças de comportamento, longos períodos sem entrega relevante e uma convivência difícil entre o sistema antigo e o substituto em construção. Entre esses extremos há uma disciplina de engenharia: modernizar progressivamente, em mudanças pequenas, verificáveis e reversíveis.
Modernizar não significa aplicar tecnologias recentes a qualquer custo. Significa aumentar a capacidade de entender, alterar, testar, entregar e operar o software com menos incerteza. Em um sistema Delphi, isso pode envolver desde tornar a compilação repetível até reduzir o acoplamento entre formulários VCL, regras de negócio e acesso a dados. O ponto de partida não é uma lista de ferramentas; é um diagnóstico honesto do risco.
Conheça o livro e leia uma degustação: acesse a página oficial de Delphi Vivo.
