Prova Final: Agentes de IA para Desenvolvedores

1 Um LLM gera texto principalmente:

Consultando Wikipedia em tempo real Prevendo o próximo token com base no contexto enviado Executando regras if/else fixas Copiando resposta de cache do Google

2 Em produção, o frontend nunca deve conter a API key do provedor de LLM.

Verdadeiro Falso

3 Histórico longo reenviado a cada mensagem impacta:

Só latência, nunca custo Tokens de input e custo financeiro a cada turno Apenas max_tokens Somente modelos open source

4 Temperature 0.1 + max_tokens 200 é preset adequado para:

Poema surrealista Agente de status de pedido com respostas curtas e consistentes Gerar 10 páginas de texto Desligar o LLM

5 HTTP 429 na API de LLM — estratégia correta:

Retry imediato infinito Exponential backoff com limite de tentativas Publicar key nova no GitHub Ignorar o erro

6 Few-shot prompting é útil quando:

Você precisa de formato ou labels específicos do seu domínio Quer eliminar system prompt API key expirou Precisa de fine-tuning obrigatório

7 System prompt deve ser versionado no repositório como código da aplicação.

Verdadeiro Falso

8 Por que persistir histórico no backend (não confiar no frontend)?

Frontend não suporta JSON Evitar manipulação de contexto e controlar tamanho/custo LLM exige PostgreSQL Reduzir CSS

9 Sliding window + resumo periódico serve para:

Aumentar alucinações Equilibrar coerência e custo em conversas longas Substituir API key Eliminar tools

10 Definição prática de agente neste curso:

Chatbot com nome humano LLM + loop de decisão + tools executadas pelo seu código Qualquer uso de ChatGPT Modelo fine-tuned obrigatoriamente

11 executeTool() deve validar argumentos e autorização antes de acessar dados internos.

Verdadeiro Falso

12 Projeto final mínimo exige:

CrewAI + LangGraph + MCP Web UI, backend, LLM, histórico e uma tool (FAQ/pedido/produto) Fine-tuning de 1B parâmetros Apenas documento Word

13 Cache hash(pergunta) para FAQ reduz:

Segurança Chamadas LLM repetidas e custo de tokens Necessidade de backend Rate limit

14 Assuntos explicitamente FORA deste curso incluem:

Consumir API REST de LLM LangGraph, RAG avançado, multiagentes e MCP Persistir histórico de chat Function calling básico

15 Após concluir, o desenvolvedor está preparado para:

Substituir equipe de ML em big tech Integrar IA em sites/sistemas e evoluir para RAG/MCP depois Ignorar custos de token Publicar API keys em repositório público

Entre para fazer a prova final

Prova Final: Agentes de IA para Desenvolvedores

Hora de revisar o conteúdo

Revisão das questões