Como usar este glossário
Você não precisa decorar nada. A ideia é que, quando alguém falar "o contexto estourou" ou "vamos colocar um MCP nisso", você saiba se aquilo é um detalhe técnico irrelevante para você ou um problema que vai afetar prazo, custo e risco do seu projeto.
Agrupei os 30 termos em blocos. Em cada um, explico o que é, e onde isso te afeta na prática. Quando o termo tem uma armadilha comum, ela vem marcada.
Bloco 1: como a IA "pensa" (termos de base)
1. Modelo
É o "cérebro" em si. GPT, Claude, Gemini, Llama são modelos. A ferramenta que você usa (Cursor, Copilot, Codex, Lovable) é a interface; o modelo é o motor por trás. A mesma ferramenta pode trocar de modelo, e a qualidade muda junto.
2. LLM (Large Language Model)
Modelo de linguagem grande. É a categoria à qual todos esses cérebros pertencem: sistemas treinados em quantidades enormes de texto para prever a próxima palavra. Todo o resto é consequência disso.
3. Token
A unidade de contagem. Um token é aproximadamente um pedaço de palavra: em português, algo próximo de três quartos de uma palavra em média. É por token que você paga. Tudo que entra (seu pedido, o código enviado) e tudo que sai (a resposta) é contado.
4. Contexto (ou janela de contexto)
Quanto o modelo consegue "ler de uma vez". Se a janela é de 200 mil tokens, é isso que ele enxerga naquela conversa. Quando você ouve "o contexto estourou", significa que o assunto passou do limite e a ferramenta começou a esquecer o começo da conversa — geralmente é aí que a IA passa a repetir erros já corrigidos.
5. Prompt
O que você escreve para a IA. Parece óbvio, mas é o item de maior impacto em qualidade. Prompt vago gera código genérico.
6. System prompt
Instruções fixas que a ferramenta injeta antes do seu pedido, sem você ver. Definem tom, regras e limites. Por isso a mesma pergunta dá respostas diferentes em ferramentas que usam o mesmo modelo.
7. Temperatura
Controle de "criatividade". Temperatura baixa deixa a resposta mais previsível e repetível; alta deixa mais variada. Para código, o padrão da maioria das ferramentas já é baixo, e você raramente precisa mexer.
8. Alucinação
Quando o modelo inventa algo com toda a confiança do mundo: uma função que não existe, uma biblioteca fictícia, um parâmetro errado. Não é bug, é característica. O modelo prevê texto plausível, não verdade verificada. Por isso código de IA precisa rodar e ser testado antes de ir para produção.
Bloco 2: os termos que aparecem nas reuniões técnicas
9. Vibe coding
Construir software descrevendo o que você quer em linguagem natural, aceitando o código gerado sem revisar linha a linha. Funciona bem para protótipo e ferramenta interna. Vira risco quando o produto lida com dinheiro ou dados de cliente.
10. Agente
Uma IA que não só responde: ela executa. Lê arquivos, roda comandos, cria e apaga coisas, testa e tenta de novo. É a diferença entre um assistente que sugere e um estagiário que mexe no projeto sozinho.
11. Agente autônomo
Agente que trabalha longos trechos sem pedir sua aprovação a cada passo. Ganha velocidade e perde controle. A pergunta certa aqui não é "funciona?", é "o que acontece se ele errar por vinte minutos seguidos?".
12. Loop de agente
O ciclo pensar-agir-observar-repetir. Quando o agente fica preso tentando a mesma coisa sem sair do lugar, é "loop infinito" — e isso queima tokens (leia-se: dinheiro) rápido.
13. Tool use / function calling
A capacidade do modelo de chamar ferramentas externas: buscar na web, consultar um banco, disparar um e-mail. É o que transforma um chat em algo útil dentro do seu negócio.
14. MCP (Model Context Protocol)
Um padrão aberto para conectar a IA a sistemas externos — banco de dados, planilha, CRM, gestor de tarefas — sem precisar de integração feita à mão para cada caso. Na prática: é o padrão de tomada. Antes, cada ferramenta tinha o próprio jeito de conectar; com MCP, o mesmo conector serve para vários lugares. Quando alguém diz "vamos colocar um MCP", está falando em dar à IA acesso a alguma fonte de dados sua.
15. RAG (geração aumentada por recuperação)
Técnica em que o sistema busca informação nos seus documentos antes de responder. É assim que se faz um assistente que conhece o manual da sua empresa sem retreinar modelo nenhum. É a resposta certa para "quero uma IA que saiba das minhas coisas".
16. Embedding
Transformar texto em números para que o computador consiga medir "o quanto dois textos falam da mesma coisa". É o motor de busca por trás do RAG. Você provavelmente nunca vai mexer nisso, mas vai ouvir a palavra.
17. Vector database (banco vetorial)
Onde os embeddings ficam guardados. É o arquivo de busca do RAG. Aparece em orçamento como um item de infraestrutura à parte.
18. Fine-tuning
Treinar um modelo existente com seus próprios dados para ajustar comportamento. Custa caro, exige volume de dados bem organizado e precisa ser refeito quando os dados mudam. Na maioria dos casos de pequeno e médio negócio, RAG resolve melhor e mais barato. Se alguém propõe fine-tuning de saída, peça a justificativa.