As 30 principais perguntas e respostas da entrevista sobre IA agêntica para 2025

Perguntas básicas da entrevista sobre IA agêntica

Começaremos com algumas perguntas básicas que fornecem definições e definem o tom do artigo. Alguns deles também incluem dicas sobre o que você deve preparar com antecedência.

Quais são alguns dos aplicativos de IA em que você trabalhou?

Os entrevistadores vão querer ouvir sobre sua experiência de forma pessoal e detalhada. Eles não estarão apenas procurando uma lista de projetos - já que provavelmente já têm isso em seu currículo - mas estarão avaliando a clareza com que você pode explicar cada projeto e sua função específica nele.

Certifique-se de preparar sua resposta com antecedência e de ter uma compreensão clara de seu trabalho anterior. Praticar com um amigo ou escrever pode ajudar você a organizar seus pensamentos.

Com quais bibliotecas, estruturas e ferramentas você tem experiência? De quais outras bibliotecas você já ouviu falar?

Da mesma forma que a pergunta anterior, os entrevistadores vão querer ouvir mais do que o que está listado em seu currículo. Esteja preparado para detalhar cada projeto em que você trabalhou e explicar todas as tecnologias utilizadas.

Lembre-se de que, nesse momento, você poderá receber muitas perguntas de acompanhamento. É importante que o empregador entenda o conjunto exato de habilidades que você possui. Certifique-se de revisar ou se familiarizar com bibliotecas como LlamaIndex ou LangChainpois essas são as bibliotecas de desenvolvimento de alto nível mais usadas. Além disso, sinta-se à vontade com fornecedores de modelos, como Huggingface ou Ollama.

O que é IA agêntica e como ela difere da IA tradicional?

A IA agêntica refere-se a sistemas de inteligência artificial que podem agir de forma autônoma, definir seus próprios objetivos e adaptar-se a ambientes em constante mudança. Em contrapartida, a IA tradicional normalmente opera com regras predefinidas, recebendo entradas e produzindo saídas.

Por exemplo, você pode discutir seus próprios projetos ou mencionar outros aplicativos de IA agêntica que tenha usado ou ouvido falar. Para obter uma explicação mais detalhada de cada um, recomendo que você leia o seguinte artigo sobre IA agêntica.

O que você acha interessante em trabalhar com IA agêntica?

Essa é uma pergunta comum criada para entender suas motivações e interesses. Normalmente muito aberta, a pergunta permite que você vá em qualquer direção e converse genuinamente com o entrevistador.

Tenha uma boa história ou uma explicação pronta para isso, certifique-se de ser entusiasmado, específico e tente falar sobre algo relacionado à função. Se você não conseguir identificar algo específico, tente falar sobre um produto que você usa e por que ele é interessante ou interessante.

Você pode dar um exemplo de um aplicativo de IA agêntica e falar sobre seus componentes?

Por exemplo, vamos falar sobre um carro autônomo. Primeiro, considere os objetivos que o carro precisa atingir: ele deve dirigir e navegar autonomamente pelas estradas, construir rotas ideais, evitar obstáculos e, o mais importante, manter os passageiros seguros.

Depois que as metas forem definidas, podemos ver como o aplicativo pode ser estruturado. Um modelo principal poderia ser responsável por dirigir o carro, recebendo informações contínuas ou sob demanda de modelos menores que lidam com tarefas como otimização de rotas ou recuperação de informações ambientais.

Durante a entrevista, você pode se aprofundar em cada um desses componentes. Sinta-se à vontade para apresentar seus próprios exemplos também.

Com quais LLMs você já trabalhou até agora?

Esteja pronto para discutir em detalhes modelos específicos com os quais você trabalhou. Os empregadores vão querer saber se você entende bem o modelo internamente. Por exemplo, você deve estar pronto para discutir modelos de código aberto, como o Llama, ou modelos proprietários de GPT.

Essa também é uma boa oportunidade para mencionar novos modelos e mostrar ao entrevistador que você está se mantendo atualizado. Você pode, por exemplo, falar sobre Deepseek R1 e outros modelos de raciocínio.

Qual é a sua experiência com o uso de LLMs por meio da API?

Esta pergunta é sobre o uso de LLMs por meio da API em vez de uma janela de bate-papo. Esteja pronto para falar sobre seus projetos se eles usarem APIs. Certifique-se de revisar o uso de APIs, a geração e o armazenamento de chaves secretas, o monitoramento de custos e os diferentes provedores de modelos. Esse também pode ser um bom lugar para você falar sobre sua experiência em engenharia.

Se você não tiver experiência suficiente com o uso de LLMs por meio da API, considere estes recursos:

• Tutorial da API do GPT-4.5: Primeiros passos com a API da OpenAI
• DeepSeek API: Um guia com exemplos e cálculos de custos
• Mistral OCR: Um guia com exemplos práticos

Você já usou modelos de raciocínio?

Com o surgimento de modelos de raciocínio como o OpenAI o3 e o DeepSeek-R1, os empregadores vão querer saber sobre sua experiência e familiaridade com eles. Isso vai além da simples seleção de um modelo diferente em um aplicativo ou chamada de API, pois esses modelos produzem tokens de pensamento e geralmente exigem um padrão de uso diferente.

Você pode causar uma boa impressão se souber como ajustar e executar localmente um modelo de código aberto, pois isso é algo de que a empresa para a qual você está sendo entrevistado pode precisar. Para praticar, considere a possibilidade de fazer o ajuste fino do DeepSeek-R1 e executá-lo localmente:

• Ajuste fino do DeepSeek R1 (modelo de raciocínio)
• Como configurar e executar o DeepSeek-R1 localmente com o Ollama

Você usa LLMs em seu fluxo de trabalho diário? Se sim, para quê?

Se você usa LLMs em seu fluxo de trabalho, esta pode ser a sua chance de mostrar sua experiência. Você pode falar sobre as ferramentas que usou, o que gostou ou não gostou nelas e até mesmo sobre o que está esperando. Considere mencionar ferramentas populares como Cursor, NotebookLM, Lovable, Replit, Artefatos de Claude, Manus AIetc.

Quais são algumas das fontes que você usa para se manter atualizado sobre a IA agêntica?

Alguns empregadores vão querer saber se você está ou pode estar atualizado com a IA. As fontes que você pode incluir em sua resposta são Conferências sobre IAfóruns, boletins informativos e assim por diante.

Você se sente à vontade para ler e entender papéis e documentação?

Ler literatura, artigos e documentação faz parte de quase todos os trabalhos de IA. Você também pode ser questionado sobre sua abordagem geral para aprender ou recuperar informações. É uma boa ideia não parecer que você depende demais dos chatbots em sua resposta.

Esteja preparado para falar sobre um artigo recente que você leu - por exemplo, você pode falar sobre A arquitetura de titãs do Google.

Perguntas da entrevista sobre IA agêntica intermediária

Agora, com as perguntas básicas fora do caminho, podemos nos aprofundar um pouco mais e discutir algumas perguntas intermediárias que podem ser feitas ou servir como uma boa referência.

Qual é a sua opinião sobre a ética dessa função e sobre a IA agêntica em geral?

Acho que essa é uma pergunta bastante rara, mas ainda assim é bom que você pense sobre ela, talvez até de forma geral e não particularmente em uma entrevista. Você pode pensar em ideias tangentes à função para a qual está se candidatando ou em ideias mais gerais, como aplicativos de IA que tomam decisões que afetam a vida humana. A pergunta definitivamente não tem uma resposta correta e, em geral, serve apenas para verificar o quanto você se importa ou pensou sobre o campo.

Quais riscos de segurança devem ser considerados ao implantar agentes autônomos de IA?

Há várias preocupações de segurança que você deve ter em mente ao implantar agentes autônomos de IA. Um risco é que o modelo possa ter acesso a ferramentas ou bancos de dados internos confidenciais. Se o modelo não estiver devidamente protegido ou autorizado, um usuário mal-intencionado poderá usar injeção imediata ou adversária para extrair dados privados ou acionar ações não intencionais.

Outro risco envolve a manipulação do comportamento do modelo por meio de prompts ou entradas externas cuidadosamente elaboradas. Um invasor pode induzir o modelo a ignorar as restrições de segurança, aumentar os privilégios ou se comportar de maneira diferente da função pretendida.

Há também a possibilidade de ataques do tipo negação de serviço, em que o modelo é sobrecarregado com solicitações ou induzido a interromper suas próprias operações. Se um agente controlar a infraestrutura crítica ou os fluxos de trabalho automatizados, isso poderá levar a interrupções maiores.

Para atenuar esses riscos, é importante aplicar os princípios da segurança tradicional de software: privilégio mínimo, validação rigorosa de entrada, monitoramento, limitação de taxa e equipe vermelha contínua do comportamento do agente.

Quais trabalhos humanos você acha que serão substituídos em breve por aplicativos de IA agêntica e por quê?

Os entrevistadores podem fazer essa pergunta para entender o que você entende sobre os recursos de IA agêntica no estado atual. Eles não estarão apenas procurando por uma lista, mas por uma explicação cuidadosa do seu raciocínio.

Por exemplo, eu pessoalmente não acho que os médicos serão substituídos tão cedo - especialmente aqueles cujas decisões afetam diretamente vidas humanas - e isso está relacionado à ética. Há muito o que explorar aqui, e você pode até discutir se acha que é bom ou ruim que determinados trabalhos sejam substituídos por IA.

Você pode descrever alguns desafios que enfrentou ao trabalhar em um aplicativo de IA?

Embora essa seja uma pergunta sobre "você", eu a coloquei na seção intermediária porque é bastante comum e os entrevistadores tendem a dar muita importância a ela. Definitivamente, você precisa ter um exemplo sólido preparado - não tente inventar algo na hora.

Se você ainda não enfrentou nenhum desafio importante, tente pelo menos falar sobre uma situação teórica e como você lidaria com ela.

Perguntas da entrevista sobre IA agêntica avançada

Por fim, vamos discutir algumas questões mais avançadas e técnicas. Tentarei ser o mais genérico possível, embora, em geral, durante a entrevista real, as perguntas possam ser mais específicas. Por exemplo, em vez de perguntar sobre indexação em geral, você pode ser questionado sobre diferentes métodos de indexação suportados pelo Langchain ou pelo Llama-Index.

Qual é a diferença entre o sistema e o prompt do usuário?

Os prompts do sistema e do usuário são entradas fornecidas a um modelo de linguagem, mas desempenham funções diferentes e geralmente têm níveis diferentes de influência.

O prompt do sistema é uma instrução oculta que define o comportamento geral ou a personalidade do modelo. Ele não está diretamente visível para o usuário durante uma conversa, mas desempenha um papel fundamental. Por exemplo, o prompt do sistema pode dizer ao modelo para agir como um assistente útil, um matemático ou um planejador de viagens. Ele define o tom, o estilo e as restrições da interação.

O prompt do usuário, por outro lado, é a entrada que o usuário digita diretamente, como uma pergunta ou uma solicitação. É a isso que o modelo responde em tempo real.

Em muitas configurações, o prompt do sistema tem mais peso, ajudando a manter um comportamento consistente em todas as sessões, enquanto o prompt do usuário orienta o conteúdo específico de cada resposta.

Como você programa um sistema de IA agêntica para priorizar a concorrência de determinadas metas ou tarefas?

Os sistemas de IA com agentes são normalmente programados definindo objetivos claros, atribuindo ferramentas apropriadas e estruturando a lógica que determina como o agente prioriza as tarefas quando as metas competem. Isso geralmente envolve o uso de uma combinação de prompts, chamadas de função e lógica de orquestração - às vezes em vários modelos ou subsistemas.

Uma abordagem é definir uma hierarquia de metas e atribuir pesos ou regras que orientem o agente na escolha da tarefa a ser executada quando surgirem conflitos. Alguns sistemas também usam componentes de planejamento ou etapas intermediárias de raciocínio (como loops de reflexão ou scratchpads) para avaliar as compensações antes de agir.

Se você é novo no assunto, recomendo que comece com artigo do Anthropic sobre padrões de design de agentes. Ele oferece exemplos concretos e arquiteturas comuns usadas em sistemas do mundo real. Muitos dos conceitos parecerão familiares se você tiver experiência em engenharia de software, especialmente no que se refere a design modular, gerenciamento de estado e execução de tarefas assíncronas.

Você se sente confortável com a solicitação e a engenharia de solicitação? De quais abordagens você já ouviu falar ou usou?

Engenharia de prompts é um componente importante de um sistema de IA agêntica, mas também é um tópico que tende a convidar a estereótipos - portanto, é importante evitar declarações vagas sobre sua importância e, em vez disso, concentrar-se nos detalhes técnicos de como você a aplica.

Aqui está o que eu consideraria uma boa resposta:

Sinto-me bastante à vontade com o prompting e a engenharia de prompt, e já usei várias técnicas tanto em projetos quanto em tarefas cotidianas. Por exemplo, eu uso regularmente estímulos de poucos disparos para orientar os modelos em relação a um formato ou tom específico, fornecendo exemplos. Eu também uso estímulo de cadeia de pensamento quando preciso que o modelo raciocine passo a passo - isso é especialmente útil para tarefas como codificação, quebra-cabeças lógicos ou planejamento.

Em aplicativos mais estruturados, fiz experiências com ajuste de prompt e compressão de promptespecialmente ao trabalhar com APIs que cobram por contagem de tokens ou exigem controle rígido sobre as saídas. Essas técnicas envolvem a redução dos prompts aos seus componentes mais essenciais, preservando a intenção e o desempenho.

Como o campo está evoluindo rapidamente, tenho o hábito de ler artigos recentes, repositórios do GitHub e atualizações de documentação, acompanhando técnicas como chamada de funçãoa chamada de função, o prompting aumentado por recuperação e o encadeamento modular de encadeamento de prompts modulares.

O que é uma janela de contexto? Por que seu tamanho é limitado?

Uma janela de contexto refere-se à quantidade máxima de informações, medida em tokens, que um modelo de linguagem pode processar de uma só vez. Isso inclui o prompt atual, qualquer histórico de conversas anteriores e instruções no nível do sistema. Quando o limite da janela de contexto for atingido, os tokens mais antigos poderão ser truncados ou ignorados.

O motivo pelo qual a janela de contexto é limitada se resume a restrições computacionais e arquitetônicas. Em modelos baseados em transformadoresos mecanismos de atenção exigem o cálculo de relações entre todos os tokens no contexto, o que cresce quadraticamente com o número de tokens. Isso torna o processamento de contextos muito longos caro e lento, especialmente no hardware atual. Os modelos anteriores, como os RNNs, não tinham um limite estrito de contexto da mesma forma, mas tinham dificuldade para reter dependências de longo alcance de forma eficaz.

O que é geração aumentada por recuperação (RAG)?

A geração aumentada por recuperação (RAG) é uma técnica que aprimora os modelos de linguagem, permitindo que eles recuperem informações relevantes de fontes externas antes de gerar uma resposta. Em vez de depender exclusivamente do que o modelo aprendeu durante o treinamento, os sistemas RAG podem acessar dados atualizados ou específicos do domínio no momento da inferência.

Uma configuração típica de RAG tem dois componentes principais: um recuperador, que pesquisa um banco de dados ou uma coleção de documentos para obter um contexto relevante com base na consulta de entrada, e um gerador, que usa essas informações recuperadas para produzir uma resposta mais precisa e informada. Essa abordagem é especialmente útil para tarefas que exigem precisão factual, memória de longo prazo ou conhecimento específico do domínio.

Que outras arquiteturas de LLM você já ouviu falar fora do transformador?

Embora o transformador seja a arquitetura dominante na IA atualmente, há vários outros tipos de modelos que vale a pena conhecer. Por exemplo, xLSTM baseia-se na arquitetura LSTM com aprimoramentos que melhoram o desempenho em sequências longas, mantendo a eficiência.

Mamba é outra arquitetura promissora: ela usa modelos de espaço de estado seletivo para lidar com o processamento de contexto longo de forma mais eficiente do que os transformadores, especialmente para tarefas que não exigem atenção total em cada token.

A arquitetura Titans do Google do Google também merece atenção. Ele foi projetado para abordar algumas das principais limitações dos transformadores, como a falta de memória persistente e os altos custos de computação.

Essas arquiteturas alternativas têm como objetivo tornar os modelos mais eficientes, dimensionáveis e capazes de lidar com entradas mais longas ou mais complexas sem exigir recursos maciços de hardware.

O que são o uso de ferramentas e a chamada de funções em LLMs?

A chamada de ferramentas e funções permite que grandes modelos de linguagem interajam com sistemas externos, como APIs, bancos de dados ou funções personalizadas. Em vez de depender apenas do conhecimento pré-treinado, o modelo pode reconhecer quando uma tarefa exige informações atualizadas ou especializadas e responder chamando uma ferramenta apropriada.

Por exemplo, se você perguntar a um modelo com acesso a uma API de clima: "Qual é o clima em Londres?", ele pode decidir chamar essa API em segundo plano e retornar os dados em tempo real em vez de gerar uma resposta genérica ou desatualizada. Essa abordagem torna os modelos mais úteis e confiáveis, especialmente para tarefas que envolvem dados em tempo real, cálculos ou ações fora dos recursos internos do modelo.

O que é cadeia de pensamento (CoT) e por que ela é importante em aplicativos de IA agêntica?

Cadeia de raciocínio (CoT) é uma técnica de estímulo que ajuda os modelos de linguagem a decompor problemas complexos em um raciocínio passo a passo antes de produzir uma resposta final. Ele permite que o modelo gere etapas intermediárias de raciocínio, o que melhora a precisão e a transparência, especialmente em tarefas que envolvem lógica, matemática ou tomada de decisões em várias etapas.

A CoT é amplamente usada em sistemas de IA agêntica. Por exemplo, quando um modelo estiver atuando como juiz em uma avaliação, você pode pedir que ele explique a resposta passo a passo para entender melhor o processo de decisão. A CoT também é uma técnica essencial em modelos focados em raciocínio, como o OpenAI o1em que o modelo primeiro gera tokens de raciocínio antes de usá-los para produzir o resultado final. Esse processo de pensamento estruturado torna o comportamento do agente mais interpretável e confiável.

O que é rastreamento? O que são vãos?

O rastreamento é o processo de registro e visualização da sequência de eventos que ocorrem durante uma única execução ou chamada de um aplicativo. No contexto dos aplicativos LLM, um rastreamento captura a linha do tempo completa das interações - como várias chamadas de modelos, uso de ferramentas ou pontos de decisão - em um fluxo de execução.

Um intervalo é um único evento ou operação dentro desse rastreamento. Por exemplo, uma chamada de modelo, uma invocação de função ou uma etapa de recuperação seriam registradas como períodos individuais. Juntos, os intervalos ajudam você a entender a estrutura e o comportamento do seu aplicativo.

O rastreamento e os intervalos são essenciais para depurar e otimizar os sistemas agênticos. Eles facilitam a identificação de falhas, gargalos de latência ou comportamentos não intencionais. Ferramentas como o Arize Phoenix e outras oferecem interfaces visuais para inspecionar traços e intervalos em detalhes.

O que são avaliações? Como você avalia o desempenho e a robustez de um sistema de IA agêntica?

As avaliações são essencialmente os testes de unidade da engenharia de IA autêntica. Eles permitem que os desenvolvedores avaliem o desempenho do sistema em diferentes cenários e casos extremos. Há vários tipos de avaliações comumente usadas atualmente. Uma abordagem é usar um conjunto de dados de verdade fundamental criado manualmente para comparar os resultados do modelo com as respostas corretas conhecidas.

Outra abordagem é usar um LLM como juiz para avaliar a qualidade, a precisão ou o raciocínio por trás das respostas do modelo. Algumas avaliações testam o sucesso geral da tarefa, enquanto outras se concentram em componentes individuais, como uso de ferramentas, planejamento ou consistência. A execução regular desses testes ajuda a identificar regressões, medir melhorias e garantir que o sistema permaneça confiável à medida que evolui. Para um mergulho mais profundo, recomendo que você dê uma olhada neste Guia de avaliação do LLM.

Você pode falar sobre a arquitetura do transformador e sua importância para a IA agêntica?

A arquitetura do transformador foi apresentada no influente artigo de 2017 "Atenção é tudo o que você precisa". Se você ainda não o leu, vale a pena ler - ele estabeleceu a base para quase todos os modelos modernos de linguagem grande.

Desde seu lançamento, muitas variações e melhorias foram desenvolvidas, mas a maioria dos modelos usados em sistemas de IA agêntica ainda se baseia em alguma forma do transformador.

Uma das principais vantagens do transformador é seu mecanismo de atençãoque permite que o modelo calcule a relevância de cada token na sequência de entrada para cada outro token, desde que tudo se encaixe na janela de contexto. Isso permite um bom desempenho em tarefas que exigem a compreensão de dependências de longo alcance ou o raciocínio em várias entradas.

Especificamente para a IA agêntica, a flexibilidade e o paralelismo do transformador o tornam adequado para lidar com tarefas complexas, como o uso de ferramentas, o planejamento e o diálogo de várias voltas - comportamentos essenciais na maioria dos sistemas agênticos atuais.

O que é observabilidade LLM e por que ela é importante?

A observabilidade do LLM refere-se à capacidade de monitorar, analisar e entender o comportamento de grandes sistemas de modelos de linguagem em tempo real. É um termo abrangente que inclui ferramentas como traces, spans e evals, que ajudam os desenvolvedores a obter visibilidade sobre como o sistema opera internamente.

Como os LLMs geralmente são vistos como "caixas pretas", a observabilidade é essencial para a depuração, o aprimoramento do desempenho e a garantia da confiabilidade. Ele permite que você rastreie como os modelos interagem entre si e com ferramentas externas, identifique pontos de falha e detecte comportamentos inesperados com antecedência. Nos sistemas de IA agêntica, em que várias etapas e decisões são encadeadas, a observabilidade é especialmente importante para manter a confiança e o controle.

Você pode explicar o ajuste fino e a destilação do modelo?

Ajuste fino do modelo é o processo de pegar um modelo pré-treinado e treiná-lo ainda mais em um novo conjunto de dados, geralmente para especializá-lo para um domínio ou tarefa específica. Isso permite que o modelo adapte seu comportamento e suas respostas com base em conhecimentos mais específicos ou atualizados.

Destilação de modelos é uma técnica relacionada em que um modelo menor ou menos capaz é treinado com base nas saídas de um modelo maior e mais avançado. O objetivo é transferir o conhecimento e o comportamento do modelo maior para o menor, geralmente resultando em modelos mais rápidos e eficientes com desempenho comparável. Por exemplo, desde o lançamento do Deepseek R1, muitos modelos menores foram destilados em suas respostas e alcançaram uma qualidade impressionante em relação ao seu tamanho.

Qual é a próxima tarefa de previsão de token e por que ela é importante? O que são modelos de assistente?

A previsão do próximo token, também conhecida como modelagem de linguagem autorregressiva, é a principal tarefa de treinamento por trás da maioria dos grandes modelos de linguagem. O modelo é treinado para prever o próximo token em uma sequência, considerando todos os tokens anteriores. Esse objetivo simples permite que o modelo aprenda gramática, fatos, padrões de raciocínio e até mesmo alguns recursos de planejamento. O resultado dessa fase inicial de treinamento é chamado demodelo básico .

Modelos de assistentes são modelos básicos que foram aprimorados para se comportarem de forma mais útil, segura ou conversacional. Esse ajuste fino geralmente envolve técnicas como ajuste de instruções supervisionadas e aprendizagem por reforço com feedback humano (RLHF)que orientam o modelo a responder mais como um assistente em vez de apenas completar o texto.

O que é a abordagem human-in-the-loop (HITL)?

A abordagem human-in-the-loop (HITL) refere-se ao envolvimento de humanos no treinamento, na avaliação ou no uso em tempo real de um LLM ou de um sistema de IA agêntica. A entrada humana pode ocorrer em vários estágios: durante o treinamento do modelo (por exemplo, rotulagem de dados, classificação de respostas), durante o ajuste fino (como no RLHF) ou até mesmo durante a execução, em que um humano pode orientar ou aprovar as ações de um agente.

Por exemplo, se um chatbot pedir que você escolha a melhor de duas respostas, você estará participando ativamente de um processo de HITL. Essa abordagem ajuda a melhorar a qualidade, a segurança e o alinhamento do modelo, incorporando o julgamento humano onde a automação por si só pode ser insuficiente.

Conclusão

Neste artigo, abordamos uma série de perguntas que podem surgir em uma entrevista de IA agêntica, juntamente com estratégias para pensar, pesquisar e responder a elas de forma eficaz. Para um estudo mais aprofundado, recomendo que você explore as referências mencionadas ao longo do artigo e confira os cursos de IA da DataCamp da DataCamp sobre o assunto para um aprendizado mais estruturado.