Primeiras aulas do curso
Olá! Muito bem-vindo, muito bem-vinda. Meu nome é Vinícius Neves, o calvo barbudo que acabou de se tornar seu melhor amigo, e estou aqui para conduzir a introdução da nova trilha.
Audiodescrição: Vinícius é uma pessoa calva e barbada.
Nós vamos apresentar o que você vai aprender e, sobretudo, detalhar conceitos muito relevantes.
Quais são esses conceitos? A grande premissa e a grande dúvida iniciais é: o que vamos aprender a programar, se a IA já faz isso? Essa pergunta tem diversas camadas.
Na prática, o que queremos fazer? Queremos entender todos os caminhos que vamos percorrer. Nesse cenário, começaremos desde o início. Precisamos compreender a lógica de programação e como funciona a web (rede). Vamos passar por HTML, CSS, JavaScript, React, back-end (camada de servidor) e bancos de dados. Nosso objetivo é entender o panorama completo, porque, quando compreendemos o que estamos fazendo, temos vocabulário e repertório para especificar e explicar à IA que vai gerar esse código exatamente o que precisa ser feito, da maneira adequada, com as devidas preocupações.
Vamos cobrir desde o front-end (camada de interface), passando pelo back-end (camada de servidor), até a publicação da aplicação. Com isso, vamos gerar o portfólio e trazer o dia a dia de uma pessoa desenvolvedora dentro de Trigger.
Além disso, vamos criar diversos projetos que reforçarão o portfólio e consolidarão o que aprendemos, formando uma base sólida de conhecimento. A engenharia sempre foi importante e, na era da IA, em que orquestramos o que está acontecendo, torna-se ainda mais relevante. Por isso, precisamos revisar todos esses conceitos.
A ideia desta Trigger é nos preparar não para uma dívida futura — isso já passou —, mas para compreendermos como é ser uma pessoa desenvolvedora hoje: utilizando as ferramentas que já existem, aprendendo boas práticas e, principalmente, focando nos fundamentos que sobreviverão às ferramentas.
Não se trata apenas de discutir ferramentas como Cloud Code, Cursor, Codex ou Anti-Gravity do Google. Iremos, obviamente, abordá-las, mas nosso objetivo é aprender os fundamentos que sobrevivem a todas elas.
Temos bastante a entender e vários pontos a esclarecer antes de começarmos a desenvolver código.
Vamos começar respondendo à grande pergunta: por que precisamos entender por que isso é relevante hoje?
Vamos extrapolar para um cenário real: pensemos no GPS. O GPS tem um caminho mapeado para qualquer lugar conhecido; possui a base disponível. Porém, sozinho, não fará nada. Não sabe para onde queremos ir, o que desejamos fazer, quais caminhos queremos evitar, nem conhece nossas preferências. Não sabe se queremos o trajeto mais rápido ou mais barato, se queremos evitar pedágios ou fazer paradas ao longo do caminho. Ele conhece o como, mas não o porquê.
Com a Inteligência Artificial acontece algo semelhante: a IA sabe programar, sabe escrever código, mas precisamos explicar com clareza o que e como desejamos que ela faça.
Pensemos em um ciclo contínuo: mapeamos um requisito, entendemos um problema e delegamos a execução à IA. Em outras palavras, a parte de escrever código já não fica necessariamente tanto em nossas mãos quanto antes. Houve um tempo em que digitávamos no teclado letra por letra. Hoje, o fluxo consiste em explicar detalhadamente o que queremos para que a IA execute.
Ao final, depois que a IA nos fornece uma resposta, essa resposta precisa estar alinhada conosco.
Precisamos ter bagagem e repertório; por isso, vamos repetir esta ideia algumas vezes para avaliar se está adequada ou não. Vamos imaginar a IA falando com muita autoridade. Como saberemos julgar se está correto ou não?
Vamos considerar um exemplo: mantemos um blog (blog) com versões em português e inglês das nossas publicações, todas sobre engenharia de software, IA e temas relacionados. Em determinado momento, decidimos adicionar um terceiro idioma: alemão. Podemos recorrer ao modelo e solicitar o seguinte: “Tome esta publicação; ela contém analogias, algumas piadas e outros recursos.” Em seguida, pedimos ao modelo que gere uma versão em alemão dessa publicação.
Quando chegamos a essa etapa, já decidimos o que queremos: ter uma versão em alemão para o blog (blog). O modelo escreverá em alemão porque já domina o idioma. Porém, como iremos avaliar se o resultado está bom? A tradução literal pode não servir, pois há piadas muito locais; quando passamos para o inglês, muitas vezes precisamos ajustá-las ou até trocá-las. Em alemão, podemos ficar totalmente perdidos: não conseguiremos entender nem depurar — depurar é o ato de encontrar erros e imperfeições — o nosso próprio texto em alemão.
Essa é a diferença principal e, por isso, precisamos — retomando — aprender a programar. Não necessariamente porque vamos implementar tudo, mas porque precisamos da habilidade de julgar o resultado: entender se é a melhor approach (abordagem), identificar possíveis melhorias ou preocupações, avaliar se isso vai escalar e se funcionará bem para aquele momento e cenário. É muito importante que tenhamos essa bagagem. Esperamos que estejamos alinhados: não estamos deixando de lado a importância de saber escrever código.
Ainda teremos uma conversa para desmistificar ainda mais a trilha que vamos percorrer juntos. Vamos seguir em frente, lado a lado.
Antes de seguirmos trabalhando com modelos de inteligência artificial, como os Large Language Models (Modelos de Linguagem Grande), vamos falar sobre como é a profissão. O que é ser uma pessoa desenvolvedora? Como é trabalhar com desenvolvimento de software (programas)? Como era antes e por que está tão diferente? Embora nem sempre façamos essas perguntas no início, elas são especialmente relevantes neste momento da trilha. Vamos ampliar o olhar para entender o que significa ser uma pessoa engenheira, alguém que faz engenharia de software (programas).
No trabalho clássico de uma pessoa desenvolvedora, lidamos com código novo: desenvolvemos uma funcionalidade que ainda não existe. Também lemos código existente para entender o que o sistema faz. Se recebemos, por exemplo, um bug (erro), precisamos primeiro analisar o que está ocorrendo: observar a parte do código que executa aquela função, entender o que está acontecendo, identificar onde está o erro e então solicitar o ajuste ou até conversar com o modelo para corrigir.
Além disso, buscamos manter a base do código em ordem. Às vezes identificamos trechos que podem ser melhorados e aplicamos essas melhorias para facilitar nosso trabalho no futuro. Portanto, não pensamos apenas no agora; mantemos e aprimoramos o que já está em funcionamento.
Também acompanhamos o que outras pessoas, colegas de profissão, estão fazendo. Quando terminamos uma funcionalidade e executamos os testes, submetemos para revisão de código, solicitando que alguém do time revise. Esse processo promove entendimento compartilhado e pode gerar discussões construtivas sobre a implementação, resultando em pequenos ajustes.
Também precisamos depurar quando algo quebra. Essa palavra não existe em português; em inglês temos o termo debug (depurar), que literalmente remete a remover o bug (erro). Acabamos “brasileirizando” como “debugar”, mas a ideia é entender por que está quebrado e corrigir.
É fundamental manter conversas e alinhamento com o time, com as pessoas que trabalham conosco — não serão apenas pessoas desenvolvedoras. Haverá pessoas de design, produto e controle de qualidade. Pode haver separação entre especialistas de back-end (lógica de servidor) e especialistas de front-end (interface), e é essencial mantermos conexão constante com essas pessoas.
No dia a dia, o que entregamos? Além de escrever código — essa geração de código é apenas uma parte do trabalho, não o trabalho inteiro.
Revisaremos muito código, seja de outras pessoas ou da IA, e isso será muito importante. Voltaremos a esse ponto, pois a etapa de revisão de código é central.
Dissemos que iríamos falar sobre o antes e o depois. Imagine o cenário anterior aos agentes de IA: escrevíamos todo o código, literalmente caractere por caractere. Havia recursos de autocompletar que ajudavam, mas ainda assim precisávamos escrever integralmente o algoritmo, a lógica e o código.
Agora, a IA trouxe aceleração, isto é, acelera a execução. Aquela parte em que precisávamos digitar todo o código que já estava em nossa cabeça pode ser delegada: pedimos à IA e ela gera o código. Passamos a nos concentrar em julgar e decidir se o resultado corresponde exatamente ao que precisamos.
A execução ficou mais rápida e “mais barata”. O que queremos dizer com “barata”? Não que a IA seja barata — ela tem custo e pode ser cara —, mas que a execução consome menos tempo. Antes, ao pensar em uma funcionalidade grande, em sistemas de grande porte, bancários e afins, levávamos tempo para alterar algo ou adicionar uma nova funcionalidade, porque precisávamos escrever e nos preocupar com diversos aspectos e múltiplos contextos.
É aí que a IA acelera. Ela consegue, muito mais rapidamente do que nós, analisar múltiplos fatores e seguir adiante, especialmente quando se trata de algo padrão. Estamos falando de uma linguagem de programação — é uma linguagem —, portanto a IA consegue prever o que precisa ser feito, o que desloca o foco para pensar e decidir.
Podemos até tentar delegar essas decisões à IA, mas ela nunca terá todo o contexto que nós possuímos, principalmente os contextos externos: clientes, pessoas usuárias e, às vezes, aspectos culturais. Entender o problema, hoje, é o que faz a diferença.
Algumas coisas não mudaram. Alguém precisa, de fato, compreender o problema: o que queremos resolver? Precisamos entender que existe um problema; por exemplo, precisamos de uma conta no banco para guardar dinheiro, teremos de pagar contas, transferir valores para outros lugares, existem diferentes formas de transferência e pode surgir a necessidade de uma transferência internacional. Pensar em tudo isso ainda é trabalho humano: o que vamos fazer e qual dor estamos resolvendo.
Além disso, após implementar a solução, alguém precisa avaliar: está adequado? Vamos conseguir manter essa aplicação funcionando nos próximos anos? Esse enfoque é mais ou menos propenso a gerar bugs (erros)? Aprenderemos conceitos como “isso escala ou não escala?”. Podemos continuar incorporando mais pessoas, mais agentes, mais funcionalidades, e fazer isso de forma saudável, sem gerar efeitos colaterais excessivos?
Tudo isso precisa ser avaliado, e quem fará essa avaliação é você. Essa trilha vai ensinar os fundamentos necessários para que você saiba o que pedir e, em seguida, saiba validar se o que foi produzido corresponde exatamente ao que foi solicitado.
O curso Entendendo a carreira Dev Full Stack do futuro: do zero com IA possui 41 minutos de vídeos, em um total de 10 atividades. Gostou? Conheça nossos outros cursos de IA para Desenvolvimento de Software em Inteligência Artificial, ou leia nossos artigos de Inteligência Artificial.
Matricule-se e comece a estudar com a gente hoje! Conheça outros tópicos abordados durante o curso:
Todos os cursos, trilhas e certificados para evoluir.
7 dias para cancelar com reembolso
Aprenda mais rápido com IA, idiomas e imersões.
7 dias para cancelar com reembolso
TUDO DO PLUS, MAIS:
Aceleração de carreira: mentoria, vagas e prática guiada.
7 dias para cancelar com reembolso
TUDO DO PRO, MAIS:
