Programação Python (2+ anos de experiência):

Orientação a objetos: classes, herança e interfaces/protocolos
Programação assíncrona: async/await, asyncio e chamadas concorrentes
Tipagem estática: type hints e uso de Pydantic para validação de dados
APIs e Integrações:

Consumo de APIs REST (experiência com requests ou httpx)
Noção básica de como funciona uma chamada a um LLM (prompt, resposta, tokens) — OpenAI, Anthropic ou equivalente
Arquitetura de Software:

Separação de responsabilidades e conceito de camadas (ex: MVC ou Clean Architecture no nível conceitual)
Familiaridade com o padrão repositório ou injeção de dependência é desejável, mas não obrigatória
Não é necessário:

Experiência prévia com frameworks de agentes (LangGraph, CrewAI, AutoGen)
Conhecimento de Machine Learning ou treinamento de modelos

Ao final da palestra, os participantes serão capazes de:

Arquitetura:

Desenhar a estrutura de uma plataforma de agentes de IA escalável, separando claramente o plano de execução (engine) do plano de controle (manager)
Compreender os padrões de orquestração multi-agente — sequencial, paralelo e em loop — e quando aplicar cada um
Engenharia:

Entender o ciclo de vida completo de uma tarefa agentizada: do disparo ao resultado persistido, passando por callbacks e tratamento de falhas
Projetar agentes configuráveis em runtime, sem necessidade de redeploy a cada mudança de prompt ou comportamento
Segurança e Resiliência:

Identificar os principais vetores de risco em sistemas agentizados (prompt injection, loops infinitos, alucinações com ferramentas) e aplicar guardrails para mitigá-los
Visão Crítica:

Avaliar frameworks de mercado como LangGraph, CrewAI e AutoGen com critérios técnicos sólidos, entendendo o que cada abstração esconde — e quando vale a pena construir do zero
Mindset:

Fazer a transição conceitual de “usuário de API de LLM” para “engenheiro de sistemas cognitivos”, encarando agentes como software de produção que exige observabilidade, testes e governança