Translated English(en) into Brazilian Portuguese (pt_br) #609

Original file line number	Diff line number	Diff line change
		@@ -0,0 +1,172 @@
	- title: Unidade 0. Bem-vindos ao curso
	sections:
	- local: unit0/introduction
	title: Bem-vindos ao curso 🤗
	- local: unit0/onboarding
	title: Integração
	- local: unit0/discord101
	title: (Opcional) Discord 101
	- title: Live 1. Como o curso funciona e sessão de perguntas e respostas
	sections:
	- local: communication/live1
	title: Live 1. Como o curso funciona e sessão de perguntas e respostas
	- title: Unidade 1. Introdução aos Agentes
	sections:
	- local: unit1/introduction
	title: Introdução
	- local: unit1/what-are-agents
	title: O que é um Agente?
	- local: unit1/quiz1
	title: Quiz Rápido 1
	- local: unit1/what-are-llms
	title: O que são LLMs?
	- local: unit1/messages-and-special-tokens
	title: Mensagens e Tokens Especiais
	- local: unit1/tools
	title: O que são Ferramentas?
	- local: unit1/quiz2
	title: Quiz Rápido 2
	- local: unit1/agent-steps-and-structure
	title: Compreendendo Agentes de IA através do Ciclo Pensamento-Ação-Observação
	- local: unit1/thoughts
	title: Pensamento, Raciocínio Interno e a Abordagem Re-Act
	- local: unit1/actions
	title: Ações, Permitindo que o Agente Interaja com seu Ambiente
	- local: unit1/observations
	title: Observar, Integrando Feedback para Refletir e Adaptar
	- local: unit1/dummy-agent-library
	title: Biblioteca de Agente Fictício
	- local: unit1/tutorial
	title: Vamos Criar Nosso Primeiro Agente Usando smolagents
	- local: unit1/final-quiz
	title: Quiz Final da Unidade 1
	- local: unit1/conclusion
	title: Conclusão
	- title: Unidade 2. Frameworks para Agentes de IA
	sections:
	- local: unit2/introduction
	title: Frameworks para Agentes de IA
	- title: Unidade 2.1 O framework smolagents
	sections:
	- local: unit2/smolagents/introduction
	title: Introdução ao smolagents
	- local: unit2/smolagents/why_use_smolagents
	title: Por que usar smolagents?
	- local: unit2/smolagents/quiz1
	title: Quiz Rápido 1
	- local: unit2/smolagents/code_agents
	title: Construindo Agentes que Usam Código
	- local: unit2/smolagents/tool_calling_agents
	title: Escrevendo ações como trechos de código ou objetos JSON
	- local: unit2/smolagents/tools
	title: Ferramentas
	- local: unit2/smolagents/retrieval_agents
	title: Agentes de Recuperação
	- local: unit2/smolagents/quiz2
	title: Quiz Rápido 2
	- local: unit2/smolagents/multi_agent_systems
	title: Sistemas Multi-Agente
	- local: unit2/smolagents/vision_agents
	title: Agentes de Visão e Navegador
	- local: unit2/smolagents/final_quiz
	title: Quiz Final
	- local: unit2/smolagents/conclusion
	title: Conclusão
	- title: Unidade 2.2 O framework LlamaIndex
	sections:
	- local: unit2/llama-index/introduction
	title: Introdução ao LlamaIndex
	- local: unit2/llama-index/llama-hub
	title: Introdução ao LlamaHub
	- local: unit2/llama-index/components
	title: O que são Componentes no LlamaIndex?
	- local: unit2/llama-index/tools
	title: Usando Ferramentas no LlamaIndex
	- local: unit2/llama-index/quiz1
	title: Quiz Rápido 1
	- local: unit2/llama-index/agents
	title: Usando Agentes no LlamaIndex
	- local: unit2/llama-index/workflows
	title: Criando Fluxos de Trabalho Agênticos no LlamaIndex
	- local: unit2/llama-index/quiz2
	title: Quiz Rápido 2
	- local: unit2/llama-index/conclusion
	title: Conclusão
	- title: Unidade 2.3 O framework LangGraph
	sections:
	- local: unit2/langgraph/introduction
	title: Introdução ao LangGraph
	- local: unit2/langgraph/when_to_use_langgraph
	title: O que é LangGraph?
	- local: unit2/langgraph/building_blocks
	title: Blocos de Construção do LangGraph
	- local: unit2/langgraph/first_graph
	title: Construindo seu Primeiro LangGraph
	- local: unit2/langgraph/document_analysis_agent
	title: Grafo de Análise de Documentos
	- local: unit2/langgraph/quiz1
	title: Quiz Rápido 1
	- local: unit2/langgraph/conclusion
	title: Conclusão
	- title: Unidade 3. Caso de Uso para RAG Agêntico
	sections:
	- local: unit3/agentic-rag/introduction
	title: Introdução ao Caso de Uso para RAG Agêntico
	- local: unit3/agentic-rag/agentic-rag
	title: Geração Aumentada por Recuperação Agêntica (RAG)
	- local: unit3/agentic-rag/invitees
	title: Criando uma Ferramenta RAG para Histórias de Convidados
	- local: unit3/agentic-rag/tools
	title: Construindo e Integrando Ferramentas para seu Agente
	- local: unit3/agentic-rag/agent
	title: Criando seu Agente de Gala
	- local: unit3/agentic-rag/conclusion
	title: Conclusão
	- title: Unidade 4. Projeto Final - Criar, Testar e Certificar seu Agente
	sections:
	- local: unit4/introduction
	title: Introdução à Unidade Final
	- local: unit4/what-is-gaia
	title: O que é GAIA?
	- local: unit4/hands-on
	title: O Hands-On Final
	- local: unit4/get-your-certificate
	title: Obtenha seu Certificado de Excelência
	- local: unit4/conclusion
	title: Conclusão do Curso
	- local: unit4/additional-readings
	title: O que você deveria aprender agora?
	- title: Unidade Bônus 1. Ajuste fino de um LLM para Chamada de Funções
	sections:
	- local: bonus-unit1/introduction
	title: Introdução
	- local: bonus-unit1/what-is-function-calling
	title: O que é Chamada de Funções?
	- local: bonus-unit1/fine-tuning
	title: Vamos Fazer o Ajuste Fino do seu modelo para Chamada de Funções
	- local: bonus-unit1/conclusion
	title: Conclusão
	- title: Unidade Bônus 2. Observabilidade e Avaliação de Agentes
	sections:
	- local: bonus-unit2/introduction
	title: Introdução
	- local: bonus-unit2/what-is-agent-observability-and-evaluation
	title: O que é observabilidade e avaliação de agentes?
	- local: bonus-unit2/monitoring-and-evaluating-agents-notebook
	title: Monitorando e avaliando agentes
	- local: bonus-unit2/quiz
	title: Quiz
	- title: Unidade Bônus 3. Agentes em Jogos com Pokémon
	sections:
	- local: bonus-unit3/introduction
	title: Introdução
	- local: bonus-unit3/state-of-art
	title: O Estado da Arte no Uso de LLMs em Jogos
	- local: bonus-unit3/from-llm-to-agents
	title: De LLMs para Agentes de IA
	- local: bonus-unit3/building_your_pokemon_agent
	title: Construa seu Próprio Agente de Batalha Pokémon
	- local: bonus-unit3/launching_agent_battle
	title: Lançando seu Agente de Batalha Pokémon
	- local: bonus-unit3/conclusion
	title: Conclusão

13 changes: 13 additions & 0 deletions units/pt_br/bonus-unit1/conclusion.mdx

Show comments View file Open in desktop

Original file line number	Diff line number	Diff line change
		@@ -0,0 +1,13 @@
	# Conclusão [[conclusion]]

	Parabéns por concluir esta primeira Unidade Bônus 🥳

	Você acabou de dominar a compreensão de chamadas de função e como ajustar seu modelo para executá-las!

	Se pudermos deixar apenas um conselho agora, é para você fazer fine-tuning em modelos diferentes. A melhor maneira de aprender é colocando a mão na massa.

	Na próxima unidade, você vai aprender a usar frameworks de ponta como `smolagents`, `LlamaIndex` e `LangGraph`.

	Por fim, adoraríamos saber o que você achou do curso e como podemos melhorá-lo. Se tiver algum feedback, por favor 👉 [preencha este formulário](https://docs.google.com/forms/d/e/1FAIpQLSe9VaONn0eglax0uTwi29rIn4tM7H2sYmmybmG5jJNlE5v0xA/viewform?usp=dialog)

	### Continue aprendendo, continue incrível 🤗

48 changes: 48 additions & 0 deletions units/pt_br/bonus-unit1/fine-tuning.mdx

Show comments View file Open in desktop

Original file line number	Diff line number	Diff line change
		@@ -0,0 +1,48 @@
	# Vamos Fazer Fine-Tuning do Seu Modelo para Function Calling

	Estamos prontos para ajustar nosso primeiro modelo para function calling 🔥.

	## Como treinamos nosso modelo para function calling?

	> Resposta: precisamos de dados

	O processo de treinamento de um modelo pode ser dividido em 3 etapas:

	1. O modelo é pré-treinado em uma grande quantidade de dados. O resultado dessa etapa é um modelo pré-treinado. Por exemplo, [google/gemma-2-2b](https://huggingface.co/google/gemma-2-2b). É um modelo base e sabe apenas prever o próximo token sem grandes capacidades de seguir instruções.

	2. Para ser útil em um contexto de chat, o modelo precisa então ser ajustado (fine-tuned) para seguir instruções. Nessa etapa, ele pode ser treinado pelos criadores, pela comunidade open-source, por você ou por qualquer pessoa. Por exemplo, [google/gemma-2-2b-it](https://huggingface.co/google/gemma-2-2b-it) é um modelo ajustado para instruções pela equipe do projeto Gemma, do Google.

	3. O modelo pode então ser alinhado às preferências do criador. Pense, por exemplo, em um modelo de atendimento ao cliente que jamais deve ser grosseiro.

	Produtos completos como Gemini ou Mistral passam pelas 3 etapas, enquanto os modelos disponíveis no Hugging Face podem ter completado uma ou mais dessas fases.

	Neste tutorial, vamos construir um modelo com function calling a partir do [google/gemma-2-2b-it](https://huggingface.co/google/gemma-2-2b-it). Escolhemos o modelo já ajustado [google/gemma-2-2b-it](https://huggingface.co/google/gemma-2-2b-it) em vez do modelo base [google/gemma-2-2b](https://huggingface.co/google/gemma-2-2b) porque ele já foi melhorado para o nosso caso de uso.

	Partir do modelo apenas pré-treinado exigiria muito mais treinamento para aprender a seguir instruções, conversar E executar function calling.

	Ao começar pelo modelo ajustado para instruções, minimizamos a quantidade de informação que o nosso modelo precisa aprender.

	## LoRA (Low-Rank Adaptation of Large Language Models)

	LoRA é uma técnica de treinamento popular e leve que reduz significativamente o número de parâmetros treináveis.

	Ela funciona inserindo um pequeno conjunto de novos pesos como um adaptador dentro do modelo para serem treinados. Isso torna o treinamento com LoRA muito mais rápido, eficiente em memória e gera pesos menores (algumas centenas de MB), fáceis de armazenar e compartilhar.

	<img src="https://huggingface.co/datasets/agents-course/course-images/resolve/main/en/unit1/blog_multi-lora-serving_LoRA.gif" alt="LoRA inference" width="50%"/>

	LoRA atua adicionando pares de matrizes de decomposição de posto baixo às camadas do Transformer, normalmente focando nas camadas lineares. Durante o treinamento, "congelamos" o restante do modelo e atualizamos apenas os pesos desses adaptadores recém-adicionados.

	Ao fazer isso, o número de parâmetros que precisamos treinar cai bastante, já que apenas os pesos dos adaptadores são atualizados.

	Durante a inferência, a entrada passa tanto pelo adaptador quanto pelo modelo base; também é possível fundir esses pesos com o modelo base, sem gerar latência adicional.

	LoRA é especialmente útil para adaptar modelos de linguagem grandes a tarefas ou domínios específicos mantendo os requisitos de recursos sob controle. Isso ajuda a reduzir a memória necessária para treinar um modelo.

	Se quiser aprender mais sobre como LoRA funciona, confira este [tutorial](https://huggingface.co/learn/nlp-course/chapter11/4?fw=pt).

	## Fazendo Fine-Tuning de um Modelo para Function Calling

	Você pode acessar o notebook do tutorial 👉 [aqui](https://huggingface.co/agents-course/notebooks/blob/main/bonus-unit1/bonus-unit1.ipynb).

	Depois, clique em [![Open In Colab](https://colab.research.google.com/assets/colab-badge.svg)](https://colab.research.google.com/#fileId=https://huggingface.co/agents-course/notebooks/blob/main/bonus-unit1/bonus-unit1.ipynb) para executá-lo em um Notebook Colab.

52 changes: 52 additions & 0 deletions units/pt_br/bonus-unit1/introduction.mdx

Show comments View file Open in desktop

Original file line number	Diff line number	Diff line change
		@@ -0,0 +1,52 @@
	# Introdução

	![Bonus Unit 1 Thumbnail](https://huggingface.co/datasets/agents-course/course-images/resolve/main/en/bonus-unit1/thumbnail.jpg)

	Bem-vindo a esta primeira Unidade Bônus, na qual você vai aprender a fazer fine-tuning de um Large Language Model (LLM) para chamadas de função.

	Quando falamos de LLMs, function calling está rapidamente se tornando uma técnica indispensável.

	A ideia é que, em vez de depender apenas de abordagens baseadas em prompt como fizemos na Unidade 1, o function calling treina seu modelo para tomar ações e interpretar observações durante a fase de treinamento, deixando sua IA mais robusta.

	> Quando devo fazer esta Unidade Bônus?
	>
	> Esta seção é opcional e mais avançada do que a Unidade 1, então sinta-se à vontade para fazê-la agora ou revisitá-la quando seu conhecimento tiver evoluído com este curso.
	>
	> Mas não se preocupe, esta Unidade Bônus foi concebida para trazer todas as informações necessárias. Vamos guiá-lo por cada conceito essencial de fine-tuning para chamadas de função, mesmo que você ainda não domine todos os detalhes desse processo.

	A melhor forma de aproveitar esta Unidade Bônus é:

	1. Saber como fazer fine-tuning de um LLM com Transformers; se ainda não souber, [confira isto](https://huggingface.co/learn/nlp-course/chapter3/1?fw=pt).
	2. Conhecer o `SFTTrainer` para ajustar o modelo; para saber mais, [acesse esta documentação](https://huggingface.co/learn/nlp-course/en/chapter11/1).

	---

	## O que você vai aprender

	1. Function Calling
	Como LLMs modernos estruturam suas conversas, permitindo acionar Ferramentas.

	2. LoRA (Low-Rank Adaptation)
	Um método de fine-tuning leve e eficiente que reduz o custo computacional e de armazenamento. LoRA torna o treinamento de grandes modelos mais rápido, barato e fácil de colocar em produção.

	3. O ciclo Pensar → Agir → Observar em modelos com function calling
	Uma abordagem simples e poderosa para estruturar como o seu modelo decide quando (e como) chamar funções, acompanhar etapas intermediárias e interpretar resultados vindos de ferramentas externas ou APIs.

	4. Novos tokens especiais
	Vamos apresentar marcadores especiais que ajudam o modelo a diferenciar entre:
	- raciocínio interno ("chain-of-thought");
	- chamadas de função enviadas;
	- respostas que retornam de ferramentas externas.

	---

	Ao final desta unidade bônus, você será capaz de:

	- Entender o funcionamento interno de APIs no contexto de Ferramentas;
	- Fazer fine-tuning de um modelo usando a técnica LoRA;
	- Implementar e ajustar o ciclo Pensar → Agir → Observar para criar fluxos de trabalho robustos e fáceis de manter para function calling;
	- Criar e utilizar tokens especiais para separar de forma fluida o raciocínio interno das ações externas do modelo.

	E você terá ajustado seu próprio modelo para realizar chamadas de função. 🔥

	Vamos mergulhar em function calling!

78 changes: 78 additions & 0 deletions units/pt_br/bonus-unit1/what-is-function-calling.mdx

Show comments View file Open in desktop

Original file line number	Diff line number	Diff line change
		@@ -0,0 +1,78 @@
	# O que é Function Calling?

	Function calling é uma maneira de um LLM executar ações em seu ambiente. Ele foi [introduzido pela primeira vez no GPT-4](https://openai.com/index/function-calling-and-other-api-updates/) e depois reproduzido em outros modelos.

	Assim como as ferramentas de um Agente, function calling dá ao modelo a capacidade de agir sobre o ambiente. Entretanto, essa capacidade é aprendida pelo modelo e depende menos de prompting do que outras técnicas baseadas em agentes.

	Na Unidade 1, o agente não aprendeu a usar as ferramentas; apenas fornecemos a lista e confiamos que o modelo conseguiria generalizar para definir um plano usando essas Ferramentas.

	Aqui, com function calling, o agente passa por fine-tuning (treinamento) para usar Ferramentas.

	## Como o modelo "aprende" a tomar uma ação?

	Na Unidade 1, exploramos o fluxo de trabalho geral de um agente. Depois que o usuário fornece ferramentas ao agente e o instrui com uma solicitação, o modelo passa pelo ciclo:

	1. Pensar: Quais ações preciso executar para atingir o objetivo?
	2. Agir: Formatar a ação com os parâmetros corretos e interromper a geração.
	3. Observar: Receber o resultado da execução.

	Em uma conversa "típica" com um modelo via API, as mensagens alternam entre usuário e assistente, como neste exemplo:

	```python
	conversation = [
	{"role": "user", "content": "I need help with my order"},
	{"role": "assistant", "content": "I'd be happy to help. Could you provide your order number?"},
	{"role": "user", "content": "It's ORDER-123"},
	]
	```

	Function calling adiciona novos papéis à conversa!

	1. Um novo papel para uma Ação
	2. Um novo papel para uma Observação

	Se usarmos a [API da Mistral](https://docs.mistral.ai/capabilities/function_calling/) como exemplo, ela ficaria assim:

	```python
	conversation = [
	{
	"role": "user",
	"content": "What's the status of my transaction T1001?"
	},
	{
	"role": "assistant",
	"content": "",
	"function_call": {
	"name": "retrieve_payment_status",
	"arguments": "{\"transaction_id\": \"T1001\"}"
	}
	},
	{
	"role": "tool",
	"name": "retrieve_payment_status",
	"content": "{\"status\": \"Paid\"}"
	},
	{
	"role": "assistant",
	"content": "Your transaction T1001 has been successfully paid."
	}
	]
	```

	> ... Mas você disse que existe um novo papel para chamadas de função?

	Sim e não. Neste caso, e em muitas outras APIs, o modelo formata a ação que deve executar como uma mensagem de "assistant". O template de chat então representa isso com tokens especiais para function calling.

	- `[AVAILABLE_TOOLS]` – Início da lista de ferramentas disponíveis
	- `[/AVAILABLE_TOOLS]` – Fim da lista de ferramentas disponíveis
	- `[TOOL_CALLS]` – Chamada a uma ferramenta (ou seja, uma "Ação")
	- `[TOOL_RESULTS]` – "Observa" o resultado da ação
	- `[/TOOL_RESULTS]` – Fim da observação (ou seja, o modelo pode voltar a decodificar)

	Falaremos novamente sobre function calling ao longo do curso, mas, se quiser se aprofundar, confira [esta excelente seção da documentação](https://docs.mistral.ai/capabilities/function_calling/).

	---

	Agora que entendemos o que é function calling e como ele funciona, vamos adicionar essas capacidades a um modelo que ainda não as possui: o [google/gemma-2-2b-it](https://huggingface.co/google/gemma-2-2b-it), incluindo novos tokens especiais no modelo.

	Para conseguir fazer isso, precisamos primeiro compreender fine-tuning e LoRA.

Navigation Menu

Search code, repositories, users, issues, pull requests...

Provide feedback

Saved searches

Use saved searches to filter your results more quickly

Uh oh!

Translated English(en) into Brazilian Portuguese (pt_br) #609

Are you sure you want to change the base?

Translated English(en) into Brazilian Portuguese (pt_br) #609

Filter by extension

Uh oh!

Uh oh!

Diff view

Diff view

There are no files selected for viewing

Uh oh!