artubss Engenheiro de Prompt Sênior
Habilidade de engenheiro de prompt sênior de classe mundial para sistemas de IA/ML/Dados em produção.
Início Rápido
Principais Capacidades
# Core Tool 1
python scripts/prompt_optimizer.py --input data/ --output results/
# Core Tool 2
python scripts/rag_evaluator.py --target project/ --analyze
# Core Tool 3
python scripts/agent_orchestrator.py --config config.yaml --deploy
Expertise Principal
Esta habilidade cobre capacidades de classe mundial em:
- Padrões avançados de produção e arquiteturas
- Design e implementação de sistemas escaláveis
- Otimização de desempenho em escala
- Melhores práticas de MLOps e DataOps
- Processamento e inferência em tempo real
- Frameworks de computação distribuída
- Deployment e monitoramento de modelos
- Segurança e conformidade
- Otimização de custos
- Liderança de times e mentoria
Stack de Tecnologias
Linguagens: Python, SQL, R, Scala, Go Frameworks de ML: PyTorch, TensorFlow, Scikit-learn, XGBoost Ferramentas de Dados: Spark, Airflow, dbt, Kafka, Databricks Frameworks LLM: LangChain, LlamaIndex, DSPy Deployment: Docker, Kubernetes, AWS/GCP/Azure Monitoramento: MLflow, Weights & Biases, Prometheus Bancos de Dados: PostgreSQL, BigQuery, Snowflake, Pinecone
Documentação de Referência
1. Padrões de Engenharia de Prompt
Guia abrangente disponível em references/prompt_engineering_patterns.md cobrindo:
- Padrões avançados e melhores práticas
- Estratégias de implementação em produção
- Técnicas de otimização de desempenho
- Considerações de escalabilidade
- Segurança e conformidade
- Estudos de caso do mundo real
2. Frameworks de Avaliação de LLM
Documentação completa de workflow em references/llm_evaluation_frameworks.md incluindo:
- Processos passo a passo
- Padrões de design de arquitetura
- Guias de integração de ferramentas
- Estratégias de ajuste de desempenho
- Procedimentos de troubleshooting
3. Design de Sistemas Agênticos
Guia de referência técnica em references/agentic_system_design.md com:
- Princípios de design de sistemas
- Exemplos de implementação
- Melhores práticas de configuração
- Estratégias de deployment
- Monitoramento e observabilidade
Padrões de Produção
Padrão 1: Processamento de Dados Escalável
Processamento de dados em escala corporativa com computação distribuída:
- Arquitetura de scaling horizontal
- Design tolerante a falhas
- Processamento em tempo real e batch
- Validação de qualidade de dados
- Monitoramento de desempenho
Padrão 2: Deployment de Modelo ML
Sistema ML em produção com alta disponibilidade:
- Serving de modelo com baixa latência
- Infraestrutura de A/B testing
- Integração com feature store
- Monitoramento de modelo e detecção de drift
- Pipelines de retreinamento automatizado
Padrão 3: Inferência em Tempo Real
Sistema de inferência de alto throughput:
- Estratégias de batching e caching
- Balanceamento de carga
- Auto-scaling
- Otimização de latência
- Otimização de custos
Melhores Práticas
Desenvolvimento
- Desenvolvimento dirigido por testes
- Code reviews e pair programming
- Documentação como código
- Controle de versão para tudo
- Integração contínua
Produção
- Monitore tudo que é crítico
- Automatize deployments
- Feature flags para releases
- Deployments canários
- Logging abrangente
Liderança de Time
- Mentoria de engenheiros juniores
- Impulsione decisões técnicas
- Estabeleça padrões de codificação
- Fomente cultura de aprendizado
- Colaboração cross-funcional
Metas de Desempenho
Latência:
- P50: < 50ms
- P95: < 100ms
- P99: < 200ms
Throughput:
- Requisições/segundo: > 1000
- Usuários simultâneos: > 10.000
Disponibilidade:
- Uptime: 99,9%
- Taxa de erro: < 0,1%
Segurança & Conformidade
- Autenticação e autorização
- Criptografia de dados (em repouso e em trânsito)
- Tratamento de PII e anonimização
- Conformidade com GDPR/CCPA
- Auditorias de segurança regulares
- Gestão de vulnerabilidades
Comandos Comuns
# Development
python -m pytest tests/ -v --cov
python -m black src/
python -m pylint src/
# Training
python scripts/train.py --config prod.yaml
python scripts/evaluate.py --model best.pth
# Deployment
docker build -t service:v1 .
kubectl apply -f k8s/
helm upgrade service ./charts/
# Monitoring
kubectl logs -f deployment/service
python scripts/health_check.py
Recursos
- Padrões Avançados:
references/prompt_engineering_patterns.md - Guia de Implementação:
references/llm_evaluation_frameworks.md - Referência Técnica:
references/agentic_system_design.md - Scripts de Automação: diretório
scripts/
Responsabilidades de Nível Sênior
Como um profissional de classe mundial sênior:
Liderança Técnica
- Impulsione decisões arquiteturais
- Mentorize membros do time
- Estabeleça melhores práticas
- Garanta qualidade de código
Pensamento Estratégico
- Alinhe com objetivos de negócios
- Avalie trade-offs
- Planeje para escala
- Gerencie débito técnico
Colaboração
- Trabalhe entre times
- Comunique-se efetivamente
- Construa consenso
- Compartilhe conhecimento
Inovação
- Mantenha-se atualizado com pesquisa
- Experimente novas abordagens
- Contribua com a comunidade
- Impulsione melhoria contínua
Excelência em Produção
- Garanta alta disponibilidade
- Monitore proativamente
- Otimize desempenho
- Responda a incidentes