Explicação da saída estruturada do LLM: Obtendo JSON confiável a partir de modelos de IA
Os recursos de IA geralmente precisam de dados, não de prosa: um total da fatura, uma categoria, uma lista de campos. A saída estruturada faz com que os modelos retornem JSON legível por máquina. Executamos seis respostas de modelos realistas por meio de um validador para mostrar como a saída é interrompida e como capturá-la.
- Saída estruturada significa solicitar dados a um modelo em um formato definido, geralmente JSON correspondente a um esquema.
- A solicitação por si só não é confiável. Em nosso teste, 4 de 6 respostas realistas falharam na validação na primeira análise.
- Os recursos do provedor que restringem a geração a um esquema reduzem bastante os erros de formato, quando disponíveis.
- Sempre valide em seu próprio código e adicione verificações semânticas: JSON válido ainda pode conter valores errados.
Um aplicativo solicita que uma modelo leia uma fatura e retorne o número, a data, o total e a moeda. Na maioria das vezes funciona. Em seguida, uma resposta chega envolvida em um bloco de código Markdown, outra adiciona “Avise-me se precisar de mais!” e uma terceira escreve a data como 11/10/2026. O código que analisa a resposta falha ou, pior, armazena a data errada. Existem técnicas de saída estruturada para tornar as respostas de IA tão confiáveis quanto uma API.
Não nomeamos um modelo vivo para este artigo. Em vez disso, escrevemos seis respostas que imitam falhas comuns do mundo real e as validamos com Pydantic 2.14 em Python 3.13. Os resultados de validação abaixo vêm dessa execução.
O que é saída estruturada?
Saída estruturada é qualquer abordagem que faz com que um modelo de linguagem grande retorne dados em um formato fixo e legível por máquina em vez de texto livre, para que o código possa usá-los diretamente. JSON é o formato usual, descrito por um esquema JSON: quais campos existem, seus tipos, quais são obrigatórios e quais valores são permitidos. Os usos típicos incluem extração de documentos, classificação, preenchimento de formulários, roteamento de solicitações e chamada de ferramentas ou funções.
Níveis de aplicação
| Abordagem | Como funciona | Confiabilidade |
|---|---|---|
| Somente aviso | “Responda em JSON com estes campos…” | Mais baixo; desvios de formato |
| Modo JSON | O provedor garante sintaxe JSON válida | JSON válido, mas qualquer formato |
| Saída/chamada de ferramenta com restrição de esquema | O provedor restringe a geração ao seu esquema | Maior para formato |
| Sua própria validação | Analise e valide cada resposta em seu código | Sempre obrigatório |
A última linha não é opcional em nenhum nível. Os recursos do provedor mudam, os modelos são trocados e nenhuma garantia de formato cobre se os valores são verdadeiros.
Definindo o esquema
from typing import Literal
from pydantic import BaseModel, Field, field_validator
class Invoice(BaseModel):
invoice_no: str
date: str = Field(pattern=r"^\d{4}-\d{2}-\d{2}$")
total: float = Field(ge=0)
currency: Literal["INR", "USD", "EUR"]
@field_validator("total")
@classmethod
def two_decimals(cls, v):
if round(v, 2) != v:
raise ValueError("total must have at most 2 decimals")
return v
Pydantic gerou um esquema JSON correspondente com Invoice.model_json_schema(): propriedades invoice_no, date, total e currency, todas obrigatórias. Esse esquema pode ser enviado a provedores que oferecem suporte à saída restrita ao esquema, portanto, uma definição orienta a geração e a validação. No TypeScript, Zod desempenha a mesma função. Se dicas de tipo e classes de dados forem familiares, os modelos Pydantic parecerão naturais.
Como a saída do modelo é interrompida
Validamos seis respostas com Invoice.model_validate_json():
good OK 1180.0
markdown fence FAIL (1) ['root: json_invalid']
trailing text FAIL (1) ['root: json_invalid']
wrong types FAIL (4) ['invoice_no: string_type', 'date: string_pattern_mismatch',
'total: float_parsing', 'currency: literal_error']
missing field FAIL (1) ['date: missing']
string number OK 1180.0
Cada falha reflete algo que os modelos realmente fazem quando solicitados:
- Markdown fences: o JSON chega dentro de
```json ... ```, porque modelos ajustados por chat formatam respostas para humanos. - Extras de bate-papo: uma frase amigável após o JSON torná-la inválida.
- Tipos e formatos incorretos: o número da fatura como um número, a data como “11/10/2026”, o total como “1.180” e a moeda como “Rs”. Quatro erros em uma resposta.
- Campos ausentes: um campo que o modelo não conseguiu encontrar foi simplesmente deixado de fora.
Resgatando JSON empacotado
def extract_json(text):
s, e = text.find("{"), text.rfind("}")
return text[s:e + 1] if s != -1 and e > s else text
# markdown fence after extract_json: OK INV-104 1180.0
# trailing text after extract_json: OK INV-104 1180.0
Pegar o texto entre o primeiro { e o último } recuperou ambas as respostas agrupadas. É uma rede de segurança útil, mas frágil: falha para matrizes, para respostas contendo vários objetos ou quando o próprio texto explicativo contém colchetes. Trate isso como uma alternativa, não como um design.
Análise relaxada vs estrita
A resposta “string number” enviou "total": "1180.00", uma string em vez de um número, e foi aprovada. O modo lax padrão do Pydantic converte strings numéricas limpas em flutuantes. Isso é conveniente, mas significa que um erro de tipo na saída do modelo pode passar despercebido. Se você quiser detectar quando o modelo ignora o esquema, por exemplo, para medir a confiabilidade, use o modo estrito, que o rejeitaria. Escolha deliberadamente: modo relaxado para robustez, modo estrito para medição e para campos onde uma mudança de tipo seria suspeita.
Decodificação restrita
Vários provedores e ferramentas de inferência de código aberto oferecem saída restrita por esquema. Conceitualmente, o esquema é transformado em regras sobre quais tokens podem vir a seguir, e os tokens que quebrariam o formato são bloqueados durante a geração. O modelo fisicamente não pode produzir uma cerca de Markdown ou uma contraventamento ausente. Isso remove quase todos os erros de sintaxe e forma. Alguns artigos relatam que restrições pesadas podem reduzir ligeiramente a qualidade das respostas em tarefas que exigem muito raciocínio, portanto, meça com base em seus próprios dados. Os recursos de esquema suportados também variam entre os provedores, portanto, verifique o que seu provedor aceita.
Dica: para tarefas de extração, defina uma temperatura baixa, forneça descrições de campo no esquema e permita um valor explícito “não encontrado”, como null, para campos opcionais. Um modelo forçado a preencher um campo obrigatório sem dados de origem está sendo convidado a alucinar.
Válido não é o mesmo que correto
A validação do esquema verifica a forma. Não é possível dizer se 1.080 ou 1.180 é o total correto. Adicionamos uma verificação semântica simples, confirmando que o total extraído aparece no texto fonte:
semantic check (total in source): True
semantic check (wrong total): False
Uma resposta com total de 1.080 era JSON perfeitamente válida com os tipos certos e ainda estava errada. As verificações de regras de negócios capturam: totais que correspondem a itens de linha, datas que não estão no futuro, IDs que existem em seu banco de dados, valores que aparecem no documento de origem. Estas são as verificações que protegem os usuários reais.
Tentar novamente e reparar loops
- Chame o modelo com o esquema e instruções claras.
- Analise e valide a resposta.
- Se falhar, chame novamente com os erros de validação incluídos, como “a data deve corresponder a AAAA-MM-DD”.
- Pare após um pequeno número de tentativas e, em seguida, volte: coloque-o na fila para revisão humana, retorne um erro claro ou use um padrão.
- Registre cada falha com a resposta bruta para poder melhorar o prompt ou o esquema.
A lista de erros do Pydantic, como date: string_pattern_mismatch, é precisa o suficiente para realimentar o modelo. Mantenha as tentativas limitadas; um loop ilimitado pode multiplicar os custos rapidamente.
Dicas de design de esquema
- Mantenha-o simples e pequeno. Esquemas profundamente aninhados falham com mais frequência.
- Use enums para categorias em vez de texto livre.
- Use formatos explícitos para datas e valores e indique isso nas descrições dos campos.
- Permitir nulo para informações que possam estar faltando.
- Adicione um campo de confiança ou notas somente se seu código realmente usá-lo.
- Verifique seu esquema,, já que alterá-lo é uma alteração de contrato, conforme discutido em Teste de contrato de API.
Testando saída estruturada
Crie um conjunto de testes de entradas reais com saídas esperadas, incluindo documentos confusos e casos em que faltam campos. Execute-o em cada prompt, esquema ou alteração de modelo e rastreie três números: a parcela de respostas analisadas, a parcela que passa na validação e a parcela cujos valores estão corretos. Faça testes unitários de seus validadores com resultados deliberadamente quebrados, como nossos seis exemplos, para que a análise do código nunca o surpreenda na produção.
Juntando tudo: um pipeline mínimo
- Uma definição de modelo em Pydantic ou Zod, com descrições de campos e valores permitidos.
- Gere o esquema JSON a partir dele e passe-o para a saída estruturada ou para o recurso de chamada de ferramenta do provedor.
- Analisar e validar a resposta com o mesmo modelo, recorrendo à extração JSON apenas se necessário.
- Execute verificações semânticas nos dados de origem e nas regras de negócios.
- Tente novamente uma ou duas vezes com as mensagens de erro e, em seguida, encaminhe as falhas para uma fila humana.
- Registre a entrada bruta, a saída bruta, os erros e as configurações de cada chamada, para que as falhas possam ser reproduzidas e corrigidas.
Cada camada detecta problemas que as outras não percebem. Juntos, eles transformam um modelo probabilístico em um componente do qual o resto do seu sistema pode depender.
Considerações finais
Obter JSON de um modelo é fácil; obter JSON confiável requer camadas. Defina o esquema uma vez, em Pydantic ou Zod, use a saída restrita ao esquema do seu provedor quando disponível, valide cada resposta em seu próprio código, adicione verificações semânticas para valores importantes e tente novamente com feedback de erro um número limitado de vezes. Em nosso teste, quatro das seis respostas no estilo prompt falharam na validação na primeira análise, e as verificações do esquema por si só teriam aceitado um total errado.
Perguntas frequentes
O que é resultado estruturado em LLMs?
Uma maneira de fazer com que um modelo de linguagem retorne dados em um formato definido, geralmente JSON correspondente a um esquema, para que o código do aplicativo possa usá-lo diretamente.
O modo JSON é igual à saída estruturada?
Não exatamente. O modo JSON garante uma sintaxe JSON válida, mas não seus campos ou tipos. A saída estruturada baseada em esquema restringe a resposta a um esquema específico.
Por que o modelo envolve JSON em markdown?
Modelos ajustados por chat formatam respostas para as pessoas. Use recursos de saída estruturada do provedor ou extraia o objeto JSON do texto como substituto.
Ainda preciso de validação com decodificação restrita?
Sim. A validação em seu código protege contra alterações de provedor e trocas de modelo, e as verificações semânticas capturam valores que estão bem formados, mas errados.
Qual biblioteca devo usar para validar a saída do LLM?
Pydantic é a escolha comum em Python e Zod em TypeScript. Ambos podem gerar o esquema JSON a partir das mesmas definições com as quais você valida.
Continue aprendendo
Precisa de ajuda com testes, WordPress ou SEO?
Ajudamos as equipes a fornecer software melhor e a expandir seus sites. Conte-nos no que você está trabalhando e sugeriremos um próximo passo claro.
Mais guias sobre testes, IA e desenvolvimento moderno
Gostou deste artigo? Escolha um tópico e vá direto para nossos tutoriais mais recentes.
Estratégias de chunking RAG explicadas: fixo, sobreposição, frase, recursivo e títulos, medidos
Estratégias de chunking RAG comparadas em um documento com tiktoken 0.14: tamanho fixo, sobreposição, empacotamento de frases, divisão recursiva e p…
Leia o artigo →Desenvolvimento de softwareExplicação da idempotência da API: chaves de idempotência e novas tentativas seguras, testadas
A idempotência da API explicada com um servidor e cliente Python que executamos: uma resposta perdida causava uma cobrança dupla sem uma chave e uma…
Leia o artigo →DevOpsGit Stash explicado: salvar, aplicar, abrir e não rastrear arquivos, testado
Git stash explicado com comandos que executamos no Git 2.56: push com uma mensagem, arquivos não rastreados, listar e mostrar, aplicar vs pop, mante…
Leia o artigo →Teste de softwareExplicação do teste em pares: como todos os pares reduzem 216 testes para 13, testados
Testes em pares explicados com um gerador que executamos em Python 3.13: um checkout com 216 combinações cobertas por 13 testes, cobertura verificad…
Leia o artigo →Automação de testesDuplas de teste explicadas: Dummy, Stub, Spy, Mock e Fake, com código Python testado
O teste duplo é explicado com um exemplo de Python executado no pytest 9.2: dummy, stub, spy, mock e fake, quando usar cada um, verificações de esta…
Leia o artigo →Bancos de dados e SQLSQL COALESCE explicado: padrões, NULLIF, IFNULL vs ISNULL e traps, testados
SQL COALESCE explicado com consultas que executamos no SQLite 3.50: primeiros valores não nulos, strings vazias, NULL em matemática, NULLIF para div…
Leia o artigo →Bancos de dados e SQLSQL Self Join explicado: funcionário-gerente, comparações de pares e linhas, testado
Auto-junção SQL explicada com consultas que executamos no SQLite 3.50: funcionário e gerente, ganhando mais que o gerente, pares únicos, alterações …
Leia o artigo →Desenvolvimento de softwareExplicação do operador JavaScript Spread: Spread vs Rest, cópias e pegadinhas, testado
O operador de propagação JavaScript explicado com o código que executamos no Nó 24: arrays, objetos, cópias superficiais, parâmetros restantes, o li…
Leia o artigo →Desenvolvimento de softwareMódulo de coleções Python explicado: contador, defaultdict, deque e mais, testado
Coleções Python explicadas com código que executamos em Python 3.13: Counter, defaultdict, deque, nomeadotuple, OrderedDict e ChainMap, além de um t…
Leia o artigo →Inteligência artificialJanela de contexto LLM explicada: tokens, limites e como ajustar mais, medidos
A janela de contexto do LLM explicada com contagens de tokens que medimos usando tiktoken: palavras versus tokens para prosa, código e hindi, orçame…
Leia o artigo →Desenvolvimento de softwareWebhooks explicados: como funcionam e como recebê-los com segurança
Webhooks explicados com um receptor e remetente que executamos em Python: push vs polling, assinaturas HMAC-SHA256, rejeição de solicitações adulter…
Leia o artigo →DevOpsGit Cherry-Pick explicado: copie o commit que você precisa, com segurança e testado
Git cherry-pick explicado com comandos que executamos no Git 2.56: copiar um hotfix para um branch de lançamento, novos hashes e patch-ids, -x, -n, …
Leia o artigo →Automação de testesExplicação do teste instantâneo: como funciona, quando ajuda e quando dói
O teste de instantâneo foi explicado com uma demonstração pytest e xaroposa que executamos: criação de instantâneos, leitura da diferença após uma a…
Leia o artigo →Teste de softwareExplicação do teste de mutação: por que a cobertura de 100% ainda não percebeu nosso bug
Os testes de mutação explicados com uma pequena ferramenta de mutação que construímos e executamos: 14 mutantes, um conjunto de testes com 100% de c…
Leia o artigo →Inteligência artificialExplicação da injeção imediata: como os aplicativos de IA são enganados e como defendê-los
Injeção imediata explicada para construtores: ataques diretos e indiretos, por que os filtros de palavras-chave falham (nosso teste bloqueou 1 de 4)…
Leia o artigo →DevOpsRegistros DNS explicados: A, AAAA, CNAME, MX, TXT e TTL com pesquisas reais
Registros DNS explicados com pesquisas que executamos: como funciona a resolução, A e AAAA, regras CNAME, MX e MX nulo, TXT para SPF e verificação, …
Leia o artigo →DevOpsSinalizadores de recursos explicados: lançamentos seguros, lançamentos graduais e higiene de sinalizadores
Sinalizadores de recursos explicados com uma simulação de implementação que executamos: tipos de sinalizadores, implementações percentuais com hashi…
Leia o artigo →Automação de testesGeração de dados de teste com Python Faker: dados realistas, repetíveis e seguros
Teste a geração de dados com Python Faker, execute e meça: propagação de dados repetíveis, localidades, valores exclusivos, registros em formato de …
Leia o artigo →Teste de softwareExplicação do teste Shift-Left: Encontre bugs mais cedo, sem atrasar a equipe
O teste shift-left explicou: o que significa, por que os defeitos iniciais são mais baratos, práticas desde revisões de requisitos até verificações …
Leia o artigo →Bancos de dados e SQLFunções de string SQL explicadas: TRIM, SUBSTR, REPLACE, CONCAT e limpeza de dados
Funções de string SQL explicadas com consultas que executamos: concatenação e NULL, TRIM, UPPER e LOWER, SUBSTR e INSTR, REPLACE, preenchimento, com…
Leia o artigo →Bancos de dados e SQLExplicação dos gatilhos SQL: gatilhos ANTES e DEPOIS, registros de auditoria e armadilhas
Gatilhos SQL explicados com gatilhos que executamos: ANTES vs DEPOIS, ANTIGO e NOVO, logs de auditoria, validação, atualizações de estoque, condiçõe…
Leia o artigo →Desenvolvimento de softwareMódulo JSON Python explicado: dumps, carregamentos, tipos personalizados e erros comuns
O módulo Python JSON explicado com o código que executamos: dumps e carregamentos, arquivos, conversões de tipo, datas e decimais, codificadores per…
Leia o artigo →Desenvolvimento de softwareMódulos ES vs CommonJS: como funcionam as importações de JavaScript em Node.js, testado
Módulos ES vs CommonJS explicados com código que executamos em Node.js: sintaxe de importação e exportação, require, vinculações ativas, cache, espe…
Leia o artigo →Desenvolvimento de softwarePython Regex explicado: padrões, grupos, antecipações e armadilhas, testados
Regex Python explicado com padrões que executamos: pesquisa vs correspondência, findall, grupos e grupos nomeados, ganancioso vs preguiçoso, sub, lo…
Leia o artigo →Inteligência artificialExplicação da saída estruturada do LLM: obtendo JSON confiável de modelos de IA
Saída estruturada do LLM explicada com validação que executamos no Pydantic: modo JSON e esquemas, decodificação restrita, formas de quebra de saída…
Leia o artigo →DevOpsChaves SSH explicadas: como funcionam, ssh-keygen, Ed25519 e hábitos seguros
Chaves SSH explicadas com chaves que geramos: chaves públicas versus privadas, ssh-keygen, Ed25519 versus RSA, impressões digitais, senhas, agente s…
Leia o artigo →DevOpsCache HTTP explicado: controle de cache, ETag e respostas 304, com um teste ao vivo
Cache HTTP explicado com um pequeno servidor que executamos: diretivas Cache-Control, idade máxima, sem cache vs sem armazenamento, revalidação de E…
Leia o artigo →Automação de testesTeste de contrato de API explicado: detecte alterações importantes antes de serem enviadas
O teste de contrato de API foi explicado com uma verificação de esquema que executamos: o que é um contrato, contratos orientados ao consumidor, Pac…
Leia o artigo →Teste de softwareTestes baseados em riscos explicados: avalie os riscos, construa uma matriz e teste o que é importante
Testes baseados em riscos explicados passo a passo: identificação de riscos, pontuação de probabilidade e impacto, construção de uma matriz de risco…
Leia o artigo →Bancos de dados e SQLRestrições SQL explicadas: NOT NULL, UNIQUE, CHECK e FOREIGN KEY, testadas
Restrições SQL explicadas com testes que executamos: NOT NULL, UNIQUE, CHECK, DEFAULT, PRIMARY e FOREIGN KEY, as lacunas NULL, configuração de chave…
Leia o artigo →Bancos de dados e SQLFunções de data SQL explicadas: adicionando, comparando e agrupando datas sem bugs
Funções de data SQL explicadas com consultas que executamos: adição de intervalos, surpresas de final de mês, diferenças de data, armadilha BETWEEN,…
Leia o artigo →Desenvolvimento de softwarePython assíncio explicado: assíncrono, espera, coleta e TaskGroup com Real Timings
Python asyncio explicado com código que cronometramos: corrotinas, espera, coleta, TaskGroup, tratamento de erros, tempos limite, limitação de simul…
Leia o artigo →Desenvolvimento de softwareDebounce vs Throttle em JavaScript: como funcionam, quando usar cada um, testado
Debounce vs. acelerador em JavaScript explicado com tempos que medimos em Node.js: como cada um funciona, implementações simples, chamadas iniciais …
Leia o artigo →Desenvolvimento de softwareGerenciadores de contexto Python explicados: a instrução with, contextlib e usos reais
Os gerenciadores de contexto Python explicados com o código que executamos: como funciona, __enter__ e __exit__, contextlib.contextmanager, supressã…
Leia o artigo →Inteligência artificialTemperatura LLM e Top-p explicados: como os modelos de IA escolhem sua próxima palavra
Temperatura LLM e top-p explicados com uma simulação que executamos: como as probabilidades são remodeladas, o que top-p mantém, configurações recom…
Leia o artigo →DevOpsYAML explicado: sintaxe, o problema da Noruega e outras armadilhas que testamos
YAML explicado com um teste de analisador: sintaxe básica, listas e mapas, o problema da Noruega, versões que se transformam em carros flutuantes, c…
Leia o artigo →DevOpsCron Jobs explicado: sintaxe, programações reais e os erros que os quebram
Cron jobs explicados com cronogramas que verificamos: os cinco campos, operadores, exemplos reais, a armadilha do dia do mês OU do dia da semana, pr…
Leia o artigo →Inteligência artificialExplicação das alucinações de IA: por que os modelos de linguagem inventam as coisas e como reduzi-las
Explicação das alucinações de IA: o que são, por que os modelos de linguagem as produzem, tipos comuns, como reduzi-las com aterramento e instruções…
Leia o artigo →DevOpsVariáveis de ambiente explicadas: arquivos .env, segredos e configuração bem feitos
Variáveis de ambiente explicadas com exemplos de Python que executamos: leitura e configuração, por que cada valor é uma string, arquivos .env, hera…
Leia o artigo →Desenvolvimento de softwareExplicação da limitação de taxa de API: algoritmos, cabeçalhos e tratamento de erros 429
Limitação de taxa de API explicada com uma simulação que executamos: token bucket, janela fixa, janela deslizante, 429 respostas, cabeçalhos de limi…
Leia o artigo →Automação de testesZombando em Python: unittest.mock, patch e os erros que fazem os testes mentirem
Zombaria em Python com unittest.mock, testado: Mock e return_value, side_effect, patch onde um nome é usado, especificação e autospec, zombaria de d…
Leia o artigo →Teste de softwareCobertura de código explicada: cobertura de linha versus filial e o que 100% realmente significa
Cobertura de código explicada com uma execução cobertura.py real: cobertura de linha, ramal e condição, leitura de um relatório, por que 100% de cob…
Leia o artigo →Bancos de dados e SQLDELETE vs TRUNCATE vs DROP em SQL: diferenças, reversão e quando usar cada um
DELETE vs TRUNCATE vs DROP explicado com SQL testado: o que cada um remove, rollback, aciona, redefinição de identidade, velocidade e como PostgreSQ…
Leia o artigo →Bancos de dados e SQLExibições SQL explicadas: crie, use e evite as armadilhas, com exemplos
Visualizações SQL explicadas com consultas que executamos: criação de uma visualização, resultados ao vivo, ocultação de colunas, desempenho, visual…
Leia o artigo →Desenvolvimento de softwareInterface TypeScript vs tipo: diferenças reais, testadas com o compilador
Interface TypeScript versus tipo, verificada com o compilador real: o que ambos podem fazer, o que apenas um pode fazer, mesclagem de declarações, e…
Leia o artigo →Desenvolvimento de softwarePython *args e **kwargs explicados: funções flexíveis com exemplos claros
Python *args e **kwargs explicados com o código que executamos: empacotamento e descompactação, ordem dos parâmetros, argumentos somente de palavras…
Leia o artigo →Desenvolvimento de softwareFunções Python Lambda: sintaxe, usos reais e quando não usá-los
Funções lambda do Python explicadas com o código que executamos: sintaxe, classificação com chave, mapa e filtro, fechamentos, armadilha de ligação …
Leia o artigo →Inteligência artificialO que são agentes de IA? Como eles funcionam, com um loop de agente simples que você pode executar
O que são agentes de IA? Um guia simples para o loop do agente, ferramentas, memória e proteções, com um pequeno loop Python que executamos, riscos …
Leia o artigo →DevOpsMonitoramento versus observabilidade: a verdadeira diferença, com logs, métricas e rastreamentos
Explicação do monitoramento versus observabilidade: falhas conhecidas e desconhecidas, logs, métricas e rastreamentos, um passo a passo do incidente…
Leia o artigo →DevOpsDocker Volumes vs Bind Mounts: persista os dados do contêiner da maneira certa
Volumes Docker versus montagens de ligação explicadas: por que os dados do contêiner desaparecem, volumes nomeados, montagens de ligação, tmpfs, exe…
Leia o artigo →Automação de testesTDD vs BDD: principais diferenças, um recurso criado de ambas as maneiras e quando usar cada um
TDD vs BDD explicado com um recurso de desconto construído em ambos os sentidos: refatoração vermelho-verde com o código que executamos, cenários da…
Leia o artigo →Teste de softwareTeste de aceitação do usuário (UAT): processo, lista de verificação e exemplos reais
Explicação do teste de aceitação do usuário: quem o executa, como ele difere do controle de qualidade, um processo de sete etapas, um modelo de caso…
Leia o artigo →Bancos de dados e SQLValores SQL NULL explicados: IS NULL, COALESCE, NULLIF e as armadilhas a serem evitadas
Valores SQL NULL explicados com consultas que executamos: lógica de três valores, IS NULL, COALESCE, NULLIF, como agregações, junções e classificaçã…
Leia o artigo →Bancos de dados e SQLInstrução SQL CASE WHEN: sintaxe, exemplos reais e erros comuns
SQL CASE WHEN explicado com consultas que executamos: formulários simples e pesquisados, ordem de condição, pivôs com SUM, truques COUNT, classifica…
Leia o artigo →Desenvolvimento de softwareO que é JWT? JSON Web Tokens explicados com um exemplo prático
O que é JWT? JSON Web Tokens explicados: as três partes, um token construído e adulterado no código que executamos, JWT vs sessões, armazenamento, t…
Leia o artigo →Desenvolvimento de softwareLoop de eventos JavaScript explicado: pilha de chamadas, microtarefas e temporizadores com exemplos
O loop de eventos JavaScript explicado com o código que executamos: pilha de chamadas, filas de tarefas e microtarefas, por que setTimeout 0 não é i…
Leia o artigo →Desenvolvimento de softwareGeradores Python e rendimento explicado: economize memória com exemplos reais
Geradores Python e rendimento explicados com o código que executamos: como eles pausam e reiniciam, medem economia de memória, pipelines, sequências…
Leia o artigo →Inteligência artificialO que são incorporações? Similaridade de vetores e cossenos explicada de forma simples
O que são incorporações? Um guia em linguagem simples para vetores, similaridade de cossenos e pesquisa semântica, com um pequeno exemplo que execut…
Leia o artigo →DevOpsImplantação azul-verde vs canário: diferenças, compensações e como escolher
Explicação da implantação azul-verde versus canário: como cada um funciona, custo, risco e reversão, agrupamento estável de usuários que testamos, m…
Leia o artigo →Automação de testesTestes instáveis: o que os causa e como corrigi-los para sempre
Testes instáveis explicados com demonstrações que executamos: as principais causas, como confirmar e diagnosticar uma, soluções adequadas para tempo…
Leia o artigo →Teste de softwareTeste de carga versus teste de estresse: diferenças, métricas e exemplos k6
Teste de carga versus teste de estresse explicado: o que cada um prova, testes de pico e absorção, as métricas que importam, por que as médias engan…
Leia o artigo →Teste de softwareCaso de teste versus cenário de teste: principais diferenças, exemplos e quando usar cada um
Caso de teste vs cenário de teste explicado: definições claras, uma tabela lado a lado, um recurso de redefinição de senha retirado de cenários para…
Leia o artigo →Bancos de dados e SQLOtimização de consultas SQL: leia planos de execução e corrija consultas lentas, com intervalos
Otimização de consulta SQL testada em um milhão de linhas: leia planos de execução, adicione os índices corretos, corrija filtros não sargáveis, use…
Leia o artigo →Bancos de dados e SQLSQL UNION vs UNION ALL: diferenças, exemplos e desempenho testado
SQL UNION vs UNION ALL explicado com consultas que executamos: duplicatas, as regras que ambos seguem, um bug de dados real, desempenho medido, INTE…
Leia o artigo →Desenvolvimento de softwareTutorial da API JavaScript Fetch: GET, POST, tratamento de erros e tempos limite
Um tutorial da API JavaScript Fetch testado em um servidor local: GET e POST, por que 404 não lança, um auxiliar reutilizável, strings de consulta, …
Leia o artigo →Desenvolvimento de softwareManipulação de arquivos Python: leitura, gravação, CSV, JSON e pathlib com exemplos
Manipulação de arquivos Python explicada com código que executamos: modos abertos, com, leitura de arquivos grandes, CSV, JSON, pathlib, arquivos bi…
Leia o artigo →Desenvolvimento de softwareClasses e objetos Python: tutorial OOP com exemplos reais
Classes e objetos Python explicados com código que executamos: __init__, métodos, atributos de classe vs instância, herança, propriedades, métodos d…
Leia o artigo →Inteligência artificialO que é um modelo de linguagem grande? Como funcionam os LLMs, explicado sem exageros
O que é um modelo de linguagem grande? LLMs explicados em linguagem simples: tokens, incorporações, atenção, treinamento, temperatura e janelas de c…
Leia o artigo →DevOpsComandos Linux para iniciantes: o guia essencial do terminal com exemplos
Comandos Linux para iniciantes, agrupados por tarefa: navegação, arquivos, visualização de logs, grep, pipes, permissões, processos e arquivos, com …
Leia o artigo →Automação de testesSelenium vs Playwright: principais diferenças, código comparado e qual escolher
Selenium vs Playwright comparado: arquitetura, espera, suporte a navegador e linguagem, depuração, o mesmo teste em ambas as ferramentas, conselhos …
Leia o artigo →Teste de softwareParticionamento de equivalência: técnica de design de teste explicada com exemplos resolvidos
Explicação do particionamento de equivalência: como encontrar partições válidas e inválidas, exemplos resolvidos para idades, senhas e cupons, teste…
Leia o artigo →Teste de softwareGravidade vs Prioridade em Testes de Software: Diferenças, Matriz e Exemplos Reais
Explicação da gravidade versus prioridade em testes de software: definições claras, uma matriz de quatro vias com exemplos, escalas de nível, quem d…
Leia o artigo →Bancos de dados e SQLTutorial de subconsultas SQL: tipos, subconsultas correlacionadas e EXISTS com exemplos
Um tutorial de subconsultas SQL com consultas que executamos: subconsultas escalares, IN, FROM e SELECT, subconsultas correlacionadas, EXISTS, a arm…
Leia o artigo →Bancos de dados e SQLTransações SQL e ACID explicados: COMMIT, ROLLBACK e níveis de isolamento
Transações SQL e ACID explicadas com uma transferência bancária que executamos: COMMIT, ROLLBACK, savepoints, locks, níveis de isolamento, leituras …
Leia o artigo →Desenvolvimento de softwareFolha de dicas dos comandos do Git: os comandos que você realmente usa, com exemplos
Uma folha de dicas de comandos Git agrupada por tarefa: configuração, preparação, ramificações, controles remotos, stash, histórico e desfazer erros…
Leia o artigo →Desenvolvimento de softwareExplicação das promessas de JavaScript: então, catch, Promise.all e erros comuns
Promessas JavaScript explicadas com o código que executamos: estados, cadeias then e catch, tratamento de erros, Promise.all, allSettled, race e any…
Leia o artigo →Desenvolvimento de softwareTutorial do dicionário Python: métodos, exemplos e padrões comuns
Um tutorial de dicionário Python com código que executamos: criar, ler e atualizar dictos, métodos-chave, mesclagem, compreensão, padrões de contage…
Leia o artigo →Inteligência artificialO que é RAG? Geração aumentada de recuperação explicada com um exemplo prático
O que é RAG? Geração aumentada de recuperação explicada passo a passo: indexação, chunking, embeddings, recuperação, um pequeno exemplo funcional de…
Leia o artigo →DevOpsTutorial Terraform para iniciantes: infraestrutura como código do primeiro arquivo aos módulos
Um tutorial do Terraform para iniciantes: comece sem conta na nuvem, aprenda como iniciar, planejar e aplicar, depois variáveis, saídas, estado, mód…
Leia o artigo →DevOpsDocker vs Kubernetes: principais diferenças, como eles funcionam juntos e o que você precisa
Docker vs Kubernetes explicado: o que cada um faz, o mesmo aplicativo rodando com ambos, Docker Compose e Swarm comparados, a mudança do dockershim …
Leia o artigo →Automação de testesTutorial Pytest para iniciantes: luminárias, parametrização e exemplos reais
Um tutorial pytest para iniciantes com testes que executamos no pytest 9.2: asserções, fixtures, parametrizar, conftest, marcadores, tmp_path, monke…
Leia o artigo →Teste de softwareCiclo de vida de teste de software (STLC): 6 fases, critérios de entrada e saída, exemplo
O ciclo de vida de teste de software explicou: seis fases do STLC com critérios de entrada e saída, resultados, um exemplo de recurso de login funci…
Leia o artigo →Desenvolvimento de softwareGit merge vs rebase: diferenças, exemplos e quando usar cada um
Git merge vs rebase explicado com saída real do log, uma tabela comparativa, a regra de ouro do rebase e um fluxo de trabalho seguro para equipes.
Leia o artigo →Desenvolvimento de softwareList comprehension em Python: sintaxe, exemplos e quando evitar
List comprehension em Python explicada: sintaxe, filtros, if-else, laços aninhados, tempos medidos e quando um laço for comum é a melhor escolha.
Leia o artigo →Bancos de dados e SQLSQL JOIN explicado com exemplos (Inner, Left, Right, Full)
Entenda os joins SQL passo a passo com tabelas e consultas de exemplo: INNER, LEFT, RIGHT, FULL, CROSS e SELF, além de erros comuns e dicas de desem…
Leia o artigo →