O Mapa de Habilidades em Engenharia de AI de Andrew Ng: O Que as Equipes Enterprise Devem Padronizar

Built for Speed: ~10ms Latency, Even Under Load
Blazingly fast way to build, track and deploy your models!
- Handles 350+ RPS on just 1 vCPU — no tuning needed
- Production-ready with full enterprise support
O mapa de Andrew Ng é um framework de habilidades, não uma arquitetura de produto. Este artigo faz uma pergunta enterprise mais precisa: quais mecânicas os engenheiros devem entender e possuir, e quais primitivas repetíveis de runtime, acesso, governança, reuso e evidência uma plataforma pode padronizar sem substituir esse julgamento?
As quatro habilidades de alto nível de Andrew Ng são enganosamente simples:
- Construção e implantação de aplicações de AI
- Fundamentos de engenharia de software
- Uso de agentes de código
- Modelagem da construção (Shaping the build)
O sinal útil é o que a lista se recusa a simplificar demais. A engenharia de AI não se reduz a engenharia de prompts; agentes de código não eliminam os fundamentos de software; a implantação faz parte do ofício; e o julgamento de produto caminha lado a lado com a implementação. O mapa, portanto, trata a engenharia de AI como uma combinação de trabalho de sistemas, engenharia de software, desenvolvimento assistido por agentes e julgamento.
1. Um mapa de habilidades não é um checklist de produtos
A maneira errada de usar o mapa de Ng seria desenhar quatro caixas e afirmar que uma plataforma "resolve" cada uma delas. Habilidades são capacidades humanas. Julgamento de produto, julgamento de arquitetura, capacidade de depuração, design de avaliação e compreensão do cliente não desaparecem porque uma empresa compra infraestrutura.
A tradução enterprise mais útil é esta: padronize as mecânicas repetíveis para que os engenheiros possam dedicar mais do seu escasso julgamento às partes que genuinamente exigem julgamento.

2. Construção e implantação de aplicações de AI: é aqui que o mapa da plataforma é mais forte
O detalhamento de Ng em 21 de agosto divide a construção e implantação de aplicações de AI em seis capacidades: fundamentos de LLM, aterramento de modelos com dados (grounding), construção de sistemas agênticos, desenvolvimento orientado a avaliações, operação em produção e fundamentos de aprendizado de máquina. O ponto importante é que essas são habilidades de engenharia, não categorias de fornecedores. Uma plataforma pode operacionalizar partes do trabalho; ela não pode substituir o conhecimento sobre por que uma determinada arquitetura, modelo, avaliador ou política de falha é apropriada.
Fundamentos de LLM → AI Gateway pode padronizar o acesso, não a compreensão
Os engenheiros ainda precisam entender o comportamento do modelo: janelas de contexto, caching, limites de conhecimento (knowledge cutoffs), amostragem, esforço de raciocínio, chamadas de ferramentas (tool calling), latência, custo e comportamento específico do provedor. O TrueFoundry AI Gateway pode padronizar como o tráfego roteado do modelo é acessado e governado—APIs unificadas, roteamento e fallbacks, RBAC, limites de taxa (rate limits), orçamentos, guardrails e observabilidade compatível com OpenTelemetry—mas não elimina a necessidade de compreender esses tradeoffs de modelo.
Aterramento de modelos com dados → acesso governado, não "RAG pronto para uso"
Ng trata o aterramento (grounding) como um menu arquitetônico em vez de um sinônimo para busca vetorial: os engenheiros podem escolher contexto no prompt, recuperação, chamadas de ferramentas, índices vetoriais, grafos de conhecimento, camadas semânticas sobre dados estruturados, ou combinações deles. Não existe um mapeamento universal de "grounding → MCP Gateway". Quando uma aplicação expõe recuperação ou acesso a dados por meio de ferramentas MCP, o MCP Gateway pode governar esse caminho de acesso através de descoberta, autenticação, permissões em nível de ferramenta, credenciais downstream, guardrails, aprovações, observabilidade e auditoria. Se o grounding ocorrer diretamente dentro da aplicação ou por meio de um vetor store, grafo de conhecimento ou camada semântica que não perpasse o MCP, esse caminho permanece fora do MCP Gateway.
Construção de sistemas agênticos → arquitetura em primeiro lugar; TrueForge mapeia para o ramo de harness/runtime
A expansão de Ng em 21 de agosto trata os sistemas agênticos como um espectro arquitetônico em vez de uma escolha única de framework. Em um extremo, uma aplicação pode executar um fluxo de trabalho comparativamente explícito de chamadas de modelos. No extremo mais aberto, um harness de agente permite que o modelo escolha repetidamente seu próximo passo enquanto o runtime ao redor gerencia ferramentas, contexto, execução, limites de segurança e continuação. No meio termo estão os sistemas híbridos que combinam estrutura de fluxo de trabalho explícita com nós agênticos.
Isso significa que a habilidade subjacente é o julgamento arquitetônico: decidir o que deve ser determinístico, o que deve ser delegado a um modelo, o que pode ser executado em paralelo, quais ferramentas o sistema pode chamar, como a memória e o contexto de sessões longas devem funcionar, quando múltiplos agentes ajudam, e quais fallbacks, guardrails e governança são necessários.
O TrueForge se mapeia fortemente ao ramo de harness/runtime desse espaço de design. Sua documentação define um harness de agente open-source que executa o loop de modelo/ferramenta, conecta-se a servidores MCP, gerencia contexto de tarefas longas, trata a execução em sandbox isolado como uma ferramenta, pausa para aprovação humana, suporta subagentes e persiste sessões entre reconexões e reinicializações.
O mapeamento se torna concreto no AgentSpec. Uma definição de agente reutilizável pode especificar o modelo e parâmetros, instruções, servidores MCP e filtros de ferramentas, política de aprovação, Skills, comportamento de sandbox, gerenciamento de contexto, formato de resposta e limite de iterações. Essas são escolhas de runtime que um engenheiro pode precisar ao implementar uma arquitetura baseada em harness de agente.

Desenvolvimento orientado a avaliações → evidências estruturadas, não um avaliador embutido
Ng trata a avaliação disciplinada e a análise de erros como uma habilidade fundamental de engenharia de AI. A implicação para a plataforma não é "comprar um avaliador". É que as avaliações precisam de evidências confiáveis sobre o que realmente aconteceu: prompts e respostas retidos, escolhas de modelos/ferramentas, etapas intermediárias, falhas, latência, custo e o contexto da tarefa ao redor.
O TrueForge torna sua estrutura de runtime explícita por meio de um modelo Agent → Session → Turn → Event → Delta. A documentação distingue esses objetos com precisão:

O modelo de Event é tecnicamente útil porque a documentação também especifica um ID de evento, um thread_id que distingue o agente raiz das threads de subagentes, e informações de sequência usadas ao retomar após uma desconexão. Isso fornece evidências de execução estruturadas em vez de uma única resposta final opaca.
Para o tráfego roteado por meio dos TrueFoundry Gateways, traces e métricas nos limites do modelo e do MCP adicionam outra camada de evidência. Mas a fronteira continua importante: eventos e traces não determinam se uma resposta foi correta, se a ação de uma ferramenta foi apropriada ou se um resultado de negócio foi bem-sucedido. A aplicação ainda precisa de conjuntos de dados específicos da tarefa, asserções determinísticas, juízes LLM onde apropriado, revisão humana ou outra lógica de avaliação.
Operação em produção → controles compartilhados ao redor do runtime
O ramo de produção de Ng inclui observabilidade, falhas, segurança, testes de regressão e tradeoffs de custo/latência. Aqui o mapeamento do TrueFoundry é mais forte quando expresso como controles operacionais compartilhados, e não como um substituto para a engenharia de produção.
O AI Gateway documenta acesso unificado a modelos, controle de acesso granular, limite de taxa (rate limiting), balanceamento de carga de modelos virtuais com retentativas/fallbacks, limite de orçamento, guardrails e métricas/logs compatíveis com OpenTelemetry para o tráfego de modelos roteado por ele. O MCP Gateway adiciona visibilidade centralizada e políticas sobre o tráfego de ferramentas MCP, incluindo guardrails pré/pós-ferramenta, fluxos de trabalho de aprovação e registros de auditoria. O Agent Registry fornece um catálogo além de métricas e traces centralizados para agentes registrados, incluindo agentes remotos.
Essas capacidades podem reduzir a duplicação de infraestrutura operacional entre as equipes. Elas não definem os SLOs da aplicação, política de incidentes, semântica de rollback, estratégia de idempotência, requisitos de retenção de dados ou tratamento de falhas específico do negócio.
Fundamentos de aprendizado de máquina → continuam sendo fundamentos
Intencionalmente, não há substituição de produto aqui. Compreender viés/variância, qualidade de dados, avaliação, tradeoffs de modelos e dinâmica de aprendizado continua sendo uma habilidade humana. A infraestrutura pode dar suporte ao fluxo de trabalho, mas não pode substituir os modelos mentais necessários para raciocinar sobre saídas incertas.
3. Fundamentos de engenharia de software importam mais quando agentes escrevem mais código
O acompanhamento de Ng em 28 de agosto torna explícita a relação com os agentes de código: os fundamentos de software continuam sendo essenciais porque os engenheiros ainda precisam reconhecer e direcionar tradeoffs que o agente não consegue inferir apenas a partir do contexto de negócios. Ele organiza este ramo em torno da construção de aplicações full-stack, gerenciamento de dados, design de arquiteturas de sistemas, garantia de segurança e confiabilidade dos sistemas, e escalabilidade e operação em produção.
O mapeamento do TrueFoundry aqui é intencionalmente indireto. Uma plataforma pode padronizar algumas primitivas de implementação—autenticação e autorização em limites compartilhados, políticas de acesso a modelos/ferramentas, controles de orçamento/taxa, isolamento em sandbox, estado persistente de runtime de agentes e telemetria—mas não pode fornecer a compreensão do engenheiro sobre modelos de dados, consistência, testes, domínios de falha, design de segurança ou arquitetura de sistemas.
O princípio é simples: agentes de código podem acelerar a implementação, mas a arquitetura ainda determina a forma da falha.
4. Uso de agentes de código: governe o ambiente ao redor deles
Ng faz do uso de agentes de código uma habilidade de alto nível separada. No Mapa de Habilidades original, trata-se da própria habilidade operacional do desenvolvedor: ter um modelo mental útil de como os agentes de código funcionam e falham, gerenciar seu contexto, decidir quanta autonomia conceder, fornecer verificadores ou avaliações, saber quando intervir e atualizar continuamente o fluxo de trabalho à medida que as ferramentas mudam.
Isso não é algo que a TrueFoundry possa substituir. O mapeamento natural de produto se limita apenas a partes do ambiente ao redor dos agentes de código. Para clientes de codificação compatíveis que usam MCP, o MCP Gateway pode centralizar a descoberta de servidores, autenticação de entrada, controle de acesso em nível de ferramenta, credenciais downstream, guardrails, aprovações e auditoria. Isso pode tornar a superfície de ferramentas mais consistente e governável entre usuários e clientes.
O Skills Registry aborda um problema diferente: conhecimento procedimental reutilizável. A TrueFoundry documenta Skills como artefatos versionados que podem ser publicados uma vez e reutilizados em TrueFoundry Agents, Claude Code e Cursor, herdando RBAC do repositório, histórico de versões e logs de auditoria.
5. Modelagem da construção (Shaping the build): o mapeamento de produto mais fraco é o mais importante
O quarto ramo é o local menos apropriado para a promoção de produtos. A abordagem de Ng se move da implementação em direção ao senso de produto, contexto de negócios, metas do cliente, sentimento de dono (ownership), seleção de problemas que valem a pena e julgamento sobre quando lançar um MVP versus quando o risco ou a qualidade exigem uma construção mais cuidadosa.
Nenhum gateway, harness, registry ou dashboard fornece esse julgamento. A infraestrutura pode melhorar o ciclo de feedback: o tráfego roteado pelo gateway pode expor uso, latência, falhas e gastos; o Agent Registry pode centralizar métricas e traces para agentes registrados; os controles de orçamento podem delimitar experimentos. Esses são insumos para o julgamento, não substitutos para decidir o que deve ser construído ou qual resultado importa.
Esta é a leitura enterprise útil do mapa: padronize mecânicas não diferenciadas para que os engenheiros possam passar mais tempo em arquitetura, avaliação, compreensão do cliente e decisões de produto que não podem ser centralizadas.
6. A versão enterprise do mapa de habilidades
Se o mapa de Ng descreve o engenheiro moderno, uma plataforma enterprise de AI deve responder a uma pergunta paralela: o que todo engenheiro deve receber por padrão?
7. A mudança maior: da fluência individual para a capacidade institucional
A consequência enterprise mais importante do mapa de habilidades de Ng pode ser que a engenharia de AI está se tornando ampla demais para ser operacionalizada por meio de heroísmos individuais.
Um excelente engenheiro pode entender de modelos, RAG, agentes, avaliações, sistemas distribuídos, segurança, agentes de código, tradeoffs de produto e operações. Mas se cada engenheiro também tiver que reconstruir adaptadores de modelos, manipulação de credenciais, descoberta de MCP, autorização de ferramentas, estado de aprovações, contabilidade de custos e rastreamento dentro de cada projeto, a organização estará desperdiçando essa experiência em infraestrutura não diferenciada.
Uma divisão de trabalho mais forte é:
- Os engenheiros são donos do julgamento: arquitetura, design de avaliação, escolha de modelo/ferramenta, tradeoffs de produto, análise de erros e o que construir.
- O TrueForge fornece o harness/runtime de agente aberto: mecânicas reutilizáveis para executar loops de modelo/ferramenta com contexto, ferramentas, sandboxing, aprovações, estado, subagentes e eventos.
- Os TrueFoundry Gateways fornecem limites de política compartilhados: acesso a modelos e MCP, roteamento, orçamentos, guardrails, credenciais, aprovações, auditoria e telemetria para o tráfego intencionalmente roteado por eles.
- Sistemas de registro permanecem autoritativos: dados de negócios, permissões e efeitos colaterais ainda pertencem aos sistemas que os detêm.
Referências
- Andrew Ng / DeepLearning.AI — “The AI Engineering Skills Map” (14 de ago. de 2026). Framework principal e metodologia.
- Andrew Ng — Publicações. Índice oficial para os acompanhamentos de 21 de ago. “Building and Deploying AI Applications” e 28 de ago. “Software Engineering Fundamentals”.
- Andrew Ng — “Building and Deploying AI Applications” (21 de ago. de 2026). Expansão detalhada da primeira área de habilidades.
- TrueForge — Introdução. Definição do harness e capacidades documentadas de loop de execução.
- TrueForge — Criar um Agent. Campos de AgentSpec e opções de runtime.
- TrueForge — Conceitos de SDK: Event. Semânticas de Agent/Session/Turn/Event/Delta e metadados de eventos.
- TrueFoundry — Introdução ao AI Gateway.
- TrueFoundry — Visão Geral do MCP Gateway.
- TrueFoundry — Autenticação e Segurança do MCP Gateway.
- TrueFoundry — Skills Registry.
- TrueFoundry — Agent Registry.
Isenção editorial: Andrew Ng e DeepLearning.AI não possuem afiliação com este artigo e não endossam a TrueFoundry. Seu AI Engineering Skills Map é utilizado como uma estrutura externa; todos os mapeamentos de infraestrutura são análises editoriais da TrueFoundry. As capacidades dos produtos foram checadas novamente com base na documentação pública da TrueFoundry e do TrueForge disponível em 31 de agosto de 2026.
TrueFoundry AI Gateway delivers ~3–4 ms latency, handles 350+ RPS on 1 vCPU, scales horizontally with ease, and is production-ready, while LiteLLM suffers from high latency, struggles beyond moderate RPS, lacks built-in scaling, and is best for light or prototype workloads.













.webp)
.webp)
.webp)


.webp)


.webp)
.webp)
.png)

.png)
.png)
.png)






