Livros de engenharia de IA: ordem de leitura recomendada
Estes seis livros de engenharia de IA formam a trilha que eu recomendo para quem desenvolve software e quer colocar aplicações com modelos de linguagem em produção. A ordem começa no AI Engineering, passa por Hands-On Large Language Models, Designing Data-Intensive Applications, Designing Machine Learning Systems e Machine Learning Design Patterns, e termina no Build a Large Language Model (From Scratch).
Por que ler livros de engenharia de IA em vez de só tutoriais
Tutoriais ensinam a chamar uma API, mas raramente explicam por que um sistema quebra em produção. Por isso, um bom livro continua valendo o investimento, mesmo com documentação nova saindo toda semana.
Na prática, a documentação mostra o que um SDK faz hoje. Um livro mostra o raciocínio por trás das decisões, e esse raciocínio envelhece bem mais devagar.
Além disso, quem escreveu os livros de engenharia de IA desta lista colocou sistemas reais no ar. Chip Huyen ensinou design de sistemas de machine learning em Stanford, e Martin Kleppmann trabalhou como engenheiro no LinkedIn antes de virar professor em Cambridge.
Também vale lembrar que nenhum desses livros depende de um framework específico. Assim, o que você aprende serve tanto em Python quanto em C# com Semantic Kernel ou Agent Framework.
A ordem de leitura dos livros de engenharia de IA
A lógica da ordem é simples: começar pelo que gera retorno imediato e terminar no que exige mais base. Primeiro vem a visão de aplicação, depois a intuição sobre os modelos, em seguida os fundamentos de dados e de ML clássico e, por fim, a implementação de um LLM.
- AI Engineering, para entender como montar aplicações com foundation models.
- Hands-On Large Language Models, para ganhar intuição visual sobre tokens, embeddings e transformers.
- Designing Data-Intensive Applications, para dominar os fundamentos de sistemas de dados.
- Designing Machine Learning Systems, para levar ML clássico para produção.
- Machine Learning Design Patterns, para consultar soluções prontas a problemas recorrentes.
- Build a Large Language Model (From Scratch), para implementar um modelo GPT linha por linha.
Dessa forma, cada livro prepara o terreno para o seguinte. Você nunca abre um capítulo sem ter o vocabulário que ele pressupõe.
1. AI Engineering, de Chip Huyen
Autora: Chip Huyen. Editora: O'Reilly, 2025, com cerca de 500 páginas.
Link: AI Engineering na Amazon.
O AI Engineering trata da construção de aplicações em cima de foundation models, ou seja, modelos prontos que você adapta em vez de treinar do zero. Logo no primeiro capítulo, a autora separa engenharia de IA de engenharia de ML: o foco sai do treino e vai para a adaptação e a avaliação.
O que mais me marcou foram os dois capítulos sobre avaliação. Ela mostra por que avaliar uma resposta aberta é muito mais difícil do que medir a acurácia de um classificador.
Em seguida, ela explica como usar um modelo como juiz de outro modelo sem confiar cegamente no veredito. Para mim, essa parte mudou a forma como eu penso em testes de aplicações com LLM.
Depois, o livro de engenharia de IA da Chip Huyen sobe uma escada de técnicas: prompt engineering, RAG, agentes e fine-tuning. A regra prática que fica é começar pelo mais barato e só mexer nos pesos do modelo quando prompt e contexto não bastam.
O capítulo de prompt engineering também traz uma parte sobre prompts defensivos contra prompt injection. Isso vale ouro quando o agente passa a chamar ferramentas.
Por fim, os capítulos finais cobrem engenharia de datasets, otimização de inferência e a arquitetura completa de uma aplicação, incluindo a coleta de feedback do usuário. O repositório oficial do livro reúne material complementar organizado por capítulo.
Por que ele abre a lista de livros de engenharia de IA
Este é o livro com retorno mais rápido para quem já constrói software. Você termina a leitura sabendo onde cada peça se encaixa, mesmo sem dominar os detalhes internos do modelo.
Além disso, ele funciona como um mapa da área. Os outros cinco livros de engenharia de IA aprofundam regiões específicas desse mapa.
2. Hands-On Large Language Models, de Jay Alammar e Maarten Grootendorst
Autores: Jay Alammar e Maarten Grootendorst. Editora: O'Reilly, 2024, com cerca de 400 páginas.
Link: Hands-On Large Language Models na Amazon.
Jay Alammar ficou conhecido pelo artigo The Illustrated Transformer, e o livro carrega essa marca. Quase todas as páginas trazem ilustrações próprias que deixam conceitos abstratos fáceis de visualizar.
A primeira parte explica tokens, embeddings e o que acontece dentro de um transformer. Por isso, a atenção deixa de ser uma fórmula e vira um desenho que você entende de cara.
Em seguida, a segunda parte usa modelos prontos em tarefas reais. Ela passa por classificação de texto, clustering, modelagem de tópicos, prompt engineering, geração de texto com memória, busca semântica, RAG e modelos multimodais.
Já a terceira parte mostra como treinar modelos de embedding e fazer fine-tuning de modelos de representação e de geração. Todo o código roda em notebooks no Google Colab, então falta de hardware não vira desculpa.
Também é o livro de engenharia de IA mais visual que já li. O ponto alto para mim foi entender embeddings de verdade.
Depois desse livro, um vector store deixa de ser caixa-preta e passa a ser só matemática de similaridade.
Por que ele vem em segundo
O AI Engineering diz o que fazer, e o Hands-On mostra por que aquilo funciona. Lido nessa ordem, cada diagrama responde a uma dúvida que o livro anterior deixou aberta.
Por outro lado, quem inverte a ordem corre o risco de mergulhar em detalhes sem saber onde eles importam na aplicação. Entre os livros de engenharia de IA, este é o melhor para construir intuição.
3. Designing Data-Intensive Applications, de Martin Kleppmann
Autor: Martin Kleppmann, com Chris Riccomini como coautor na segunda edição. Editora: O'Reilly, com primeira edição em 2017 e segunda edição em 2026.
Link: Designing Data-Intensive Applications na Amazon.
Este não é um livro de IA, e justamente por isso ele está aqui. Toda aplicação de IA séria vive em cima de dados: bancos relacionais, filas, índices de busca, caches e, agora, vector stores.
O livro começa pelos três pilares de um bom sistema: confiabilidade, escalabilidade e manutenibilidade. Em seguida, explica modelos de dados, linguagens de consulta e como os bancos guardam informação por dentro, com LSM-trees, B-trees e armazenamento colunar.
Embora não fale de modelos, ele resolve problemas que todos os livros de engenharia de IA assumem resolvidos. A parte de sistemas distribuídos é a mais valiosa.
Replicação, particionamento, transações, relógios que mentem, consistência e consenso aparecem com uma clareza rara.
Por fim, os capítulos de processamento em lote e em streaming conectam tudo em pipelines de dados. Depois deles, Kafka e Spark deixam de ser nomes e viram decisões de arquitetura.
A segunda edição saiu em março de 2026 e mantém a estrutura e a filosofia da primeira. Ela atualiza o conteúdo com serviços de nuvem e arquiteturas que separam armazenamento e computação.
O link acima aponta para a primeira edição impressa, a mesma da capa. Então, se preferir o conteúdo atualizado, procure a segunda edição, que traz Chris Riccomini como coautor.
Por que ele entra no meio da trilha de livros de engenharia de IA
Depois dos dois primeiros livros, você sabe montar um RAG, mas ainda não sabe por que ele fica lento, inconsistente ou caro com mil usuários. O DDIA responde exatamente essas perguntas.
Como é denso, ele também combina bem com leitura em paralelo. Um capítulo por semana, enquanto você avança nos outros livros de engenharia de IA, já faz muita diferença.
4. Designing Machine Learning Systems, de Chip Huyen
Autora: Chip Huyen. Editora: O'Reilly, 2022.
Link: Designing Machine Learning Systems na Amazon.
Este é o livro anterior da mesma autora, e o próprio AI Engineering se apresenta como um complemento dele. Aqui o foco é ML clássico em produção, com modelos que você treina com os seus dados, como detecção de fraude, recomendação e previsão de demanda.
O livro percorre o ciclo inteiro de um sistema de ML. Ele começa em engenharia de dados, passa por dados de treino, feature engineering, desenvolvimento e avaliação offline e chega ao deploy do serviço de predição.
Entre os livros de engenharia de IA da lista, este é o que mais fala de monitoramento. O capítulo que mais me fez pensar trata de mudanças na distribuição dos dados.
Um modelo excelente no teste começa a errar em produção porque o mundo mudou, e ninguém percebe sem monitoramento.
Em seguida, a autora fala de aprendizado contínuo, testes em produção e infraestrutura de MLOps. O último capítulo trata do lado humano do ML, com experiência do usuário, estrutura de times e responsabilidade.
Por que ele vem depois do DDIA
Com o DDIA na bagagem, os capítulos de dados e infraestrutura ficam muito mais fáceis. Você reconhece os trade-offs de armazenamento e streaming que reaparecem no contexto de ML.
Além disso, ele completa o AI Engineering. Nem todo problema pede um LLM, e muitas vezes um modelo clássico menor resolve com menos custo e menos latência.
5. Machine Learning Design Patterns, de Lakshmanan, Robinson e Munn
Autores: Valliappa Lakshmanan, Sara Robinson e Michael Munn. Editora: O'Reilly, 2020.
Link: Machine Learning Design Patterns na Amazon.
O livro reúne 30 padrões de projeto para machine learning, no mesmo espírito do clássico da Gang of Four para orientação a objetos. Cada padrão segue a estrutura de problema, solução, por que funciona e trade-offs.
Os padrões ficam em seis grupos: representação de dados, representação do problema, treinamento, serving resiliente, reprodutibilidade e IA responsável. Alguns nomes viraram vocabulário do meu dia a dia, como Feature Store, Embeddings, Transform e Model Versioning.
Na prática, ele é o livro de engenharia de IA que mais consulto quando preciso nomear uma solução. Os exemplos usam bastante Google Cloud, BigQuery e TensorFlow, porque os autores trabalhavam no Google.
Mesmo assim, os conceitos valem para qualquer plataforma, inclusive o Azure.
Por que ele funciona melhor como referência
Um catálogo de padrões rende mais quando você já sofreu com os problemas que eles resolvem. Por isso, ele aparece depois do DMLS.
Com o ciclo de vida de ML na cabeça, cada padrão encaixa em uma etapa que você já conhece. A partir daí, o livro passa a morar na mesa como material de consulta.
6. Build a Large Language Model (From Scratch), de Sebastian Raschka
Autor: Sebastian Raschka. Editora: Manning, 2024.
Link: Build a Large Language Model (From Scratch) na Amazon.
Este é o mais profundo dos livros de engenharia de IA da lista. Você implementa um modelo no estilo GPT em PyTorch, linha por linha, sem bibliotecas que escondem o funcionamento.
O caminho começa no tratamento de texto, com tokenização por byte pair encoding e embeddings. Depois vem o mecanismo de atenção, construído do self-attention simples até a atenção causal com múltiplas cabeças.
Com os blocos prontos, você monta a arquitetura do GPT e faz o pré-treino em dados não rotulados. Em seguida, carrega os pesos abertos do GPT-2 no seu próprio código.
Os capítulos finais fazem fine-tuning para classificação, com um detector de spam, e para seguir instruções. Os apêndices trazem uma introdução a PyTorch e a técnica LoRA.
O código roda em um notebook comum, e o repositório LLMs-from-scratch no GitHub tem todo o material. Para mim, a maior virada foi ver que um LLM é um conjunto pequeno de ideias repetidas em escala.
Por que ele fecha a trilha de livros de engenharia de IA
Ele exige mais Python, mais álgebra linear e mais paciência que os outros. Lido no começo, assusta e afasta.
Lido por último, porém, ele consolida tudo. Cada conceito que você usou nos outros livros de engenharia de IA ganha uma implementação concreta, e a intuição vira conhecimento sólido.
Como adaptar a ordem dos livros de engenharia de IA
A ordem acima atende quem quer construir aplicações completas. No entanto, outros objetivos pedem atalhos diferentes.
Se você quer produzir com LLMs o quanto antes, leia AI Engineering, Hands-On e Build a LLM. Esse trio cobre aplicação, intuição e funcionamento interno.
Se o seu trabalho envolve arquitetura e plataforma, traga o DDIA para logo depois do AI Engineering. Nesse caso, latência, custo e consistência pesam mais que os detalhes do modelo.
Se você vai treinar modelos próprios com dados tabulares, o DMLS e o ML Design Patterns ganham prioridade. Afinal, ali o modelo é seu, e o ciclo de vida inteiro também.
Para quem trabalha com .NET, vale ligar a leitura à prática. Os conceitos de RAG do AI Engineering, por exemplo, aparecem no guia de vector stores no Agent Framework.
Da mesma forma, a disciplina de avaliação dos livros de engenharia de IA conversa com o uso de specs para guiar agentes. O artigo sobre maturidade do SDD mostra esse lado no dia a dia.
Uma dica de método: leia com um projeto pequeno aberto ao lado. Quando um capítulo terminar, implemente a ideia principal, mesmo que de forma simplificada.
Conclusão
Estes livros de engenharia de IA cobrem a aplicação, a intuição, os dados, o ML clássico, os padrões e o funcionamento interno dos modelos. Juntos, eles formam uma base que não envelhece na mesma velocidade das APIs.
A ordem importa porque cada leitura prepara a próxima. Começar pelo AI Engineering dá sentido a tudo, e terminar no Build a LLM transforma o que era intuição em conhecimento concreto.
Se tiver que escolher só um, comece pelo AI Engineering. Depois, siga a trilha no seu ritmo, um capítulo por vez.
FAQ
Preciso saber Python para ler esses livros?
Para AI Engineering e DDIA, não, porque eles quase não usam código. Já o Hands-On e o Build a LLM pedem Python básico, e o último também pede PyTorch.
Esses livros têm tradução para o português?
Os seis títulos são publicados originalmente em inglês. Confira a disponibilidade de traduções nas livrarias brasileiras antes de comprar.
Vale comprar a primeira edição do DDIA?
A primeira edição ainda é excelente, mas a segunda, de 2026, inclui nuvem e arquiteturas modernas. Se o preço for parecido, prefira a segunda.
Posso ler mais de um livro ao mesmo tempo?
Sim, e o DDIA é o melhor candidato para leitura em paralelo. Ele é denso e rende mais em doses semanais.
Os livros servem para quem trabalha com .NET?
Servem, porque os conceitos independem de linguagem. RAG, avaliação, embeddings e sistemas distribuídos funcionam igual em C# com Semantic Kernel ou Agent Framework.