Phase 00 - Lesson 01

Ambiente de Desenvolvimento

Suas ferramentas moldam seu raciocínio. Configure-as uma vez, configure-as direito.

Tipo: Build Linguagens: Python, Node.js, Rust Pré-requisitos: Nenhum Tempo: ~45 minutos

Objetivos de Aprendizado

• Configurar do zero os toolchains de Python 3.11+, Node.js 20+ e Rust
• Configurar ambientes virtuais e gerenciadores de pacotes para builds reproduzíveis
• Verificar o acesso à GPU com CUDA/MPS e executar uma operação de tensor de teste
• Entender a stack de quatro camadas: sistema, pacotes, runtimes, bibliotecas de IA

O Problema

Você está prestes a aprender engenharia de IA ao longo de mais de 200 lições usando Python, TypeScript, Rust e Julia. Se o seu ambiente estiver quebrado, cada lição se transforma em uma briga contra as ferramentas em vez de aprendizado.

A maioria das pessoas pula a configuração do ambiente. Depois passam horas depurando erros de import, conflitos de versão e drivers CUDA faltando. Vamos fazer isso uma vez, do jeito certo.

O Conceito

Um ambiente de engenharia de IA tem quatro camadas:

graph TD
    A["4. AI/ML Libraries\nPyTorch, JAX, transformers, etc."] --> B["3. Language Runtimes\nPython 3.11+, Node 20+, Rust, Julia"]
    B --> C["2. Package Managers\nuv, pnpm, cargo, juliaup"]
    C --> D["1. System Foundation\nOS, shell, git, editor, GPU drivers"]

Instalamos de baixo para cima. Cada camada depende da camada abaixo dela.

Build It

Passo 1: Base do Sistema

Verifique seu sistema e instale o básico.

# macOS
xcode-select --install
brew install git curl wget

# Ubuntu/Debian
sudo apt update && sudo apt install -y build-essential git curl wget

# Windows (use WSL2)
wsl --install -d Ubuntu-24.04

Passo 2: Python com uv

Usamos uv — ele é de 10 a 100x mais rápido que o pip e gerencia ambientes virtuais automaticamente.

curl -LsSf https://astral.sh/uv/install.sh | sh

uv python install 3.12

uv venv
source .venv/bin/activate  # ou .venv\Scripts\activate no Windows

uv pip install numpy matplotlib jupyter

Verifique:

import sys
print(f"Python {sys.version}")

import numpy as np
print(f"NumPy {np.__version__}")
a = np.array([1, 2, 3])
print(f"Vector: {a}, dot product with itself: {np.dot(a, a)}")

Passo 3: Node.js com pnpm

Para as lições de TypeScript (agents, servidores MCP, aplicações web).

curl -fsSL https://fnm.vercel.app/install | bash
fnm install 22
fnm use 22

npm install -g pnpm

node -e "console.log('Node', process.version)"

Passo 4: Rust

Para lições críticas de desempenho (inferência, sistemas).

curl --proto '=https' --tlsv1.2 -sSf https://sh.rustup.rs | sh

rustc --version
cargo --version

Passo 5: Julia (Opcional)

Para lições com muita matemática onde Julia se destaca.

curl -fsSL https://install.julialang.org | sh

julia -e 'println("Julia ", VERSION)'

Passo 6: Configuração da GPU (Se Você Tiver Uma)

# NVIDIA
nvidia-smi

# Install PyTorch with CUDA
uv pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu124

import torch
print(f"CUDA available: {torch.cuda.is_available()}")
if torch.cuda.is_available():
    print(f"GPU: {torch.cuda.get_device_name(0)}")

Sem GPU? Sem problema. A maioria das lições funciona em CPU. Para lições com muito treinamento, use o Google Colab ou GPUs na nuvem.

Passo 7: Verifique Tudo

Execute o script de verificação:

python phases/00-setup-and-tooling/01-dev-environment/code/verify.py

Use It

Seu ambiente agora está pronto para todas as lições deste curso. Veja o que você usará em cada lugar:

Ship It

Esta lição produz um script de verificação que qualquer pessoa pode executar para checar sua configuração.

Veja outputs/prompt-env-check.md para um prompt que ajuda assistentes de IA a diagnosticar problemas de ambiente.

Exercícios

1. Execute o script de verificação e corrija quaisquer falhas
2. Crie um ambiente virtual Python para este curso e instale o PyTorch
3. Escreva um "hello world" nas quatro linguagens e execute cada um