# LLM essencial para o Product Manager

> Leitura complementar ao **M0**.  
> O que o PM precisa entender sobre LLMs **antes** de usá-los no dia a dia.  
> Não precisa treinar modelos — precisa saber como usá-los com julgamento.

## 1. Por que isso importa
Sem um modelo mental mínimo do LLM, o PM trata a IA como oráculo: confia na fluência, aceita invenção e chama isso de “produtividade”. Com o modelo mental certo, o PM trata a IA como **acelerador de raciocínio** — útil só quando o contexto e a validação humana estão no lugar.

## 2. O que o PM precisa entender

| Conceito | Em uma frase operacional |
|----------|---------------------------|
| **Como um LLM “raciocina”** | Prediz a próxima sequência de tokens mais provável dado o que está na janela — não “consulta a verdade do produto”. |
| **Tokens** | Unidades de texto que o modelo processa; custo, limite e atenção dependem deles. |
| **Janela de contexto** | Tudo que o modelo “vê” agora (instruções + docs + histórico + pedido). Se não está na janela, não existe para a resposta. |
| **Probabilidade de resposta** | Fluência ≠ certeza. Texto confiante pode ser chute bem escrito. |
| **Alucinações** | O modelo completa lacunas com padrões plausíveis. No produto, isso vira requisito inventado. |
| **Cadeia de raciocínio** | Pedir passos intermediários ajuda — mas sem evidência no contexto, o “raciocínio” também inventa. |
| **Geração vs recuperação** | Gerar texto ≠ buscar fato. Sem fontes no pacote (ou tool de busca), a IA gera; não recupera a verdade do seu backlog. |

## 3. O que o PM **não** precisa
- Treinar ou fine-tunar modelos  
- Montar infra de RAG/agentes em produção (vocabulário ajuda; implementação é outro ofício)  
- Memorizar arquiteturas de rede neural  

## 4. Implicação direta para engenharia de contexto
Se a resposta é uma função do que está na janela, então o ofício do PM com IA é:

1. **Curar** o que entra (alto sinal, fresco, rotulado)  
2. **Restringir** o que a IA não pode inventar  
3. **Validar** a saída (fato / hipótese / invenção) antes do backlog  

Isso é engenharia de contexto — não “escrever um prompt mais bonito”.

## 5. Ligação com o método SpecContext
- **Prompt** = como você pede (papel, objetivo, formato, exemplos)  
- **Contexto** = o que o modelo precisa saber (produto, evidências, restrições, histórico)  
- **Julgamento humano** = o que vira decisão de produto  

Sem os três, a IA amplifica improviso.

## Fontes de apoio
1. Anthropic. *Effective context engineering for AI agents*. https://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents  
2. OpenAI. *Prompt engineering*. https://platform.openai.com/docs/guides/prompt-engineering  
3. Neo4j. *Context engineering vs prompt engineering* (context rot / janela). https://neo4j.com/blog/genai/context-engineering-vs-prompt-engineering/  
4. Marty Cagan. *AI Product Management 2 Years In*. https://www.svpg.com/ai-product-management-2-years-in/