<?xml version="1.0" encoding="utf-8" standalone="yes"?>
<rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom" xmlns:content="http://purl.org/rss/1.0/modules/content/">
  <channel>
    <title>LLM on Wiliam Rosa | Lakehouse, Dados &amp; IA</title>
    <link>https://wiliamrosa.github.io/tags/llm/</link>
    <description>Recent content in LLM on Wiliam Rosa | Lakehouse, Dados &amp; IA</description>
    <image>
      <title>Wiliam Rosa | Lakehouse, Dados &amp; IA</title>
      <url>https://wiliamrosa.github.io/images/wiliam-rosa-blog-og.png</url>
      <link>https://wiliamrosa.github.io/images/wiliam-rosa-blog-og.png</link>
    </image>
    <generator>Hugo</generator>
    <language>pt-br</language>
    <lastBuildDate>Sat, 08 Aug 2026 09:00:00 -0300</lastBuildDate>
    <atom:link href="https://wiliamrosa.github.io/tags/llm/index.xml" rel="self" type="application/rss+xml" />
    <item>
      <title>Cinco alavancas técnicas pra baixar o custo de coding agent sem cortar acesso do time</title>
      <link>https://wiliamrosa.github.io/articles/databricks-reducao-custo-coding-agents-roteamento-modelos/</link>
      <pubDate>Sat, 08 Aug 2026 09:00:00 -0300</pubDate>
      <guid>https://wiliamrosa.github.io/articles/databricks-reducao-custo-coding-agents-roteamento-modelos/</guid>
      <description>Orçamento é só uma parte da conta de coding agent em escala. A Databricks lista cinco alavancas técnicas, roteamento dinâmico por modelo mais barato, meta-harness pra trocar de modelo sem fricção, e redução de token via cache e compressão de contexto, que reduziram custo em até 50% sem baixar qualidade percebida pelo engenheiro.</description>
    </item>
    <item>
      <title>Como ensinar um LLM a passar no teste de Spark SQL sem decorar a prova</title>
      <link>https://wiliamrosa.github.io/articles/geracao-testes-codigo-llm-spark-sql/</link>
      <pubDate>Thu, 03 Oct 2024 09:00:00 -0300</pubDate>
      <guid>https://wiliamrosa.github.io/articles/geracao-testes-codigo-llm-spark-sql/</guid>
      <description>Avaliar modelo de código em biblioteca de nicho como Spark SQL esbarra num problema básico: falta benchmark bom. Um pipeline de quatro estágios da Databricks gera caso de teste automaticamente a partir da própria função, com validação cruzada entre dois modelos, e revela que instrução simples como comentário de notebook do Azure Databricks muda o resultado do modelo de forma mensurável.</description>
    </item>
  </channel>
</rss>
