Glossário de IA para engenheiros civis: LLM, RAG, MCP

Este glossário de IA para engenheiros civis explica em linguagem simples, com exemplos reais de CAD/BIM, os termos que de repente toda a gente usa: IA, LLM, RAG, MCP, prompt, contexto, tokens, skills, artefactos e IA agêntica. A Autodesk, a Bentley, a Bluebeam e a Trimble estão todas a lançar funcionalidades de IA neste momento. Para as avaliar (ou explicá-las à sua chefia), precisa primeiro do vocabulário.

Trabalho em projeto de engenharia civil desde 2008 e uso estas ferramentas todos os dias para suporte ao Civil 3D, plugins .NET e documentação. Esta é a versão que gostava que me tivessem dado.

Todo o glossário de IA numa só analogia

Imagine um novo projetista júnior na sua equipa. Leu todos os manuais e fóruns da internet, mas nunca viu o seu projeto, as normas do seu cliente nem o seu servidor.

O LLM é esse júnior: muito culto, rápido, por vezes confiante demais.
O prompt é o pedido que lhe faz.
O contexto é tudo o que ele tem em cima da secretária enquanto trabalha.
O RAG é entregar-lhe as páginas certas do manual de normas antes de ele responder.
O MCP é dar-lhe acesso ao Civil 3D, ao ProjectWise ou ao Bluebeam para ele poder consultar e agir.
As skills são o dossier de procedimentos da sua empresa: «é assim que verificamos um conjunto de folhas».
Um artefacto é o entregável que ele lhe devolve: um documento, uma tabela, uma pequena ferramenta.
Um agente é esse júnior a avançar sozinho numa lista de tarefas enquanto o senhor revê.
Os tokens são a forma como o tempo dele é faturado.

Guarde esta imagem. Cada termo abaixo encaixa algures nela.

1. Os fundamentos: IA, ML, IA generativa e LLM

IA (inteligência artificial, AI em inglês)

O termo abrangente para sistemas que fazem tarefas que normalmente exigem raciocínio, aprendizagem ou resolução de problemas ao nível humano. O mapa terminológico de IA do Governo do Canadá divide-a em quatro ramos: aprendizagem automática, processamento de linguagem natural, visão computacional e IA generativa.

Exemplo: uma verificação de projeto no Civil 3D que assinala uma conduta com menos de 1,8 m de recobrimento não é IA. É uma regra fixa que alguém escreveu. Uma ferramenta que aprende com milhares de nuvens de pontos classificadas para distinguir pavimento de vegetação é IA.

ML (aprendizagem automática) e DL (aprendizagem profunda)

Aprendizagem automática significa que o sistema aprende padrões a partir de dados, em vez de seguir regras escritas à mão. Aprendizagem profunda é aprendizagem automática com grandes redes neuronais: muitas camadas de nós ligados que aprendem características cada vez mais abstratas.

Exemplo: a classificação automática de nuvens de pontos (solo, edifícios, postes, cabos) e a deteção de fissuras no pavimento a partir de imagens de levantamentos rodoviários são tarefas típicas de aprendizagem profunda. A segunda também é visão computacional (CV): IA que interpreta imagens.

PLN (processamento de linguagem natural, NLP)

O ramo da IA que compreende e produz linguagem humana: tradução, resumos, reconhecimento de voz, análise de sentimento.

Exemplo: extrair todas as cláusulas «o empreiteiro deve» de um caderno de encargos de 300 páginas, ou traduzir automaticamente um artigo da Autodesk de inglês para português.

IA generativa (GenAI)

IA que cria conteúdo novo (texto, código, imagens, áudio, vídeo) em vez de apenas classificar dados existentes.

Exemplo: «Escreve uma rotina AutoLISP que renumere as etiquetas das minhas caixas», «redige a ata da reunião a partir desta transcrição» ou «propõe três implantações para este lote».

LLM (grande modelo de linguagem)

Uma rede neuronal (um «transformer») treinada com enormes quantidades de texto para compreender e gerar linguagem. Funciona prevendo o próximo pedaço de texto, um token de cada vez. Claude, GPT, Gemini e Llama são LLM. O ChatGPT, o Claude.ai e o Microsoft Copilot são aplicações construídas sobre eles.

Limites a lembrar: um LLM só conhece o que estava nos dados de treino até uma data de corte de conhecimento. Nunca viu o seu projeto. Pode dar uma resposta errada com toda a confiança.

Exemplo: pergunte «Qual é a sobrelevação máxima na norma de projeto rodoviário do meu cliente?» sem anexar nada. O modelo responde com um valor típico de algum lado. Parece certo, mas não é o valor do seu cliente.

GPT, SLM e multimodal

GPT = Generative Pre-trained Transformer, a arquitetura por trás da maioria dos LLM (e o nome dos modelos da OpenAI).
SLM = pequeno modelo de linguagem. Pequeno o suficiente para correr numa estação de trabalho ou servidor, o que importa quando os dados do projeto não podem sair do escritório.
Multimodal = o modelo lê mais do que texto: imagens, PDF, capturas de ecrã, por vezes áudio. Cole uma captura de uma mensagem de erro do Civil 3D ou umas telas finais digitalizadas e pergunte o que mostra.

2. Falar com o modelo: prompt, contexto, tokens

Prompt (e prompt de sistema)

O prompt é o seu pedido. A engenharia de prompts é a arte de o formular para o modelo acertar à primeira. O prompt de sistema é um conjunto de instruções permanentes que a aplicação acrescenta antes da sua mensagem (por exemplo «responde em português, cita o documento de origem, nunca inventes uma norma»).

Prompt fraco: «Escreve um LISP para arrumar as layers.»

Prompt forte: «Escreve uma rotina AutoLISP para o Civil 3D 2025 que mova todos os objetos das layers que começam por C-ROAD para C-ROAD-EXIST, ignore as layers bloqueadas e mostre quantos objetos foram movidos.»

O segundo indica a versão do software, a regra exata, o caso especial e o resultado esperado. Isso é 90% da engenharia de prompts.

Contexto e janela de contexto

O contexto é tudo o que o modelo vê para dar uma resposta: o prompt de sistema, toda a conversa até ali, os ficheiros anexados e os resultados de ferramentas. A janela de contexto é o tamanho máximo desse pacote, medido em tokens. Os modelos atuais aceitam centenas de milhares de tokens, alguns até cerca de um milhão.

Duas consequências práticas:

O modelo não tem memória entre conversas, a menos que a aplicação lhe acrescente uma. Nova conversa, projeto esquecido.
Numa conversa muito longa, os detalhes do início diluem-se. Se as respostas começarem a divagar, abra uma conversa nova com um resumo limpo e só os ficheiros necessários.

Token

Um token é o pedaço de texto que um modelo lê e escreve: uma palavra, parte de uma palavra, um espaço ou um sinal de pontuação. A regra aproximada da OpenAI para inglês: 1 token ≈ 4 caracteres ≈ ¾ de palavra, logo 100 tokens ≈ 75 palavras. O português e o francês costumam precisar de um pouco mais de tokens para a mesma ideia.

Exemplo: «sobrelevação» é uma só palavra, mas provavelmente vários tokens. Um caderno de encargos de 30 páginas com cerca de 15 000 palavras equivale a cerca de 20 000 tokens.

Alucinação

Uma resposta falsa dada com confiança. Na nossa área, o clássico é um método da API .NET do Civil 3D que não existe, ou uma cláusula de norma que nunca foi escrita.

Como se proteger: dê ao modelo o documento verdadeiro (ver RAG mais abaixo), peça-lhe para citar a fonte e compile e teste sempre o código que ele escreve. Quando criei o meu plugin .NET que adiciona redes de tubagens às vistas de perfil, a referência da API esteve sempre aberta ao lado da conversa.

Treino, afinação (fine-tuning) e inferência

Treino: construir o modelo a partir de dados massivos. Feito uma vez pelo fornecedor, custa milhões.
Afinação (fine-tuning): treino adicional com um conjunto de dados mais pequeno e especializado, para adaptar o modelo a uma tarefa sem perder o conhecimento geral.
Inferência: usar o modelo para responder. Cada mensagem é uma inferência, e é isso que paga.

3. Como as ferramentas de IA são faturadas: tokens e custos

Há duas formas de pagar pela IA:

Subscrições (ChatGPT, Claude, Copilot, extras dos fabricantes como o Bluebeam Max): um preço mensal fixo com limites de utilização. Simples e previsível.
API, pagamento por token: o que os programadores e as ferramentas usam nos bastidores. Paga por milhão de tokens (muitas vezes escrito MTok), com preços separados para a entrada (o que envia) e a saída (o que o modelo escreve).

No final de 2026, os modelos Claude da Anthropic custam entre cerca de 1 e 10 dólares americanos por milhão de tokens de entrada e entre 5 e 50 dólares por milhão de tokens de saída, conforme o modelo; a saída custa cerca de cinco vezes a entrada. Os outros fornecedores andam na mesma ordem de grandeza. Os preços mudam com frequência, por isso confirme sempre a página de preços do fornecedor.

Um exemplo com números

Pede a um modelo intermédio (3 USD de entrada / 15 USD de saída por MTok) para resumir esse caderno de encargos de 30 páginas:

Entrada: 20 000 tokens × 3 USD ÷ 1 000 000 = 0,06 USD
Saída: um resumo de 1000 palavras ≈ 1300 tokens × 15 USD ÷ 1 000 000 = 0,02 USD
Total: cerca de 8 cêntimos.

Porque é que a fatura cresce na mesma

O contexto é reenviado a cada pergunta. Faça 20 perguntas de seguimento com o caderno de encargos anexado e o modelo lê-o 20 vezes: 400 000 tokens de entrada, cerca de 1,20 USD em vez de 0,06 USD.
Os agentes trabalham em ciclo. Um agente que planeia, chama uma ferramenta, lê o resultado e volta a tentar pode fazer dezenas de chamadas ao modelo para uma só tarefa.
As definições e os resultados das ferramentas contam como entrada. Ligar dez servidores MCP acrescenta as descrições deles a cada pedido.
Há descontos: a cache de prompts (contexto reutilizado faturado muito mais barato) e o processamento em lote (mais lento, cerca de metade do preço).

Dica: um tema por conversa, anexe só as páginas relevantes e peça respostas curtas quando não precisar de respostas longas.

4. Dar o seu conhecimento ao modelo: RAG, embeddings, bases de dados vetoriais

RAG (geração aumentada por recuperação)

O RAG transforma um exame sem consulta num exame com consulta. Antes de o modelo responder, um passo de pesquisa encontra os excertos mais relevantes nos seus documentos e insere-os no prompt. O modelo responde então com base nesses excertos, idealmente com a referência.

Exemplo: a sua empresa carrega o manual de normas CAD, o guia de projeto rodoviário do cliente e algumas centenas de artigos de suporte da Autodesk numa base de conhecimento. Um projetista pergunta «Em que layer ficam as passagens hidráulicas existentes para este cliente?» O sistema encontra a página 47 do manual CAD, coloca-a no contexto e a resposta cita essa página. O Microsoft Copilot Studio, os Projetos do Claude e os GPT personalizados do ChatGPT fazem todos alguma forma de RAG.

Ideal para: ler e explicar documentos que mudam pouco (manuais, normas, cadernos de encargos, procedimentos).

Embeddings e bases de dados vetoriais

Como é que o passo de pesquisa encontra «a página certa»? Cada pedaço de texto é convertido numa lista de números (um embedding) que representa o seu significado. Uma base de dados vetorial guarda essas listas e encontra as mais próximas da sua pergunta. É por isso que uma pesquisa por «sobrelevação» também encontra um parágrafo que fala de «superelevation» ou de «transição da inclinação transversal».

RAG ou afinação?

Para uma empresa de engenharia, o RAG é quase sempre o primeiro passo certo. É mais barato, fica atualizado assim que substitui um documento e pode mostrar a fonte. A afinação serve para ensinar um estilo ou uma tarefa muito específica, não para carregar factos que mudam.

5. Ligar o modelo ao seu software: API, ferramentas, MCP

API e utilização de ferramentas

Uma API (interface de programação de aplicações) é a porta que um programa abre para que outros programas possam falar com ele. A API .NET do Civil 3D, as APIs da Autodesk Platform Services (APS) e a API do ProjectWise são exemplos. A utilização de ferramentas (tool use ou function calling) é quando o modelo decide chamar uma dessas funções em vez de apenas escrever texto, por exemplo «dá-me a lista de alinhamentos deste desenho».

MCP (Model Context Protocol)

O MCP é uma norma aberta lançada pela Anthropic em novembro de 2024 para ligar assistentes de IA aos sistemas onde vivem os dados e as ferramentas. Antes do MCP, cada aplicação de IA precisava de um conector próprio para cada software: N aplicações × M ferramentas. O MCP substitui isso por uma única ficha. Pense num USB-C para a IA.

Um servidor MCP expõe as ferramentas de um produto (por exemplo «listar folhas», «criar anotação», «executar análise»).
Um cliente MCP é a aplicação de IA que se liga a ele: Claude, GitHub Copilot, VS Code e cada vez mais assistentes dos fabricantes.

Exemplo neste blogue: um plugin MCP liga este site WordPress a um assistente de IA. Posso pedir-lhe para ler os artigos publicados, verificar os campos de SEO ou preparar um rascunho, e ele trabalha através das ferramentas do próprio site. Configurei-o para apenas rascunhos: nada é publicado sem a minha revisão.

Exemplo no nosso software: os servidores MCP da Bentley para o MicroStation e o STAAD.Pro permitem que um assistente como o Claude ou o GitHub Copilot consulte, crie e modifique dados de engenharia através da API Python da aplicação. A Autodesk também disponibiliza servidores MCP no seu Design and Make Marketplace (detalhes na secção 9).

RAG vs MCP numa linha: o RAG lê os seus documentos; o MCP fala com o seu software e age nele.

6. Empacotar o know-how e os resultados: skills e artefactos

Skills (Agent Skills, competências)

Uma skill é uma pasta com um ficheiro SKILL.md (nome, descrição e instruções passo a passo), e opcionalmente scripts, documentos de referência e modelos. O agente começa por carregar só a descrição curta e lê as instruções completas quando uma tarefa corresponde. O formato foi criado pela Anthropic e publicado como norma aberta, sendo hoje suportado por muitas ferramentas de IA.

Se o MCP dá mãos ao modelo (acesso às ferramentas), uma skill dá-lhe o procedimento da sua empresa: como usar essas mãos à maneira da sua equipa.

Exemplo: uma skill de «controlo de qualidade das folhas» para projetos rodoviários:

sheet-set-qa/
├── SKILL.md          # quando usar + o procedimento de verificação
├── references/
│   └── norma-cad.md      # nomes de layers, campos da legenda, alturas de texto
└── scripts/
    └── check_layers.py   # compara a lista de layers de um DWG com a norma

--- SKILL.md (excerto) ---
name: sheet-set-qa
description: Verificar um conjunto de folhas rodoviário face à norma CAD
             da empresa antes da emissão.
1. Exportar a lista de layers e os atributos da legenda de cada folha.
2. Executar scripts/check_layers.py e listar as layers fora da norma.
3. Verificar que todas as folhas têm a mesma revisão que a guia de remessa.
4. Produzir uma tabela: folha, problema, correção sugerida. Não modificar nenhum ficheiro.

É a mesma ideia de um bom modelo do Civil 3D: escreve a norma uma vez e todos os projetos beneficiam. (Sobre modelos, veja como estruturar os estilos de perfis e de bandas no Civil 3D.)

Artefactos

Um artefacto é um entregável autónomo que o assistente produz ao lado da conversa em vez de dentro dela: um documento, uma folha de cálculo, um diagrama, um gráfico ou até uma pequena página web interativa que pode reutilizar e partilhar. O Claude chama-lhes artefactos; o ChatGPT tem algo semelhante chamado «canvas».

Exemplo: «Cria-me uma pequena página onde introduzo a velocidade de projeto e o raio, e que me dá a sobrelevação segundo esta tabela.» Recebe uma mini-calculadora funcional, não um muro de texto. Confirme sempre os valores com a tabela de origem antes de a usar num projeto.

7. Agentes e IA agêntica

Um agente de IA perceciona o seu ambiente, toma decisões e executa ações para atingir um objetivo com pouca intervenção humana. Na prática, é um LLM a trabalhar em ciclo: planear → agir (chamar uma ferramenta) → observar o resultado → ajustar → repetir até a tarefa estar concluída. IA agêntica é o termo geral para sistemas construídos desta forma.

Assistente vs agente: um assistente (ou «copiloto») responde à sua pergunta e é o senhor que faz o trabalho. Um agente faz o trabalho em várias etapas e reporta no fim.

Exemplo: «Verifica as 60 folhas deste projeto. Confirma que a revisão de cada legenda corresponde à guia de remessa, lista as diferenças, corrige-as numa cópia dos ficheiros e dá-me um relatório.» O agente lista as folhas (MCP), lê cada legenda (MCP), compara com a guia de remessa (raciocínio), edita as cópias (MCP), segue o seu procedimento de controlo de qualidade (skill) e escreve o relatório (artefacto). O senhor revê antes de qualquer emissão.

O senão: um agente que se engana, engana-se em grande escala. Boas práticas: trabalhar em cópias ou rascunhos, limitar o que o agente pode fazer, manter uma aprovação humana antes de qualquer coisa sair do escritório e guardar registos. É também por isso que as tarefas de agentes consomem muito mais tokens do que uma simples pergunta.

Também vai ver sistemas multiagente (vários agentes especializados coordenados por um orquestrador) nos anúncios dos fabricantes. O mesmo ciclo, com mais trabalhadores.

8. Outras siglas de IA que vai encontrar

Sigla	Significado	Numa linha
IA (AI)	Inteligência artificial	A área no seu todo
ML / DL	Aprendizagem automática / aprendizagem profunda	Aprender padrões a partir de dados / com grandes redes neuronais
PLN (NLP)	Processamento de linguagem natural	Compreender e produzir linguagem humana
CV	Visão computacional	Interpretar imagens e vídeo
GenAI	IA generativa	Criar texto, código, imagens
LLM / SLM	Grande / pequeno modelo de linguagem	O «cérebro» de texto; os pequenos correm localmente
GPT	Generative Pre-trained Transformer	A arquitetura por trás da maioria dos LLM
RAG	Geração aumentada por recuperação	Responder a partir dos seus documentos
MCP	Model Context Protocol	A ficha padrão entre a IA e o software
API	Interface de programação de aplicações	A porta que um programa abre aos outros
MTok	Milhão de tokens	A unidade de faturação das APIs de IA
AGI (IAG)	Inteligência artificial geral	IA hipotética tão capaz como um humano em todas as tarefas; ainda não existe

9. Ferramentas de IA para utilizadores da Autodesk, Bentley, Bluebeam e Trimble

Este é o ponto de situação de cada fabricante em novembro de 2026. Os nomes, as funcionalidades e a disponibilidade mudam depressa, por isso confirme as páginas indicadas antes de planear o que quer que seja.

Autodesk

Autodesk Assistant: adicionado ao Civil 3D na atualização 2024.1 para acesso à ajuda e depois melhorado com o Autodesk AI no Civil 3D 2025 para responder a perguntas sobre as funcionalidades do Civil 3D. A Autodesk apresenta-o agora no AutoCAD, Civil 3D, Revit, Inventor, Vault, Fusion e Forma, com capacidades que variam por produto.
Direção agêntica: a Autodesk apresentou na AU 2026 uma nova geração do Assistant, mais agêntica, e mostrou uma visão em que se verificam desenhos de engenharia civil face a normas de segurança, acessibilidade e drenagem.
Servidores MCP: alguns servidores MCP da Autodesk estão disponíveis no Design and Make Marketplace para equipas que criam os seus próprios fluxos de trabalho, e a Autodesk Platform Services (APS) está a reposicionar-se como plataforma de desenvolvimento centrada na IA, assente em APIs e MCP.

Bentley

Bentley Copilot: um assistente sensível ao contexto que orienta o utilizador nos fluxos de trabalho, mostra documentos relevantes e pode modificar modelos. Está em pré-visualização tecnológica no OpenRoads Designer 2026 (por exemplo «Como crio a sobrelevação?»).
Aplicações com IA: OpenSite+ (projeto de terreno generativo), SYNCHRO+ (construção 4D com IA) e um agente de IA que anota desenhos automaticamente no OpenRoads e no OpenRail Designer.
Servidores MCP da Bentley: primeiro o MicroStation e o STAAD.Pro, compatíveis com Claude, GitHub Copilot e Google Gemini, com mais produtos previstos. O próprio Bentley Copilot usa o mesmo servidor MCP: pode usar o assistente da Bentley ou trazer o seu.

Bluebeam

Bluebeam Max: uma subscrição premium do Revu lançada globalmente em maio de 2026, com funcionalidades de IA para revisão e comparação de desenhos (Smart Overlay, Smart Review, AI-REVIEW, AI-MATCH).
Revu + Claude via MCP: pedidos em linguagem natural para pesquisar nos desenhos e transformar dados de anotações em informação útil. O suporte MCP foi entretanto alargado ao GitHub Copilot CLI e ao AnythingLLM.

Trimble

Plataforma de IA agêntica e Trimble Agent Studio: anunciados na Dimensions 2025 para que a Trimble, os parceiros e os clientes possam criar e implementar os seus próprios agentes no software de construção da Trimble, com disponibilização através do Trimble Labs em 2026.
Agentes nos produtos: Trimble Connect Help Assistant, Viewpoint Finance Assistant, Accubid Assistant e agentes especializados que validam especificações, detetam exceções e desencadeiam ações de seguimento.

A tendência a reter

Todos os grandes fabricantes AEC estão a convergir para os mesmos blocos: um assistente dentro do software, agentes para trabalho em várias etapas e o MCP para poder trazer a IA que a sua empresa já aprovou. É uma boa notícia para a interoperabilidade, tal como o IFC e o LandXML permitem que os nossos modelos circulem entre plataformas.

A reter

LLM = o cérebro. Inteligente, mas não conhece o seu projeto e pode errar com toda a confiança.
Prompt + contexto = o que pede e tudo o que ele vê. Seja específico, anexe só o essencial.
Tokens = a unidade de faturação. Conversas longas e agentes custam mais porque o contexto é reenviado.
RAG = respostas a partir dos seus documentos. MCP = ações no seu software.
Skills = os seus procedimentos, empacotados. Artefactos = entregáveis reutilizáveis.
Agentes = trabalho em várias etapas com autonomia. Mantenha uma aprovação humana.

Que termo gostaria que eu aprofundasse com um exemplo completo no Civil 3D? Diga-me nos comentários ou no LinkedIn.

Glossário de IA para engenheiros civis: LLM, RAG, MCP, tokens e IA agêntica explicados