Como Começar com o Forge
Nesta página
Atualização de 2 de novembro de 2026 — O Le Chat é agora o Vibe. Desde 28 de maio de 2026, o Le Chat foi renomeado para Vibe (ainda em chat.mistral.ai): um único agente para trabalho e código que mantém as suas conversas, definições e subscrições. A experiência legada do Le Chat permanece disponível no modo Chat. No modo Work, os agentes são agora competências (invocadas com
@), as memórias constituem a base de conhecimento e a pesquisa aprofundada é a competência Deep Research. Os planos passaram a designar-se Mistral Free, Pro, Team e Enterprise. Esta lição utiliza o nome Vibe; alguns menus aqui descritos podem ter alterado de nome ou localização.
Um Projeto em Quatro Fases
O lançamento de um projeto Forge exige planeamento. Requer uma preparação rigorosa, uma colaboração estreita com as equipas da Mistral e uma visão clara dos seus objetivos. Cada fase prepara a seguinte: um âmbito mal definido leva a uma seleção de dados pobre, dados de baixa qualidade resultam num modelo dececionante e só descobrirá o problema três meses depois.
Fase 1 — Avaliação e Definição do Âmbito
Em primeiro lugar, identifique cenários onde o ajuste fino (fine-tuning) oferece mais valor do que um modelo base ou RAG. Na prática, os candidatos enquadram-se em quatro categorias recorrentes. Comece por tarefas repetitivas que exigem profunda especialização — diagnósticos técnicos, análise de conformidade, revisões de código especializadas — onde o modelo deve replicar o raciocínio de um perito em vez de apenas recuperar um documento. Seguem-se as interações padronizadas com clientes: suporte de nível 1–2, respostas a pedidos de proposta (RFP), relatórios setoriais, onde o tom e a estrutura seguem as suas convenções estabelecidas. Depois, vêm processos de negócio específicos, como a avaliação de riscos segundo os seus critérios internos ou a classificação de documentos utilizando a sua taxonomia. Por fim, a conformidade regulatória aplica-se quando deve produzir documentos que cumpram normas setoriais específicas que um modelo genérico não conhece em detalhe.
Em segundo lugar, avalie a maturidade dos seus dados, que determina diretamente a qualidade do modelo. Comece pelo volume: verifique se possui exemplos de alta qualidade suficientes — tipicamente vários milhares para um ajuste fino eficaz. Examine depois a qualidade em si: os exemplos são fiáveis, estão atualizados e são representativos da sua especialização? De seguida, verifique a diversidade: cobrem eles toda a gama de cenários que o modelo irá tratar? Finalmente, reveja o formato: já estão estruturados ou exigem preparação? Esta fase encerra com uma reunião entre a sua equipa e as equipas comerciais e técnicas da Mistral: apresente os seus objetivos, discuta casos de uso, confirme a viabilidade técnica, estime o âmbito e o cronograma e receba uma proposta comercial.
Fase 2 — Preparação de Dados
Engenheiros de Implementação no Terreno (Forward-Deployed Engineers) constroem o conjunto de dados de treino em colaboração com as suas equipas. A extração recolhe dados dos seus sistemas de origem — bases de conhecimento, históricos de tickets, documentação técnica, trocas com clientes. A limpeza remove duplicados, corrige erros e anonimiza dados pessoais. A formatação transforma tudo em pares de instrução/resposta adequados para o ajuste fino. A validação entrega o conjunto de dados aos seus especialistas na matéria para verificar a qualidade e relevância dos exemplos. Este é o passo mais subestimado: um conjunto de dados não validado ensina ao modelo as suas aproximações juntamente com as suas melhores práticas.
Um conjunto de avaliação separado corre em paralelo: benchmarks de negócio — perguntas e respostas validadas pelos seus especialistas — e casos limite, cenários complexos ou ambíguos desenhados para testar a robustez. Coloca as mesmas perguntas tanto ao modelo base como ao modelo personalizado e compara-os contra métricas explícitas: precisão, relevância e aderência ao seu tom interno e processos. Ao longo desta fase, os dados circulam por canais encriptados, residem num ambiente isolado dedicado à sua organização, permanecem acessíveis apenas aos engenheiros da Mistral afetados ao projeto e estão cobertos por um acordo de confidencialidade específico.
Fase 3 — Treino do Modelo
A seleção do modelo base depende do caso de uso: Mistral Large para tarefas complexas que exigem raciocínio avançado, Mistral Medium para o melhor equilíbrio desempenho-custo na maioria das situações, e modelos especializados otimizados para código, tarefas multilingues ou outros domínios.
O treino decorre na infraestrutura de GPU da Mistral na Europa. Os engenheiros configuram os hiperparâmetros, lançam o treino supervisionado nos seus dados, monitorizam a convergência em tempo real e executam múltiplas iterações. A duração varia de algumas horas a vários dias, dependendo do volume de dados e do tamanho do modelo base. Após cada ciclo, o modelo é avaliado no conjunto de teste — comparado com o modelo base, com análise de erros e casos limite, ajustes de dados se necessário e validação pelos seus especialistas na matéria — até cumprir os objetivos de desempenho definidos durante a definição do âmbito.
Fase 4 — Implementação em Produção
Implemente o modelo personalizado de acordo com a sua infraestrutura e restrições de conformidade.
| Opção | O que envolve |
|---|---|
| Mistral Cloud | Alojado na infraestrutura da Mistral, acedido via Mistral Enterprise e API. Implementação mais rápida. |
| VPC Dedicada | Isolamento completo de rede numa nuvem privada. Recomendado para setores regulados (finanças, saúde). |
| On-premise | Nos seus servidores: controlo total, nenhum dado sai das suas instalações. Requer infraestrutura GPU adequada. |
| Nuvem de Parceiro | Azure, AWS ou GCP via integrações existentes. Ideal se o seu ambiente de nuvem já estiver implementado. |
A integração segue depois vários caminhos complementares: Mistral Enterprise, onde o modelo fica disponível na interface conversacional; a API REST, para o chamar a partir das suas aplicações, fluxos de trabalho e ferramentas de negócio; SDKs Python e JavaScript para integração programática; e webhooks, que acionam o modelo mediante eventos de negócio. A implementação não encerra o projeto. A monitorização contínua rastreia a latência, a precisão e a satisfação do utilizador, deteta desvios (drift), dispara alertas em caso de degradação e agenda atualizações e retreinos.
Cronograma Típico
| Período | Etapa |
|---|---|
| Semanas 1–2 | Avaliação e definição do âmbito |
| Semanas 3–6 | Preparação de dados |
| Semanas 7–10 | Treino e avaliação (iterativo) |
| Semanas 11–14 | Implementação e integração |
| Posteriormente | Monitorização, otimização e atualizações |
A duração total varia entre 3 a 6 meses, dependendo da complexidade do caso de uso e da maturidade dos dados. Se começar com dados dispersos e não validados, a Fase 2 expande-se — nunca a fase de treino.
Pontos-chave
- O processo Forge segue quatro fases: avaliação, dados, treino, implementação
- A qualidade dos dados de treino determina o desempenho do modelo
- Engenheiros de Implementação no Terreno orientam cada passo do projeto
- As opções de implementação incluem Mistral Cloud, VPC, on-premise ou nuvem de parceiro
- Um projeto típico leva de 3 a 6 meses desde a avaliação até à produção