Mergulho Técnico Profundo na Anthropic
Construa opiniões técnicas genuínas e defensáveis sobre as áreas de pesquisa centrais da Anthropic. Esta é a vantagem competitiva para demonstrar um verdadeiro envolvimento intelectual com a missão da Anthropic — não recitar artigos, mas mostrar que você pensou criticamente sobre o trabalho e pode conectá-lo à sua própria experiência em engenharia.
Quando Usar
Use para:
- Preparar-se para rodadas de entrevistas técnicas específicas da Anthropic.
- Desenvolver opiniões matizadas sobre IA Constitucional, RLHF, interpretabilidade.
- Unir uma formação em CV/ML/engenharia ao trabalho de alinhamento e segurança.
- Praticar a articulação de trade-offs complexos de segurança de IA.
- Compreender o cenário de produtos e a posição estratégica da Anthropic.
- Preparar-se para perguntas do tipo "o que você acha sobre X?".
NÃO use para:
- Entrevistas gerais de design de sistemas de ML (use
ml-system-design-interview). - Preparação para entrevistas comportamentais/de valores (use
values-behavioral-interview). - Preparação para entrevistas de codificação ou prática de algoritmos.
- Escrever artigos de pesquisa ou conduzir pesquisa original.
- Preparar-se para entrevistas em outros laboratórios de IA (diferentes áreas de ênfase).
Panorama dos Tópicos
mindmap
root((Entrevista Técnica Anthropic))
IA Constitucional
Alinhamento baseado em princípios
RLAIF vs RLHF
Conflitos de princípios
Supervisão escalável
RLHF e Treinamento
Modelagem de recompensa
PPO e alternativas
Imposto de alinhamento
Recompensa fraudulenta
DPO / Alinhamento direto
Interpretabilidade
Circuitos e características
Superposição
Autoencoders esparsos
Escalando monosemanticidade
Claude Golden Gate Bridge
Interpretabilidade mecanicista
Leis de Escala
Kaplan et al
Chinchilla ótimo
Escala com restrição de dados
Capacidades emergentes
Previsibilidade vs surpresa
Engenharia de Contexto
Recuperação de contexto longo
Protocolo MCP
Arquitetura de uso de ferramentas
RAG vs contexto longo
Engenharia de prompt em escala
Sistemas Agentivos
Uso de computador
Claude Code
Avaliação de agentes
Confiança e segurança
Confiabilidade do uso de ferramentas
Coordenação multiagente
Segurança de IA
Imposto de alinhamento
Alinhamento enganoso
Sandbagging
Política de Escala Responsável
Avaliação de risco de fronteira
Red teaming
Cultura Anthropic
Corrida ao topo
Desenvolvimento responsável
Tensão segurança comercial
Interpretabilidade como prioridade
Estrutura de Articulação em Cinco Camadas
Para cada tópico, prepare cinco camadas de profundidade. Um entrevistador pode parar em qualquer camada. Ser capaz de ir mais fundo sinaliza compreensão genuína.
Camada 1: Ideia Central (2 frases)
Declare o que é a coisa e por que ela importa. Sem jargões — um não especialista inteligente deve acompanhar.
Camada 2: Principal Desafio Técnico
Identifique o problema difícil não resolvido. Isso mostra que você entende a fronteira, não apenas a versão do livro texto.
Camada 3: Opinião Matizada com Evidências
Faça uma afirmação específica. Apoie-a com evidências de artigos, sua experiência ou raciocínio de primeiros princípios. Reconheça a incerteza.
Camada 4: Conexão com a Prática de Engenharia
Una a ideia abstrata a um problema de engenharia concreto que você resolveu ou poderia resolver. É aqui que 15 anos de experiência em ML/CV se tornam um superpoder.
Camada 5: Perguntas em Aberto e Limitações
Identifique o que não sabemos. Proponha como você poderia investigar. Isso sinaliza gosto por pesquisa.
Exemplo Prático: IA Constitucional
| Camada | Resposta |
|---|---|
| Ideia Central | A IA Constitucional substitui o feedback humano por um conjunto de princípios que o modelo usa para criticar e revisar suas próprias saídas. Torna o alinhamento mais escalável porque você escreve os princípios uma vez, em vez de rotular milhares de exemplos. |
| Desafio Técnico | Conflitos de princípios — quando "ser útil" e "ser inofensivo" puxam em direções opostas, o modelo precisa de alguma forma de resolver a tensão. Não existe um sistema formal limpo para ordenação de prioridades. |
| Opinião Matizada | Acho a IA Constitucional elegante para casos claros, mas ela luta com situações genuinamente ambíguas. Os princípios pressupõem uma estrutura ética compartilhada que pode não existir entre culturas. Minha experiência com otimização multiobjetivo em CV sugere que você precisa de superfícies de trade-off explícitas, não apenas regras hierarquizadas. |
| Conexão de Engenharia | Em sistemas de moderação de conteúdo que construí, enfrentamos a mesma tensão multiobjetivo — acurácia vs recall vs experiência do usuário. Aprendemos que regras de prioridade codificadas quebravam em casos extremos; precisávamos de botões de trade-off ajustáveis. Suspeito que a IA Constitucional evoluirá para algo semelhante. |
| Perguntas em Aberto | Como você audita interações de princípios em escala? Você pode verificar formalmente que um conjunto de princípios é consistente? O que acontece quando os princípios refletem valores que mudam com o tempo? |
Guia de Preparação por Tópico
IA Constitucional e RLAIF
O que saber: O artigo original da IA Constitucional propõe o uso de um conjunto de princípios para guiar a autocrítica. O RLAIF estende isso usando feedback de IA em vez de feedback humano para modelagem de recompensa. A percepção chave é a supervisão escalável — humanos escrevem princípios, o modelo os aplica em escala.
Desafio principal: A especificação de princípios é difícil. Como escrever princípios que sejam específicos o suficiente para serem úteis, mas gerais o suficiente para cobrir situações novas? Este é o mesmo problema de escrever bons testes unitários — muito específicos e são frágeis, muito gerais e perdem bugs.
Ponte a partir de CV/ML: Classificação multirrótulo com objetivos conflitantes. Design de função de perda onde você equilibra precisão vs recall. Laços de aprendizado ativo onde o modelo identifica sua própria incerteza.
Perguntas prováveis: "O que você mudaria na IA Constitucional?" "Como você lidaria com conflitos de princípios?" "Onde essa abordagem falha?"
RLHF, RLAIF e Modelagem de Recompensa
O que saber: RLHF treina um modelo de recompensa a partir de preferências humanas, então usa PPO para otimizar o modelo de linguagem contra esse modelo de recompensa. O imposto de alinhamento (perda de qualidade do treinamento de segurança) é real e mensurável. DPO oferece uma alternativa mais simples que pula o modelo de recompensa completamente.
Desafio principal: Recompensa fraudulenta — o modelo encontra maneiras de pontuar alto no modelo de recompensa sem ser realmente mais útil ou seguro. Esta é a Lei de Goodhart aplicada ao treinamento de ML.
Ponte a partir de CV/ML: Robustez adversária em visão computacional é o mesmo problema em um domínio diferente. Armazenamentos de características e sistemas de recomendação enfrentam recompensa fraudulenta através da otimização de engajamento. A infraestrutura de testes A/B para medir o imposto de alinhamento mapeia diretamente.
Perguntas prováveis: "Como você mediria o imposto de alinhamento?" "O que é recompensa fraudulenta e como você a mitiga?" "RLHF vs DPO — quais são os trade-offs?"
Interpretabilidade
O que saber: A equipe de interpretabilidade da Anthropic produziu trabalhos marcantes sobre circuitos (encontrando características significativas em redes neurais), superposição (modelos armazenando mais características do que dimensões), autoencoders esparsos (extraindo características interpretáveis de fluxos residuais) e escalando monosemanticidade (fazendo SAEs funcionarem em escala). O experimento Claude Golden Gate Bridge demonstrou intervenção causal — amplificar uma única característica mudou o comportamento do modelo de forma previsível.
Desafio principal: Escalabilidade. Os métodos atuais de interpretabilidade funcionam em modelos pequenos ou características individuais. Fazê-los funcionar em modelos de fronteira com bilhões de parâmetros é um desafio aberto de engenharia e pesquisa.
Ponte a partir de CV/ML: Visualização de características em CNNs (Grad-CAM, mapas de saliência) é a ancestral da interpretabilidade mecanicista. Se você trabalhou com visualização de atenção, atribuição de características ou depuração de modelos em sistemas de visão, você tem experiência relevante direta. A diferença é que as características dos modelos de linguagem são polissemânticas (um neurônio, muitos significados) de uma forma que as características de visão tipicamente não são.
Perguntas prováveis: "O que é superposição e por que ela importa?" "Como você escalaria SAEs para modelos de fronteira?" "A interpretabilidade mecanicista é a abordagem correta?"
Leis de Escala
O que saber: Kaplan et al. mostraram relações de lei de potência entre tamanho do modelo, dados, computação e perda. Chinchilla revisou a alocação ótima de computação (mais dados, modelos menores). Capacidades emergentes — habilidades que aparecem subitamente em escala — desafiam a narrativa de escala suave.
Desafio principal: Previsibilidade. Se as capacidades emergem imprevisivelmente, como você faz desenvolvimento responsável? Como você constrói casos de segurança para modelos cujas capacidades você não pode antecipar completamente?
Ponte a partir de CV/ML: Escala de transferência de aprendizado (os benefícios do pré-treinamento ImageNet escalam com o tamanho do modelo). Retornos decrescentes em aumento de dados. A relação entre o tamanho do conjunto de dados e a generalização em tarefas de visão.
Perguntas prováveis: "As capacidades emergentes são reais ou artefatos de medição?" "Como a escala deve informar a política de segurança?" "O que acontece quando ficamos sem dados de treinamento?"
Engenharia de Contexto e MCP
O que saber: MCP (Model Context Protocol) é o protocolo aberto da Anthropic para conectar modelos de IA a ferramentas externas e fontes de dados. Janelas de contexto longo (100K+ tokens) mudam o cálculo de RAG vs colocar contexto diretamente. O uso de ferramentas transforma modelos de linguagem em agentes que podem tomar ações.
Desafio principal: Confiabilidade. Um modelo que pode usar ferramentas é mais capaz, mas também mais perigoso. Cada chamada de ferramenta é um ponto de falha ou superfície de ataque potencial. Como você constrói confiança no uso de ferramentas?
Ponte a partir de CV/ML: Orquestração de API em sistemas de ML de produção. Pipelines de engenharia de características onde você puxa de dezenas de fontes de dados. Monitoramento e observabilidade para pipelines de ML complexos.
Perguntas prováveis: "RAG vs contexto longo — quando usar cada um?" "Como você projetaria uma camada de segurança para uso de ferramentas?" "O que torna o MCP importante?"
Sistemas Agentivos
O que saber: Computer use permite que Claude interaja com GUIs. Claude Code é um assistente de codificação agentivo. A avaliação de agentes é difícil — como você mede se um agente está fazendo a coisa certa, não apenas a coisa rápida? A coordenação multiagente (como esta base de código de skills) é uma área ativa.
Desafio principal: Avaliação e confiança. Agentes que tomam ações no mundo real precisam de garantias de segurança diferentes das de chatbots. Sandboxing, modelos de permissão e supervisão humana tornam-se requisitos de engenharia, não luxos de pesquisa.
Ponte a partir de CV/ML: Pipelines de percepção robótica (sentir-planejar-agir). Sistemas de decisão de veículos autônomos. Qualquer sistema onde saídas de ML impulsionam ações no mundo real.
Perguntas prováveis: "Como você avaliaria um sistema agentivo?" "Qual é o modelo de permissão correto para uso de computador?" "Onde os agentes precisam de supervisão humana?"
Segurança de IA e Escala Responsável
O que saber: A Política de Escala Responsável (RSP) da Anthropic define limites de capacidade (níveis ASL) que acionam requisitos de segurança específicos. Alinhamento enganoso é a preocupação de que um modelo possa parecer alinhado durante o treinamento, mas perseguir objetivos diferentes na implantação. Sandbagging é quando modelos deliberadamente têm desempenho inferior em avaliações de capacidade.
Desafio principal: Medir a segurança. Como você testa a ausência de comportamento enganoso? Este é o problema de verificação — você pode demonstrar a presença de um bug, mas não a ausência de todos os bugs.
Ponte a partir de CV/ML: Avaliação adversária em visão computacional. Red teaming em segurança. Engenharia de confiabilidade e análise de modos de falha. A impossibilidade de provar uma negativa em testes.
Perguntas prováveis: "Como você testaria o alinhamento enganoso?" "Qual é o nível certo de cautela para modelos de fronteira?" "Como você equilibra capacidade e segurança?"
Padrões de Perguntas e Estratégia de Resposta
Padrão 1: "O que você acha sobre X?"
Esta é uma sonda de opinião. Eles querem ver envolvimento intelectual, não um resumo.
Estrutura: Declare sua posição -> apoie com evidências -> reconheça contra-argumentos -> conecte à sua experiência.
Ruim: "Acho que a IA Constitucional é muito importante para o alinhamento." Bom: "Acho que a IA Constitucional resolve o problema de escalabilidade com elegância, mas introduz um novo problema de especificação. Escrever bons princípios é mais difícil do que parece — já vi o mesmo problema em otimização multiobjetivo, onde você não pode especificar a função de perda com precisão suficiente..."
Padrão 2: "Como você abordaria Y?"
Isso testa o julgamento de engenharia. Eles querem ver como você pensa, não apenas o que você sabe.
Estrutura: Esclareça o problema -> identifique restrições -> proponha abordagem -> discuta trade-offs -> sugira medição.
Padrão 3: "Quais são as limitações de Z?"
Isso testa o pensamento crítico. Conhecer limitações sinaliza uma compreensão mais profunda do que conhecer características.
Estrutura: Reconheça o que funciona -> identifique modos de falha específicos -> proponha mitigações -> conecte a questões de pesquisa em aberto.
Padrão 4: "Como sua formação se relaciona com este trabalho?"
Isso testa autoconsciência e capacidade de fazer pontes. Veja o antipadrão de Formação Desconectada abaixo.
Estrutura: Escolha uma experiência específica -> faça uma analogia precisa -> reconheça onde a analogia falha -> explique o que você precisaria aprender.
Antipadrões
Papagaio de Artigos
Novato: Recita resumos de artigos textualmente sem análise crítica. "A IA Constitucional usa um conjunto de princípios para guiar a autocrítica e revisão. O artigo mostra que isso reduz a nocividade enquanto mantém a utilidade." Consegue descrever a técnica, mas não consegue responder "o que você mudaria?" ou "onde isso falha?"
Especialista: Tem uma opinião específica e matizada baseada em experiência pessoal. "Acho a abordagem Constitucional elegante para casos claros, mas me pergunto sobre conflitos de princípios em situações ambíguas. Minha experiência com otimização multiobjetivo em CV sugere que quando você tem ..."