🎤 Perguntas Comportamentais — First 90 days, Failure, Cost

Perguntas típicas em entrevistas sénior. Prepara respostas STAR.

---

First 90 days

O que querem ouvir: Plano concreto, humildade (aprender primeiro), impacto gradual.

Estrutura:

• Semanas 1-2: Conhecer stack, codebase, equipa, stakeholders
• Semanas 3-4: Shadow em deploys, identificar pain points
• Mês 2: Primeira contribuição (eval, observability, doc)
• Mês 3: Own uma feature end-to-end

Frase: I'd start by understanding before changing. Then I'd look for quick wins in eval or observability — areas that compound over time.

---

Failure / Incident (STAR)

O que querem ouvir: Que assumes responsabilidade, debugaste, implementaste mitigação.

Estrutura STAR:

• S: Contexto — sistema em produção
• T: O que falhou — respostas erradas, downtime, custo spike
• A: O que fizeste — debug (retrieval? chunking? contexto?), eval, alertas, rollback
• R: Resultado — menos incidentes, deteção mais rápida

Frase: We had wrong answers in production. I traced it to retrieval quality — we improved chunking and added automated eval. Now we catch regressions before users do.

---

Cost Estimation

O que querem ouvir: Sabes decompor o custo, consideras cache, tens números de referência.

Breakdown típico para RAG:

1. Embeddings — 1M queries × tokens/query × $/1K (ex: $0.0001/1K)
2. LLM — input + output tokens × $/1K (GPT-4o-mini ~$0.15/$0.60 per 1M)
3. Cache hit rate — 20-40% hit reduz chamadas LLM
4. Vector DB — por documento ou por query
5. Infra — compute, rede

Frase: I'd break it down: embeddings per query, LLM cost per token, then apply cache hit rate. For 1M queries with 30% cache, you're looking at roughly X LLM calls.