← Voltar para o Dia 7: Agentes
AI Agent
O que é
Um AI Agent (agente de IA) é um sistema que usa um LLM como "cérebro" para decidir quais ações executar a fim de atingir um objetivo, utilizando ferramentas, observando os resultados e repetindo o processo até concluir a tarefa.
A diferença em relação a um chatbot comum é que o chatbot apenas responde. O agente age.
Chatbot
Pergunta → LLM → Resposta
Agente
Objetivo → LLM → Ação → Resultado → LLM → Ação → ... → RespostaUma definição prática:
Agente = LLM + ferramentas + estado/contexto + loop de decisão + capacidade de executar ações.
A Anthropic faz uma distinção útil:
- Workflows: sistemas em que o LLM e as ferramentas seguem caminhos de código predefinidos.
- Agents: sistemas em que o próprio LLM dirige dinamicamente o processo e decide como usar as ferramentas.
Como funciona
Os componentes básicos de um agente são:
┌──────────────────────────────────┐
│ Agente │
│ │
│ LLM (raciocínio e decisão) │
│ ↓ ↑ │
│ Tools (ações) Observations │
│ ↓ ↑ │
│ Memory / State (contexto) │
└──────────────────────────────────┘- LLM: interpreta o objetivo e decide o próximo passo.
- Tools: funções, APIs, bancos de dados ou buscas que o agente pode acionar.
- Observations: os resultados retornados pelas ferramentas.
- Memory/State: o que o agente já fez e já sabe durante a tarefa.
- Loop: o ciclo que se repete até o objetivo ser alcançado ou um limite ser atingido.
O ciclo clássico é o Thought → Action → Observation, popularizado pelo padrão ReAct (Reasoning + Acting).
Um exemplo
O usuário pede:
"Quantos chamados críticos abertos temos hoje e quem está responsável por eles?"
O agente pode executar:
Thought: preciso consultar o sistema de chamados
Action: buscar_chamados(prioridade="crítica", status="aberto")
Observation: 3 chamados encontrados (INC001, INC002, INC003)
Thought: preciso saber os responsáveis
Action: buscar_responsaveis(["INC001", "INC002", "INC003"])
Observation: Ana, Bruno, Ana
Thought: já tenho tudo
Resposta: "Há 3 chamados críticos abertos. Ana cuida de 2 e Bruno de 1."Ninguém programou essa sequência exata. O agente decidiu os passos.
Por que é importante
Agentes permitem que LLMs saiam do papel de "gerador de texto" e passem a resolver tarefas reais: consultar sistemas, atualizar registros, enviar mensagens, escrever e executar código.
Mas autonomia tem custo:
- mais chamadas ao modelo (latência e custo maiores);
- mais pontos de falha;
- riscos de executar ações erradas.
Por isso, a recomendação comum é começar pelo mais simples: se um prompt ou um workflow fixo resolve, não é preciso um agente. Use agentes quando o caminho até a resposta não pode ser previsto com antecedência.