Índice de Conceitos
Ir para notas que citam estaatualizado há 4 diasEntre para perguntar ao Labinho sobre esta notaO Labinho é o assistente que responde com as notas e as sessões do LabS e mostra de onde tirou cada resposta.
Índice de Conceitos reúne as 115 notas de conceito do vault Agentic AI, agrupadas pelos mesmos temas das pastas de conceitos e em ordem alfabética dentro de cada tema, com uma linha de definição para consulta rápida. Para aprender em sequência, siga a Trilha de Estudo; para voltar ao ponto de partida, abra o Início.
Fundamentos de Agentes de IA
- Agente de IA: Agente de IA é um sistema baseado em LLM que recebe um objetivo (a meta) e decide sozinho os passos necessários para alcançá-lo, diferente de um chatbot que apenas responde ao que foi perguntado.
- Arquitetura Modular de Agentes: Arquitetura Modular de Agentes de IA é um modelo estrutural que organiza o funcionamento de um agente de IA em três camadas que trabalham em harmonia: núcleo central, percepção e ação, e sistema de memória.
- Cadeia de Pensamento: Cadeia de Pensamento é uma técnica em que o agente monta uma sequência de passos de raciocínio antes de chegar a uma resposta final, podendo envolver um ou mais modelos/agentes dedicados a 'pensar'.
- Custo de Tokens: O custo de tokens é a forma como os provedores de modelos de linguagem calculam o preço de uma chamada, com base na quantidade de texto (entrada e saída) processada, e que pode variar bastante conforme o modelo e o tipo de automação construída.
- Dados e Integrações para Agentes: Dados e integrações para agentes referem-se ao papel central que dados de qualidade e conexões com sistemas externos têm para que um agente de IA consiga perceber o ambiente, decidir e agir, e continuar gerando dados a partir de suas próprias ações.
- Engenharia de Prompt: Engenharia de prompt é a prática de estruturar a instrução de um agente em partes previsíveis — papel, objetivo, contexto, regras e formato de saída — para que o comportamento dele seja estável.
- Evolução dos Agentes de IA: A evolução dos agentes de IA em três eras descreve a linha do tempo de uso das LLMs, passando por três fases sucessivas até chegar aos agentes autônomos com maior capacidade de decisão.
- Fine-tuning: Ajuste Fino de Modelo (fine-tuning) é uma técnica alternativa ao RAG que consiste em treinar um modelo, geralmente partindo dele zerado, alimentando-o especificamente com o conteúdo e o comportamento que se deseja que ele entregue.
- Guardrails: Guardrails são regras e mecanismos criados para impedir que um agente de IA responda de forma indesejada — seja alucinando, saindo do escopo definido ou revelando informações confidenciais.
- Human in the Loop: Human in the Loop no Desenvolvimento Orientado por IA é o princípio de manter uma revisão humana obrigatória sobre o que a IA planeja e produz, em vez de confiar cegamente na geração automática, já que os resultados não são totalmente determinísticos e a interpretação do que faz sentido para o usuário final continua sendo uma decisão humana.
- Hype Cycle do Gartner: O Hype Cycle do Gartner é um gráfico que indica o nível de expectativa de mercado sobre diferentes tecnologias ao longo do tempo, usado na sessão para posicionar a maturidade do tema Agentic AI.
- Modelos de Linguagem Locais em Agentes: Limitações de Modelos Locais no DeepSeek Harness são os problemas observados ao rodar modelos de linguagem locais dentro da ferramenta, relacionados principalmente ao tamanho da janela de contexto e do output configurado no modelo local, além do hardware disponível.
- Modelos de Raciocínio: Modelos de raciocínio ('thinking') são modelos de LLM que executam um processo interno de 'pensar' sobre o que precisam fazer antes de responder, em vez de responder diretamente à pergunta, o que aumenta a latência e, em geral, o custo, mas tende a melhorar a qualidade da resposta final.
- Níveis de Maturidade no Uso de IA: Maturidade de Ferramentas de IA é um modelo de níveis crescentes de autonomia das ferramentas de inteligência artificial, do simples chat até sistemas que geram e usam dados de forma autônoma para agir.
- Padrões de Raciocínio de Agentes: Padrões de raciocínio de agentes são as formas conhecidas de o agente decidir o próximo passo: alternar pensamento e ação a cada rodada (ReAct) ou planejar toda a sequência antes de executar (Plan-and-Execute).
- Persona do Agente: Persona do Agente de IA é o módulo que define o estilo, o tom e a personalidade que o agente assume ao interagir com o usuário, frequentemente configurado por meio de instruções de prompt.
- Pilares de um Agente de IA: Os 5 pilares de um agente de IA são os componentes estruturais apresentados no workshop para descrever qualquer agente, independentemente da ferramenta usada para construí-lo: LLM, memória, ferramentas, guardrails e ambiente.
- Racionalidade do Agente: Racionalidade do agente é a ideia, trazida pelo referencial clássico de IA, de que um agente racional deve maximizar sua medida de desempenho ao selecionar uma ação, com base no objetivo, no contexto, nas ações possíveis e na memória do que já percebeu.
- Seleção de Modelo por Agente: Seleção de Modelo de IA por Agente é a prática de escolher, dentro de um sistema multiagente, um modelo de linguagem diferente para cada agente conforme a tarefa, considerando janela de contexto, capacidade de chamar ferramentas (function calling), temperatura e custo.
- Small Language Model: SLM (Small Language Model) é um modelo de linguagem com poucos parâmetros, mais barato e rápido, indicado para tarefas simples e pontuais, em contraste com LLMs (Large Language Models) de bilhões de parâmetros, usados para tarefas que exigem mais raciocínio e contexto.
- Temperatura: A temperatura do modelo de linguagem é um parâmetro que controla o quanto a resposta gerada é mais determinística e objetiva (temperatura baixa) ou mais criativa e variável (temperatura alta), e deve ser ajustada de acordo com o papel do agente dentro do fluxo.
Orquestração, Protocolos e Multiagentes
- Agent Teams: Agent Teams é uma feature experimental do Claude Code, ainda não lançada oficialmente, que permite que os agentes de um mesmo time (chamados de teammates) se comuniquem diretamente entre si e compartilhem uma lista de tarefas distribuída pelo agente principal.
- Agente Orquestrador: Agente orquestrador é o agente que recebe o objetivo do usuário, decide qual agente especialista trata cada etapa, repassa o contexto necessário e consolida as respostas em um resultado único.
- Agente Pesquisador: O subagente pesquisador é o responsável por reunir contexto externo sobre o ativo analisado, dividido em duas ferramentas internas: uma para procurar notícias e informações e outra para procurar valores e cotações atualizadas.
- Agente Roteador: Agente roteador é o agente que só classifica a intenção da mensagem recebida e direciona o fluxo para o especialista certo, sem responder ao usuário.
- Agente Validador: Agente validador é o agente que revisa a resposta produzida por outro agente antes da entrega e pode aprová-la, corrigi-la ou devolvê-la para refazer.
- Agentic Document Workflow: Agentic Document Workflow (ADW) é um padrão de fluxo de trabalho para tratamento de documentos por agentes de IA, demonstrado na sessão com um caso real de classificação e extração de dados de documentos fiscais construído no n8n.
- Arquitetura Stateless do MCP: A arquitetura stateless do MCP dispensa a sessão fixa entre cliente e servidor, permitindo que cada chamada seja independente e que o servidor escale como um serviço web comum.
- Automação versus Orquestração de Agentes: Automação versus Orquestração de Agentes é a distinção entre programar um fluxo fixo de passos (automação tradicional) e montar um fluxo em que agentes de IA podem decidir, por autonomia própria, qual caminho seguir ou qual ferramenta chamar.
- Cache de Dados Externos em Agentes: Cache de dados externos em agentes é a camada que guarda por um tempo as respostas de APIs consultadas, para que todos os agentes leiam o mesmo dado sem repetir chamada paga a cada execução.
- Comunicação entre Agentes: Comunicação entre agentes é o desenho do que os agentes de um sistema contam uns aos outros, por qual canal e em que formato, e é onde a maioria dos sistemas multiagente falha.
- Controle de Fluxo em Sistemas Multiagente: Controle de Fluxo em Orquestração reúne os mecanismos usados para decidir o que acontece a cada etapa de um fluxo de agentes: orquestração dirigida por estado (baseada em memória de progresso), julgamento (validação absoluta de sim/não), decisão autônoma (o agente decide e pode reprocessar) e aprovação humana (o fluxo espera resposta de uma pessoa).
- Encadeamento de Agentes: Encadeamento de agentes é o arranjo em que a saída de um agente vira a entrada do próximo, em linha, cada etapa com uma tarefa estreita e verificável.
- Falhas de Comunicação entre Agentes: Falhas de comunicação entre agentes são os modos recorrentes em que a informação deixa de passar de um agente a outro: conversa que reinicia, informação retida, mensagem que não chega ou contribuição ignorada.
- Ferramentas de Agentes: Ferramentas (tools) são as ações concretas que um agente de IA pode executar além de apenas responder em texto — como acessar uma API, consultar um banco de dados ou disparar um e-mail — e são o que dá ao agente sua capacidade de agir sobre o mundo.
- Function Calling: Function calling é o mecanismo pelo qual o modelo, ligado a uma lista de ferramentas, devolve a intenção de chamar uma delas com os argumentos preenchidos, recebe o resultado da execução e decide se responde ou chama outra.
- Mensagens Tipadas entre Agentes: Mensagens tipadas entre agentes é a regra de que toda mensagem trocada numa frota declara seu tipo (descoberta, decisão, reivindicação, bloqueio ou resultado negativo) e tem a entrega confirmada.
- Model Context Protocol: O Model Context Protocol (MCP) é um protocolo aberto que padroniza a comunicação entre um modelo de IA (o cliente) e um servidor, permitindo que o modelo descubra e execute ações em sistemas externos sem precisar de uma integração específica para cada combinação de modelo e servidor.
- Padrões de Orquestração de Agentes: Padrões de orquestração de agentes são as formas conhecidas de arranjar vários agentes em um fluxo — sequencial, paralela, baseada em papéis e colaborativa — cada uma com um custo e um risco próprios.
- Paralelização de Agentes: Paralelização de agentes é disparar vários agentes ao mesmo tempo sobre partes independentes da tarefa e juntar as respostas no fim, para ganhar tempo em vez de esperar uma etapa de cada vez.
- Quadro Compartilhado entre Agentes: Quadro compartilhado entre agentes é o arranjo em que os agentes publicam descobertas num espaço comum de memória e cada um lê só o que interessa, em vez de trocarem mensagens diretamente ou debaterem.
- Servidor MCP: Servidor MCP é o processo que expõe um conjunto de ferramentas a qualquer cliente que fale o protocolo, descrevendo o que cada ferramenta faz, quais parâmetros aceita e o que devolve.
- Sistemas Multiagente: Sistemas multiagente são soluções em que vários agentes especializados dividem um problema complexo, cada um com objetivo, prompt e ferramentas próprios, e cooperam para entregar um resultado que nenhum deles alcançaria sozinho.
- Subagentes: Subagentes são agentes auxiliares que o agente principal aciona para uma tarefa específica, cada um com contexto próprio e descartável, devolvendo apenas o resultado ao fluxo principal.
Memória, RAG e Bases de Conhecimento
- Banco Vetorial: Um banco de dados vetorial é o armazenamento usado pelo RAG para guardar os textos dos documentos convertidos em vetores numéricos (embeddings), organizados em pedaços de texto (chunks) que podem ser buscados por similaridade quando o agente precisa de uma resposta baseada em documentos.
- Bases de Conhecimento de Longo Prazo: Bases de Conhecimento de Longo Prazo em Agentes de IA são os três tipos de banco de dados que armazenam de forma permanente, hospedados em data centers, tudo o que é processado pelas memórias temporárias de um agente: banco vetorial, grafo de conhecimento e banco de dados tradicional.
- Chunking: Chunking de texto com overlap é a técnica de dividir um texto longo em pedaços (chunks) de tamanho semelhante, repetindo uma quantidade de caracteres entre pedaços consecutivos (overlap), para preparar o texto antes de gerar embeddings.
- Consolidação de Memória em Agentes: Consolidação de Conhecimento é a etapa final do ciclo de uma interação, em que tudo o que foi processado pelas diferentes bases de dados de memória é reunido e transformado em conhecimento reutilizável, permitindo que o agente aprenda de forma contínua e adaptativa.
- Duplicação de Embeddings e Chunks: Duplicação de embeddings e chunks é o problema de indexar o mesmo conteúdo mais de uma vez no banco vetorial, fazendo a busca por similaridade retornar várias cópias do mesmo trecho em vez de trechos diferentes, prejudicando a resposta do agente.
- Embeddings: Embeddings são representações numéricas de texto em vetores de muitas dimensões, em que a proximidade entre vetores corresponde à proximidade de significado entre os textos.
- Extração de Texto com OCR: OCR com Mistral é o serviço de extração de texto de documentos (como PDFs) oferecido pela Mistral, usado na sessão para converter as páginas de um PDF em texto no formato markdown de forma automática e rápida.
- Memória de Agentes: Sistema de Memória Modular de Agentes de IA é o conjunto de oito tipos de memória especializados que um agente usa, cada um com um papel e um custo diferente, para armazenar e recuperar informações durante e entre interações.
- Qdrant: Qdrant é um banco de dados vetorial usado na sessão para armazenar os embeddings gerados a partir dos chunks de texto e permitir busca por proximidade semântica entre vetores.
- RAG Agêntico: RAG agêntico é o arranjo em que a busca na base de conhecimento vira uma ferramenta que o agente chama quando julga necessário, em vez de acontecer sempre antes da resposta.
- Retrieval-Augmented Generation: RAG (Retrieval-Augmented Generation) é uma técnica em que um agente de IA busca trechos relevantes em uma base de conhecimento vetorial antes de gerar sua resposta, permitindo responder com base em documentos privados que a LLM não conhece por não estarem disponíveis publicamente na internet.
- Similaridade de Cosseno: Similaridade de cosseno é o cálculo matemático usado pelos bancos vetoriais para medir o quão parecidos são dois vetores de embedding, a partir do produto escalar entre eles dividido pelo produto dos módulos de cada vetor.
Observabilidade e AgentOps
- AgentOps: AgentOps é o conjunto de práticas focadas em todo o ciclo de vida do desenvolvimento e operação de agentes autônomos de IA, aplicando princípios já usados em DevOps e SRE — com foco específico em observabilidade e monitoramento das ações desses agentes.
- Indicador de Confiança em Respostas de IA: Indicador de Confiança em Respostas de IA é um elemento de interface que mostra ao usuário uma porcentagem de confiança junto a cada resposta gerada por um assistente de IA dentro de um sistema, sinalizando o quanto aquela resposta específica pode ser confiável.
- LangFuse: LangFuse é uma ferramenta de observabilidade open source para agentes de IA, compatível com diversos frameworks, que pode ser hospedada localmente (self-host) para uso gratuito ou usada via nuvem paga.
- LangSmith: LangSmith é a ferramenta de observabilidade e tracing oficial sugerida pela própria LangChain para depurar e visualizar a execução de agentes construídos com LangChain e LangGraph.
- LLM as a Judge: Curadoria de agentes com LLM como juiz é a prática de usar um agente ou prompt específico para avaliar e validar a resposta de outro agente/modelo antes que ela chegue a um humano, funcionando como um filtro que reduz ruído, detecta incoerências ou alucinações e evita acionar a pessoa desnecessariamente.
- Observabilidade de Agentes: Observabilidade de sistemas multiagente é a capacidade de visualizar e entender, em tempo real ou posteriormente, o que um agente de IA fez, por quais etapas passou, quais ferramentas chamou e quanto gastou de tokens, permitindo diagnosticar problemas em vez de depender apenas de logs manuais.
- OpenTelemetry: OpenTelemetry é um padrão (protocolo) aberto para capturar, exportar e transportar métricas, eventos, logs e traces de uma aplicação — no caso do Claude Code, para um backend de observabilidade como Grafana ou Prometheus.
- Problema da Caixa Preta em Sistemas de IA: O problema da caixa preta em sistemas de IA é a dificuldade de explicar como o modelo chegou a uma decisão, o que atrapalha depurar, auditar e prever o consumo de recursos de um agente.
- Riscos de Privacidade e Vazamento de Dados em IA: Riscos de privacidade e vazamento de dados em modelos de IA generativa são os problemas de exposição de informação pessoal ou confidencial que surgem quando dados sensíveis são fornecidos a plataformas de IA sem cuidado — seja por memória persistente do modelo entre conversas, por links de conversas compartilhados publicamente, ou pelo uso de ferramentas de terceiros sem controle sobre o destino dos dados.
- Stack de Observabilidade com Grafana: Uma stack de observabilidade com Grafana reúne o coletor que recebe a telemetria do agente, a base que armazena as séries e o painel que mostra custo e uso por pessoa e por projeto.
- Telemetria de Uso e Custo do Claude Code: A telemetria de uso e custo do Claude Code é o conjunto de métricas e eventos que a ferramenta emite — tokens de entrada, saída e cache, sessões e atividade no código — usados para entender onde o custo nasce.
- Tipos de Erros em Sistemas Multiagente: Tipos de erros em sistemas multiagente são as diferentes camadas em que uma falha pode ocorrer em um pipeline de agentes, desde erros do próprio modelo de linguagem até erros de operação, de sistema e de formato de dados entre agentes, e que a observabilidade ajuda a distinguir e diagnosticar.
Automação e Integração de Agentes
- Automação de Documentação de Reuniões com Agentes: A automação de documentação de reuniões com agentes é a cadeia que parte da transcrição e produz ata, tarefas no rastreador e resumo para o time, com um agente responsável por cada etapa.
- Automação de Triagem de E-mails com Agentes: Automação de Triagem de E-mails com Gmail e Telegram é um workflow no N8N que monitora a caixa de entrada do Gmail em busca de novos e-mails de remetentes específicos, gera um resumo com IA e envia esse resumo como mensagem em um bot do Telegram.
- Dify: Dify é uma ferramenta open source, pouco conhecida mas de baixa curva de entrada, para criar agentes conversacionais de forma simples, configurando instruções de orquestração, uma base de conhecimento e ferramentas (tools) sem escrever código.
- Exposição de N8N Local com Túnel Cloudflare: Exposição de N8N Local via Túnel Cloudflare é a técnica de publicar uma instância do N8N rodando em uma máquina doméstica na internet, usando um domínio próprio apontado por meio de um túnel para o servidor local, contornando bloqueios de porta e a falta de IP público fixo do provedor de internet.
- Gatilho no N8N: Trigger (ou gatilho) é o nó que inicia a execução de um workflow no N8N ao detectar um evento específico, sendo o ponto de partida obrigatório de toda automação.
- Instalação Local do N8N com Docker: Instalação local do N8N com Docker é o processo de subir o N8N e as ferramentas auxiliares (Postgres, Qdrant, e futuramente MongoDB) localmente via contêineres, usando um repositório com um docker-compose pronto.
- Integração de Agentes com WhatsApp: Integração de Agentes N8N com WhatsApp é a possibilidade de conectar um workflow de N8N ao WhatsApp como canal de entrada e saída de mensagens, tanto pela API oficial do WhatsApp Business quanto por APIs não oficiais como a Evolution API.
- N8N: N8N é uma ferramenta de automação de fluxos de trabalho (workflows) de baixo código, com interface visual baseada em nós (nodes), usada no workshop para construir agentes de IA de forma incremental.
- Nó de Código no N8N: O nó Code do N8N é um bloco onde se pode escrever JavaScript ou Python puro (sem bibliotecas ou frameworks) para fazer manipulações pontuais de dados dentro do fluxo.
- Nós de Decisão no N8N: Nós de decisão no N8N são os blocos que bifurcam o fluxo conforme uma condição e o juntam de novo adiante, permitindo que cada caminho seja tratado por um agente ou uma rotina diferente.
- Parâmetros Dinâmicos Definidos pela IA: Parâmetros Dinâmicos com $fromAI em Ferramentas HTTP é o recurso do nó HTTP Request no N8N que permite marcar um campo, como a URL, para ser preenchido automaticamente pelo agente de IA, definindo o tipo do valor e uma descrição que orienta como ele deve ser construído.
- Subworkflows no N8N: Subworkflows no N8N é a funcionalidade que permite chamar um workflow de dentro de outro workflow, possibilitando disparar múltiplos fluxos — e, por consequência, múltiplos agentes — ao mesmo tempo em vez de um por vez.
- Transcrição de Áudio em Agentes de IA: Transcrição de Áudio para Texto em Agentes de IA é o processo de converter uma mensagem de voz recebida em texto antes de ser processada por um modelo de linguagem, e de converter a resposta em áudio quando necessário, já que o LLM em si processa apenas texto.
Frameworks e Plataformas de Agentes
- Amazon Bedrock: Amazon Bedrock é o serviço gerenciado que entrega vários modelos de linguagem por uma interface única e oferece um serviço de agentes com ferramentas e base de conhecimento acopladas.
- Aresta Condicional: Uma aresta condicional no LangGraph é um mecanismo que direciona dinamicamente o fluxo do grafo para um nó ou outro, com base no resultado de uma função de decisão, em vez de usar uma ligação fixa entre dois nós.
- Backend de Agente com FastAPI: Backend com FastAPI é a camada de API HTTP construída para expor o grafo de agentes já pronto a um frontend de chat, em vez de precisar rodar o projeto diretamente pela IDE.
- Checkpoints e Persistência de Estado: Checkpoints no LangGraph são um mecanismo de persistência que salva, de forma estruturada e ordenada em um banco de dados, o histórico de mensagens trocadas em cada execução (thread) de um fluxo de agentes, permitindo recuperar ou retomar esse histórico depois que o programa é encerrado.
- Estado do Grafo: O estado (state) é a estrutura de dados que mantém todo o contexto do agente ao longo da execução, descrita na sessão como o 'coração' do LangGraph.
- Estrutura de um Agente no LangGraph: A estrutura de um agente no LangGraph, na convenção adotada nesta sessão, é uma função que recebe o estado do grafo, monta mensagens de sistema e de usuário, invoca um LLM e devolve a resposta como atualização de um campo do estado.
- Gerenciador de Pacotes uv: uv é o gerenciador de pacotes do Python usado nesta sessão para inicializar o projeto e instalar as dependências do LangGraph.
- Grafo de Agentes: Grafo de agentes é a representação do fluxo como nós que executam trabalho e arestas que definem para onde a execução segue, com um ponto de entrada e um de saída explícitos.
- LangChain: LangChain é um conjunto de ferramentas (framework) para criar aplicações que utilizam modelos de linguagem, permitindo implementar em código os elementos clássicos de um agente — contexto, memória, objetivo e tools.
- LangGraph: LangGraph é um framework para construção de agentes de IA baseado em grafos, construído sobre o LangChain, que oferece mais controle e persistência de contexto do que ferramentas no-code como o N8N.
- N8N versus LangGraph: A escolha entre N8N e LangGraph opõe montagem visual rápida, boa para prototipar e integrar, a código explícito com estado e persistência, melhor quando o fluxo precisa de controle fino, teste e versionamento.
Engenharia de Software Agêntica
- Arquivos de Contexto de Agentes de Código: Gestão de contexto com arquivos markdown é a prática de estruturar, em arquivos como o CLAUDE.md e outros documentos ligados a ele, todas as informações de projeto (stacks, convenções, decisões, escopo) que o modelo precisa ter disponíveis para gerar código de forma consistente.
- Assinatura versus Chave de API: Sessões de assinatura vs chave de API na Anthropic é a distinção entre o modelo de cobrança do Claude Code por janelas de tempo (sessões diárias e semanais com token liberado) e o pagamento por uso via chave de API, usada pela Anthropic para restringir onde cada modo pode ser usado.
- Claude Code: Claude Code é o agente de programação de linha de comando que lê e edita o repositório, executa comandos e conduz tarefas de código inteiras a partir de instrução em linguagem natural.
- DeepSeek Harness: DeepSeek Harness é um harness de agente de código aberto construído sobre um núcleo mínimo, em que todo recurso — ferramenta, provedor de modelo, interface — entra como plugin.
- Engenharia de Software Agêntica: Engenharia de software agêntica é a prática de desenvolver com agentes de IA por etapas, papéis e critérios explícitos, em que a pessoa desenvolvedora especifica, revisa e verifica em vez de digitar cada linha.
- Everything is a Plugin: Everything is a Plugin é o princípio de arquitetura do DeepSeek Harness segundo o qual toda peça do agente — modelo, ferramentas, sessão, storage e até o loop do agente — pode ser trocada, adicionada ou removida como um plugin, sem alterar o núcleo (core) do sistema.
- Fallback de Modelos em Agentes: Fallback de modelos é a configuração em que o agente tenta um modelo e, se ele falhar ou estourar limite, passa automaticamente para o próximo da lista sem interromper a tarefa.
- Google Stitch: Google Stitch é uma ferramenta de design com IA (gratuita, em versão beta do Google) que gera protótipos visuais de aplicações web ou mobile a partir de um prompt de texto.
- Harness Engineering: Harness Engineering é a abordagem de desenvolvimento com IA em que tudo o que envolve e guia o modelo — contexto, ferramentas, planejamento, verificação, memória, sandbox — é tratado como o elemento central do desenvolvimento, com o objetivo de aproximar a geração de código de um comportamento mais determinístico e confiável.
- Hooks de Verificação em Agentes de Código: Hooks de verificação são ações automáticas configuradas para rodar antes ou depois de determinada ação de um agente de IA, usadas para checar o que foi feito e bloquear ou corrigir comportamentos indesejados.
- Modelos Gratuitos em Troca de Telemetria: Modelos gratuitos do OpenCode são modelos de IA disponibilizados sem custo pela própria ferramenta, mas com forte coleta de telemetria dos dados enviados, o que limita seu uso em contextos corporativos sensíveis.
- OpenCode: OpenCode é uma ferramenta agêntica de linha de comando, de código aberto e agnóstica de modelo de IA, apresentada como alternativa concorrente ao Claude Code para desenvolvimento assistido por agentes.
- OpenSpec: OpenSpec é uma ferramenta de linha de comando para Desenvolvimento Orientado por Especificações (SDD) que organiza a criação, execução e histórico das mudanças de um projeto em pastas e comandos padronizados, servindo de harness para agentes de codificação como o Claude Code.
- Reimagine Your Legend: Reimagine Your Legend é a dinâmica de workshop do Solutis Labs em que sistemas legados antigos (chamados de forma lúdica de 'lendas') são reinterpretados e reconstruídos como novas experiências digitais com apoio de IA, usando uma abordagem agêntica de engenharia de software.
- Skills de IA: Skills de IA são procedimentos empacotados que o agente carrega quando a tarefa pede, reunindo instruções, formato de saída e material de apoio fora do contexto até o momento do uso.
- Spec Kit: SpecKit é o framework de código aberto do GitHub, lançado por volta de setembro de 2025, que implementa Spec-Driven Development por meio de um fluxo estruturado de cinco etapas: constitution, specify, plan, tasks e implement.
- Spec-Driven Development: SDD (Spec-Driven Development) é uma abordagem de desenvolvimento de software em que specs estruturadas guiam o trabalho conjunto com a inteligência artificial, em vez de depender de um único prompt com todo o contexto do sistema.
- Validação de Documentos com Visão Computacional: Validação de documentos por IA é o processo em que o sistema recebe o upload de uma imagem de documento e usa um modelo de visão computacional para conferir se é do tipo esperado antes de seguir no fluxo.
- Vibe Coding: Vibe Coding é uma metodologia de programação assistida por IA, criada por volta de fevereiro de 2025, em que o humano atua como orquestrador e testador (QA) enquanto a IA escreve todo o código a partir de prompts, sem revisão ativa do código gerado.
Programa Solutis LabS
- Bancada: Bancada do LabS é o formato de exploração temática do programa Solutis LabS, estruturado em torno de um objetivo, domain sets e desafios registrados em mural, usado aqui para inaugurar a bancada Agentic AI.
- Learning Prototype: Learning Prototype é um protótipo construído pelo LabS para fins de aprendizagem específicos sobre um domain set, sendo o único 'produto' que o próprio LabS efetivamente produz.
- Mural de Desafios: O mural de desafios é o mecanismo do LabS que publica missões técnicas com requisitos obrigatórios e desejáveis e recompensa em moeda interna quem entrega a solução.
- Solutis LabS: Solutis LabS é o laboratório interno de exploração de tecnologias emergentes da Solutis, focado em entender essas tecnologias e preparar a empresa e seus colaboradores para as demandas futuras que elas trazem.