Agentic Document Workflow
Ir para notas que citam estaAgentic Document Workflow (ADW) é um fluxo em que agentes de IA recebem documentos, extraem, classificam e conferem o conteúdo contra regras até registrar uma decisão.
O padrão existe porque documentos reais chegam misturados, com anexos em PDF, planilhas e páginas escaneadas, e entregar tudo a um único modelo tende a produzir dados inventados. Um ADW divide o trabalho em etapas com responsabilidade própria, normalmente em orquestração sequencial, e reserva o modelo de linguagem para os pontos em que ele de fato precisa raciocinar. A entrada e a saída continuam sendo desenvolvimento tradicional; o meio é que ganha agentes e bases de conhecimento.
Etapas de um fluxo de documentos fiscais
Um caso construído no N8N mostra a anatomia típica. Um formulário recebe um e-mail do Outlook (arquivo MSG). Sem IA, o fluxo descompacta a mensagem, separa os anexos, verifica se cada PDF tem texto ou só imagem, lê as planilhas e concatena tudo.
Em seguida entram três agentes em sequência:
- Identificador de transação: só extrai os dados, sem base de conhecimento. O prompt é longo porque precisa ensinar ao modelo um conceito de negócio que ele interpretaria do seu próprio jeito.
- Classificador de natureza: recebe o que foi extraído e escolhe, numa base com 350 naturezas possíveis, a que se aplica ao documento.
- Recuperador de taxas: busca na base os impostos que precisam ser aplicados àquela natureza.
A saída é uma linha numa planilha: aprovado ou não, a natureza identificada, os documentos encontrados contra os exigidos (um serviço técnico, por exemplo, exige fatura completa e um documento equivalente), o que falta para notificar outra pessoa e uma justificativa escrita pela IA, que especialistas da área consideraram coerente.
Do agente único à orquestração sequencial
A primeira versão usava um único agente com um prompt grande. O modelo escolhido foi o GPT-4.1, por aceitar cerca de um milhão de tokens de contexto de entrada. Mesmo assim o agente inventava dados, mentia ou não entendia partes da tarefa, e consumia cerca de 38 mil tokens por e-mail em até três chamadas de modelo. Um agente só raramente significa uma chamada só.
A versão orquestrada consumiu cerca de 23 mil tokens para o mesmo e-mail, uma economia de 15 mil por execução, com respostas melhores. Se o processo precisasse tratar vários tipos de documento, o passo seguinte seria um classificador inicial que encaminha cada tipo ao seu especialista.
A mesma execução passou de 17 segundos para cerca de 2 minutos e 26 segundos. Quebrar o fluxo em agentes troca custo e qualidade por latência, o que pesa pouco num processo de retaguarda e muito num chat.
Nem toda etapa precisa de um LLM
Há quatro tipos de modelo generativo: LLM, embedding, rerank e autocomplete. Um ADW costuma usar os três primeiros. Gerar embeddings com um LLM completo sai caro; existem modelos dedicados só a isso, bem mais baratos.
A classificação de natureza usa RAG para não mandar as 350 opções ao modelo. Recuperar 50 deixava de fora opções relevantes; recuperar 100 funcionava, mas gastava tokens demais. A solução foi um modelo de rerank, que reordena e filtra os resultados antes de chegarem ao LLM. A estratégia de indexação também depende do dado: conhecimento tabular carrega melhor com cada linha da tabela como uma entrada inteira do que com blocos de texto de cerca de mil caracteres. E o modelo de contexto grande fica só nas etapas que precisam dele; extrações simples usam um menor. Tudo isso é gestão de Custo de Tokens.
Extração, a etapa que mais engana
Todo ADW tem uma etapa de extração e adaptação, e ela falha em silêncio. O extrator de texto não avisa que uma página tinha imagem: apenas insere quebras de linha no lugar. É preciso aprender como cada ferramenta se comporta para garantir que o conteúdo final esteja completo. Usar IA para melhorar o resultado da extração por OCR reduz o contexto, mas traz o risco de alucinação ou de uma sumarização que apaga conteúdo. Num cenário pesado, com 18 arquivos PDF cheios de imagens, o contexto chega perto de 700 mil tokens.