Pular para o conteúdo
LabS Atlas
Agentic AI
Entrar
Sessões

Workshop Construindo Agentes de IA N8N Parte 1 Primeiro Agente e RAG (2026-03-19)

19 mar 20261h 40min
Assistir gravação

Entre para ler os trechos da transcrição de cada capítulo e perguntar ao Labinho sobre esta sessão.

O Labinho é o assistente que responde com as notas e as sessões do LabS e mostra de onde tirou cada resposta.

atualizado há 25 dias
Resumo da sessão

A sessão apresentou a configuração inicial do n8n para execução local com Docker, incluindo o repositório do workshop, os contêineres necessários, o n8n, o PostgreSQL, o MongoDB e o Qdrant. Foram esclarecidas dúvidas sobre clonagem do repositório, uso de arquivos ZIP, credenciais, acesso ao Miro e utilização da chave temporária da OpenAI. Também foram apresentados os principais gatilhos do n8n, como acionamento manual, webhook, e-mail, eventos, alterações em arquivos, agendamento e mensagens de chat, destacando que os gatilhos iniciam os fluxos e podem representar a leitura de eventos do ambiente por um agente.

Na parte prática, foram construídos exemplos progressivos: uma chamada simples a um modelo de linguagem, um agente com prompt, um agente com busca na internet e um agente com RAG. Foram discutidos os componentes de um bom prompt, como papel, objetivo, regras, formato de resposta e separação entre instruções do sistema e mensagens do usuário, além do uso de ferramentas, memória e guardrails. O RAG foi montado com extração de texto de PDFs, embeddings, divisão em chunks e armazenamento no Qdrant, embora o teste final tenha apresentado inconsistências na recuperação das informações, possivelmente relacionadas ao modelo, aos dados ou à configuração dos chunks. Também foram abordados consumo de tokens, custos de ferramentas e observabilidade das execuções.

Como próximos passos, ficou previsto o compartilhamento dos fluxos, exercícios e um front-end já configurado para a próxima sessão, que aprofundará a integração do n8n com chat e fluxos mais complexos. A chave da OpenAI permanecerá disponível até o próximo encontro e deverá ser renovada depois. Também ficou em aberto a possibilidade de uma sessão extra para tirar dúvidas de instalação e execução, além da realização de desafios práticos que poderão gerar badges, créditos internos e premiações para os agentes mais criativos.

Gerado por IA a partir da transcrição.
Capítulos · 34
00:20
Abertura e recepção dos participantes
Assistir
02:26
Problemas iniciais com repositório e PostgreSQL
Assistir
05:11
Acesso ao repositório e início do workshop
Assistir
08:00
Recompensas, badges e Passaporte Solutis
Assistir
11:06
Configuração do Miro, MongoDB e modelos locais
Assistir
12:36
Escolha da LLM e execução em ambiente local
Assistir
13:55
OCR local e chave temporária da OpenAI
Assistir
15:20
Instalação do Docker e clonagem do projeto
Assistir
16:57
Subindo a stack com Docker Compose
Assistir
21:02
Desafios do workshop e calendário de atividades
Assistir
22:14
Primeiros passos na interface do n8n
Assistir
30:16
Conceito de gatilhos e início de automação
Assistir
31:32
Triggers como leitura do ambiente
Assistir
34:03
Criando o primeiro agente com uma LLM
Assistir
38:32
Limitações da chamada direta e estruturação do agente
Assistir
42:50
Prompt engineering, regras e guardrails
Assistir
45:08
Testando respostas e variações de prompts
Assistir
47:41
Separando system prompt e mensagem do usuário
Assistir
49:29
Criando um agente especialista em futebol
Assistir
52:38
Usando ferramentas e conhecimento externo
Assistir
55:42
Observabilidade e início do fluxo RAG
Assistir
1:07:40
Embeddings: convertendo texto em vetores
Assistir
1:08:54
Chunking e indexação no banco vetorial
Assistir
1:16:22
Ajustando o RAG e investigando falhas
Assistir
1:19:06
Qualidade dos dados e guardrails
Assistir
1:20:57
Tokens, contexto e custos de execução
Assistir
1:24:59
Custo adicional do uso de ferramentas
Assistir
1:26:16
Consumo de tokens em chamadas de API
Assistir
1:30:06
Guardrails no n8n para validar entradas e saídas
Assistir
1:31:27
Limitações dos prompts e técnicas de quebra de guardrails
Assistir
1:34:16
Compartilhamento do projeto, repositório e fluxos
Assistir
1:35:46
Encerramento e pesquisa sobre sessão extra de dúvidas
Assistir
1:38:58
Exercícios, créditos da OpenAI e próxima sessão
Assistir
1:40:18
Despedidas e encerramento do workshop
Assistir
Cortes · 10
Instalação do ambiente local no Docker
O instrutor orienta como acessar o repositório, fazer o clone ou baixar os arquivos em ZIP e subir o ambiente com Docker. Ele explica a criação da rede de comunicação entre os contêineres e mostra o N8N, o MongoDB e o Qdrant sendo iniciados.
15:20 – 21:04Assistir
Primeiros conceitos e gatilhos no N8N
A apresentação mostra a interface inicial do N8N, seus workflows, credenciais e execuções, e introduz os principais tipos de gatilho. São explicados o manual trigger, webhook, eventos, alterações em arquivos e o schedule, além do papel dos gatilhos na leitura do ambiente e no início de automações e agentes.
22:14 – 34:03Assistir
Do primeiro modelo ao agente com prompt
O instrutor conecta um modelo de linguagem ao fluxo do N8N e demonstra uma primeira chamada usando o chat. Em seguida, explica por que apenas chamar uma LLM não constitui um agente e apresenta os pilares de um prompt: papel, objetivo, regras, guardrails e formato de resposta.
34:03 – 45:04Assistir
Agente de futebol com busca online
É criado um agente especialista em futebol usando uma ferramenta de busca online para consultar informações externas e atualizadas. A demonstração compara o conhecimento limitado do modelo com o resultado obtido por meio da ferramenta, mostrando como o agente recupera o resultado de uma partida.
50:47 – 55:42Assistir
Construção de uma base de conhecimento com RAG
A sessão apresenta a criação de um agente para responder perguntas sobre documentos internos de uma empresa. O fluxo inclui recebimento de PDF, extração de texto, criação de embeddings, armazenamento em uma coleção vetorial e configuração inicial do agente, além de observações sobre histórico de execuções, consumo de tokens e custo.
55:42 – 1:07:39Assistir
O que significa gerar embeddings
É explicado que embeddings transformam textos em vetores numéricos para que os modelos consigam comparar conteúdos e identificar contexto. A conversa também esclarece que a resposta do modelo é convertida novamente em linguagem compreensível para o usuário.
1:07:40 – 1:08:54Assistir
Chunks, busca vetorial e ajustes no RAG
O fluxo é configurado para dividir o documento em pedaços, gerar embeddings e armazená-los em uma base vetorial. A demonstração mostra uma consulta sobre filiais da empresa, os problemas causados por fragmentação e recuperação inadequadas e como quantidade de chunks, modelo e qualidade dos dados influenciam a resposta do agente.
1:08:54 – 1:19:02Assistir
Como funciona o custo de tokens
A sessão explica que o consumo depende do tamanho do texto de entrada e saída, além do contexto utilizado. Também são discutidos o aumento de custo causado por memória, ferramentas e processos internos dos modelos, bem como a importância de monitorar o consumo em automações.
1:20:57 – 1:26:16Assistir
Consumo de tokens e guardrails em agentes de IA
É explicado como respostas extensas de APIs podem inserir muitos dados como contexto da LLM e elevar o consumo de tokens, enquanto bancos vetoriais ajudam a recuperar informações mais enxutas. O trecho também mostra como guardrails restringem o agente ao conteúdo permitido, evitam respostas inadequadas e ajudam a proteger informações confidenciais.
1:26:16 – 1:30:05Assistir
Como implementar e contornar guardrails
O trecho apresenta formas de aplicar guardrails no n8n, validando tanto as entradas quanto as saídas do agente, inclusive com filtros de palavras, código ou outro agente de correção. Também são demonstrados exemplos de engenharia de prompt capazes de contornar restrições, reforçando que a proteção não deve depender apenas do prompt.
1:30:06 – 1:34:18Assistir
Perguntas desta sessão
É necessário usar o modelo Mistral sugerido no workshop ou é possível utilizar outro modelo de linguagem?
O Mistral será usado principalmente para extração de texto e OCR de documentos. É possível utilizar outro modelo sem prejudicar o aprendizado, mas os resultados podem variar; o Mistral é recomendado porque oferece OCR de boa qualidade e pode ser usado no plano gratuito durante o workshop.
12:36 – 13:13Assistir
É possível executar a stack do workshop em um servidor com contêineres, proxy reverso e acesso à internet, em vez de manter tudo em uma máquina local?
Sim. A stack pode ser executada nesse tipo de servidor, desde que isso não prejudique o acompanhamento do workshop. Também é possível manter o processamento local usando modelos baixados pelo Ollama; porém, essa alternativa exige configuração diferente e não foi testada no workshop. O Mistral é recomendado especialmente pela qualidade do OCR.
13:18 – 14:26Assistir
Onde está o link para clonar o repositório usado na configuração do ambiente n8n?
O link para o repositório está disponível na última mensagem do chat. Ao abri-lo, é possível copiar o endereço de clone e executar o Git clone; o README também contém os comandos seguintes, incluindo a criação da rede Docker.
19:23 – 19:50Assistir
Como iniciar um fluxo de automação no n8n?
Um fluxo do n8n precisa de um gatilho, que inicia a execução a partir de um evento. O gatilho pode ser manual, para testes e depuração, ou automático, como um webhook, uma mensagem de e-mail, uma alteração em arquivo, um evento de integração ou um agendamento em dias e horários específicos.
30:47 – 31:30Assistir
Qual é a diferença entre o system prompt e a mensagem do usuário em um agente de IA?
O system prompt deve conter as instruções fixas do agente, como sua identidade, objetivo, regras e forma de resposta. A mensagem do usuário deve conter apenas a pergunta ou solicitação feita naquele momento. Separar os dois evita tratar as regras do sistema como se fossem uma pergunta do usuário.
48:08 – 48:53Assistir
Como o embedding transforma um texto para que um sistema de IA consiga utilizá-lo?
O embedding converte o texto em vetores numéricos. O sistema usa esses vetores para calcular relações de contexto e similaridade entre textos; depois, o modelo utiliza essas relações para interpretar a solicitação e gerar uma resposta em linguagem natural.
1:08:43 – 1:08:58Assistir
Como é calculado o consumo de tokens em uma interação com um modelo de linguagem?
O consumo é calculado com base no tamanho do texto, considerando os tokens do input e do output. Respostas longas, contextos maiores e uso de memória aumentam o consumo e, consequentemente, o custo. O preço também pode variar entre modelos, que podem cobrar valores diferentes para tokens de entrada e de saída.
1:21:14 – 1:21:40Assistir