Pular para o conteúdo
LabS Atlas
Agentic AI
Entrar
Sessões

Workshop Construindo Agentes de IA N8N Parte 2 Fluxo Multiagente (2026-03-26)

26 mar 20261h 18min
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 construção de um fluxo multiagente no N8N, com um front-end disponível em repositório, um back-end simples em Python e MongoDB para gerenciamento de memória. Foram revisados nós de decisão, como IF, Merge e Switch, além do bloco Code para manipulação de dados em JavaScript ou Python. O fluxo começou com um Webhook recebendo sessão, identificador e pergunta do usuário, seguido por um agente classificador que identifica se a solicitação é sobre código, uma dúvida ou uma saudação. Também foram discutidos prompts em Markdown, economia de tokens, janela de contexto da memória e a necessidade de salvar variáveis em um bloco de código para contornar limitações do N8N nas bifurcações do Switch.

Na sequência, foi demonstrada uma arquitetura com agentes especializados: um agente para planejar a solução, outro para gerar código e um terceiro para validar e revisar o resultado, usando RAG com documentação técnica. A importância de descrever claramente quando as ferramentas devem ser utilizadas foi destacada, pois os agentes podem decidir não consultar a base de conhecimento se isso não estiver explícito no prompt. Durante os testes, ocorreram falhas e timeouts relacionados ao GPT, a chaves de API, memória e configuração de modelos, reforçando que a implementação exige testes, depuração e ajustes, e não apenas a instalação de um template. Também se discutiu que agentes especializados permitem usar modelos menores, mais baratos e eventualmente locais.

Ao final, foram apresentados os requisitos do desafio do workshop: construir um agente orquestrador ou classificador, pelo menos dois agentes especialistas, um agente validador, mecanismos de segurança e uma integração com ferramenta ou base de conhecimento. Os participantes deverão apresentar seus projetos em uma sessão posterior, com reconhecimento para diferentes níveis de participação e destaque para os melhores trabalhos. Ficou prevista uma reunião adicional para dúvidas sobre o N8N, o desafio e os projetos, cuja data e horário ainda seriam confirmados.

Gerado por IA a partir da transcrição.
Capítulos · 20
00:03
Configuração do front-end e back-end
Assistir
01:51
Tour pelo repositório, prompts e RAG
Assistir
04:56
Nós de decisão, webhook e criação de agentes
Assistir
12:41
Classificador de intenções, memória e correção de variáveis
Assistir
18:34
Configuração da conexão com MongoDB
Assistir
19:53
Code, Switch e roteamento das respostas
Assistir
34:56
Testes do fluxo e geração de código
Assistir
37:13
Como IAs avançadas distribuem tarefas
Assistir
38:36
Ferramentas e especialização dos agentes
Assistir
40:02
Vantagens de agentes especializados
Assistir
42:12
Arquitetura em camadas, memória e ajustes de prompts
Assistir
51:57
Obrigatoriedade do uso de ferramentas pelos agentes
Assistir
57:36
Instabilidade do GPT durante a demonstração
Assistir
59:06
Troca de modelos e correção da configuração de memória
Assistir
1:06:26
Lições práticas sobre N8N, APIs e execução local
Assistir
1:07:44
Desafio do workshop e critérios de gamificação
Assistir
1:13:41
Encerramento e canais para dúvidas
Assistir
1:14:58
Sessão extra de perguntas e respostas
Assistir
1:16:13
Ideias para criar o agente do desafio
Assistir
1:17:28
Agradecimentos e despedida
Assistir
Cortes · 8
Configuração do front-end e repositório
Apresentação do front-end, do back-end simples e dos repositórios usados no projeto. Também são explicadas a documentação, a organização dos prompts em Markdown e a base utilizada para alimentar o RAG.
00:03 – 04:56Assistir
Webhook e primeiro agente no n8n
Demonstração dos nós de decisão do n8n, do bloco Code e da configuração de um Webhook para receber requisições do front-end. Em seguida, o fluxo começa a transformar os dados recebidos em entradas para um agente com prompt de sistema.
04:56 – 12:39Assistir
Classificador de intenções e memória
Construção de um agente classificador capaz de identificar se a mensagem é sobre código, uma dúvida ou uma saudação. O trecho também mostra a configuração da memória no MongoDB, a janela de contexto e uma estratégia para contornar limitações do n8n ao reutilizar variáveis em bifurcações.
12:41 – 18:33Assistir
Switch, roteamento e resposta do assistente
Explicação da conexão com MongoDB e implementação do bloco JavaScript que organiza a saída do classificador. O fluxo usa um Switch para separar código, dúvidas e saudações, testa o caminho de saudação e conecta o webhook ao front-end com persistência de contexto por sessão.
18:34 – 34:56Assistir
Criação do agente de tarefas e do gerador de código
Continuação da construção do fluxo multiagente: primeiro é criado um agente para montar um plano de execução e, depois, outro para gerar código. O trecho aborda testes no modo de desenvolvimento, uso de memória para correções e ajustes para reduzir tokens nos prompts.
34:56 – 37:12Assistir
Por que usar agentes especializados
Discussão sobre como serviços de IA e ferramentas de programação podem distribuir tarefas entre agentes especializados. São destacados o uso de ferramentas, testes automáticos de código, maior controle do fluxo e a possibilidade de empregar modelos menores e mais econômicos.
37:13 – 42:09Assistir
Configuração de agentes, prompts e base de conhecimento
Demonstração prática de um workflow com agentes no N8N, incluindo o uso de memória, base de conhecimento, validação de código e divisão de responsabilidades entre agentes. O apresentador também explica como prompts e descrições devem obrigar o uso de ferramentas quando necessário e corrige essa configuração ao vivo.
42:12 – 57:40Assistir
Desafio final do workshop de agentes
Apresentação dos critérios do desafio e das recompensas da gamificação. Os participantes devem construir um agente classificador ou orquestrador, pelo menos dois agentes especialistas, um validador, guardrails e uma apresentação técnica; o foco é aprender e compartilhar ideias, não apenas competir.
1:07:44 – 1:13:33Assistir
Perguntas desta sessão
O que é a pasta de chat no repositório e qual é a função do back-end Python?
A pasta de chat contém o front-end. O back-end Python é um serviço simples que busca no MongoDB as informações necessárias para a aplicação.
02:37 – 02:58Assistir
O documento usado para alimentar o RAG já está disponível no repositório?
O instrutor não tinha certeza se o documento estava disponível, mas informou que faria uma atualização para disponibilizá-lo no MongoDB ou no repositório.
04:59 – 05:07Assistir
Como o Webhook do N8N integra o front-end a outras soluções?
O Webhook cria um endpoint que recebe requisições do front-end ou de outros sistemas. Ele aceita diferentes métodos HTTP e pode devolver a resposta produzida pelo último nó do workflow, em formato JSON.
05:07 – 12:39Assistir
Por que o bloco Code em JavaScript é usado depois do classificador no N8N?
Ele reúne e preserva valores como o caminho escolhido, o ID da sessão e a pergunta do usuário. Isso evita problemas do N8N ao reutilizar variáveis em diferentes ramificações do Switch.
12:47 – 18:33Assistir
Como o classificador de intenções do workflow multiagente decide o caminho da solicitação?
O classificador analisa a pergunta do usuário e retorna uma das três intenções previstas: código, dúvida ou saudação. O nó Switch usa esse resultado para encaminhar a execução ao fluxo correspondente.
12:47 – 18:33Assistir
Qual é o efeito de aumentar a janela de contexto da memória de conversas?
Uma janela maior permite usar mais mensagens anteriores para gerar respostas, mas aumenta o consumo e o custo de tokens. Por isso, ela deve ser ajustada conforme a necessidade da aplicação.
12:47 – 18:33Assistir
Como a memória de conversas é configurada no MongoDB Chat Memory do N8N?
É preciso configurar as credenciais do MongoDB, o host, o banco, o usuário, a senha e a coleção. A memória também recebe um identificador de sessão para separar conversas e uma janela de contexto que define quantas interações anteriores serão utilizadas.
18:47 – 19:08Assistir
É possível definir o nome da coleção usada pela memória do MongoDB no N8N?
Sim. A coleção pode ser escolhida durante a configuração da memória, e o workflow utiliza a coleção criada no MongoDB.
19:23 – 20:26Assistir
Como funciona a arquitetura de agentes para geração de código apresentada no workshop?
Um agente classifica a intenção, outro cria um plano de execução, um terceiro gera o código e um agente validador revisa e refina o resultado antes da resposta final.
20:28 – 34:56Assistir
Os serviços de IA mais avançados também podem encaminhar tarefas para agentes especializados?
Sim. Embora o funcionamento interno não seja totalmente visível, há indícios de que esses serviços usam modelos ou áreas especializadas para determinadas tarefas e um componente que escolhe a especialidade mais adequada, aumentando a eficiência.
37:13 – 38:16Assistir
Como agentes especializados podem se diferenciar de uma IA generalista em um fluxo multiagente?
Agentes especializados podem receber ferramentas e bases de conhecimento específicas, executar tarefas como testar o código antes de entregá-lo e usar prompts direcionados. Essa divisão também permite empregar modelos menores, mais econômicos ou locais em tarefas que não exigem tanta capacidade.
38:18 – 39:14Assistir
Como resolver falhas de um agente que não utiliza a ferramenta de busca ou a base de conhecimento?
É necessário instruir explicitamente o agente, no system prompt ou na descrição, sobre quando e como ele deve usar a ferramenta. Se essa regra não for clara e obrigatória, o modelo decide por conta própria e pode responder apenas com base no conhecimento prévio.
51:57 – 57:40Assistir
Por que o validador de código não precisa ter acesso à memória ou à base de conhecimento usada pelos outros agentes?
O validador recebe diretamente o código e o plano produzidos pelos agentes anteriores, portanto não precisa recuperar o histórico da conversa. Sua função é apenas comparar o código com o plano, verificar possíveis problemas e retornar uma avaliação ou correção.
52:14 – 57:40Assistir
Por que alguém usaria um ambiente virtual do N8N em vez de executar o N8N localmente?
O ambiente virtual pode ser útil para quem tem pouco conhecimento de cloud, infraestrutura ou programação, pois oferece um ambiente protegido e simplifica a execução e a exportação do projeto. Quem já domina esses recursos pode preferir rodar o N8N localmente e controlar a infraestrutura diretamente.
1:07:12 – 1:08:07Assistir