Pular para o conteúdo
LabS Atlas
Agentic AI
Entrar
Sessões

Desafio Sistema Multiagêntico Autônomo com N8N para Análise de Investimentos (2026-07-03)

3 jul 20261h 23min
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 resolução do desafio de construção de um sistema multiagêntico autônomo no N8N, chamado Invest Flow AI. A proposta é auxiliar investidores pessoais na análise de ativos, reduzindo o esforço de pesquisa e organizando informações sobre cotações, notícias, riscos e perfil do investidor. O fluxo utiliza um orquestrador central, agentes especializados em pesquisa, análise de investimento, análise de risco e revisão de compliance, além de um controlador de dados conectado a fontes externas por meio de MCP. O sistema gera relatórios informativos, sem substituir orientação profissional, e utiliza loops de revisão para corrigir informações ausentes, desatualizadas ou inconsistentes antes de apresentar um resultado ao usuário.

Durante a demonstração, foi mostrado o workflow visual do N8N, executado inicialmente na nuvem e depois em Docker, incluindo o uso de gatilho de chat, tabelas como cache de notícias e análises, consultas de cotações em tempo real e busca de informações recentes. A equipe explicou que modelos diferentes foram escolhidos conforme a função: modelos com maior contexto e capacidade de orquestração para o agente principal e modelos mais econômicos para tarefas simples. Também foram discutidos custos, consumo de tokens, controle de temperatura e limitações do cache para dados voláteis, como cotações da B3. A apresentação foi considerada bem-sucedida e visualmente clara, com a sugestão de publicar o fluxo exportado em um repositório para que outros participantes possam explorá-lo. Ficaram como próximos passos o compartilhamento do projeto e a possibilidade de novas dúvidas ou melhorias por parte da comunidade.

Gerado por IA a partir da transcrição.
Capítulos · 19
00:32
Abertura e apresentação dos participantes
Assistir
07:17
Mural de desafios do Labs
Assistir
14:44
Invest Flow e proposta do sistema multiagente
Assistir
22:04
Introdução ao N8N
Assistir
25:38
MCP como integração de dados e ferramentas
Assistir
33:20
Problema de investimento e sobrecarga de informação
Assistir
38:28
Arquitetura geral do sistema
Assistir
42:38
Cache e atualização de dados financeiros
Assistir
47:16
Demonstração do fluxo no N8N
Assistir
49:34
Configuração dos campos e do orquestrador
Assistir
52:16
Fluxo multiagente e controlador de dados
Assistir
1:00:43
Escolha dos modelos de IA
Assistir
1:02:38
Janela de contexto e ajuste de temperatura
Assistir
1:05:36
Consumo de tokens e custos da aplicação
Assistir
1:10:10
Revisor de compliance e poder de veto
Assistir
1:13:25
Resultado da análise da Petrobras
Assistir
1:17:44
Feedback sobre a apresentação e o fluxo
Assistir
1:19:26
Validação do projeto e compartilhamento do código
Assistir
1:21:13
Encerramento e agradecimentos
Assistir
Cortes · 11
Invest Flow: sistema multiagente para investimentos
Erick apresenta o Invest Flow, um sistema desenvolvido no n8n para analisar ativos e ações por meio de múltiplos agentes especializados. Ele explica o papel do orquestrador, a divisão de responsabilidades, a revisão das análises e o uso de ciclos de feedback para corrigir resultados.
14:44 – 22:02Assistir
Como funciona o n8n
A apresentação explica o n8n como uma ferramenta low-code e visual para criar workflows conectando nós, APIs, gatilhos e decisões. Também são abordados o modelo open source, as opções de execução local ou em nuvem e o acompanhamento das etapas em tempo real.
22:04 – 25:37Assistir
MCP versus APIs em sistemas de IA
Os apresentadores explicam por que escolheram o Model Context Protocol (MCP) para conectar os agentes a dados e ferramentas. O trecho compara MCP e APIs, destacando que o servidor fornece ao modelo um manual atualizado das ferramentas disponíveis e dos parâmetros necessários.
25:38 – 32:00Assistir
O problema que o assistente de investimentos resolve
Erick descreve as dificuldades de quem começa a investir: excesso de informação, pesquisas manuais demoradas, dificuldade de correlacionar dados e falta de personalização. O Invest Flow é apresentado como um assistente pessoal que organiza informações e apoia decisões sem substituir a avaliação do usuário nem oferecer certezas absolutas.
33:20 – 38:28Assistir
Arquitetura do Invest Flow
Pablo detalha o fluxo do sistema: a solicitação do usuário passa pelo n8n até chegar ao orquestrador, que interpreta a intenção e delega tarefas a agentes de pesquisa, análise e recomendação. O sistema usa MCP para obter cotações em tempo real e um banco de dados como cache de notícias e informações históricas.
38:28 – 42:37Assistir
Cache para cotações e notícias
A equipe responde como o cache é aplicado a dados que mudam em velocidades diferentes. As cotações são consultadas novamente a cada requisição, enquanto o banco armazena notícias e análises consideradas úteis para consultas futuras.
42:38 – 46:00Assistir
Demonstração do workflow no n8n
Erick inicia a demonstração prática do Invest Flow no n8n, mostrando o ambiente executado em Docker e explicando o papel do Chat Trigger. Ele apresenta como o usuário insere um prompt sobre um ativo e como o fluxo visual é estruturado antes da execução.
47:16 – 49:34Assistir
Orquestrador e fluxo de análise
Apresentação da arquitetura do sistema no n8n, mostrando o Edit Fields, o gatilho de chat e o orquestrador responsável por interpretar as solicitações e encaminhá-las aos agentes. Também são demonstrados o controlador de dados, a base de ativos e a execução de uma pesquisa sobre a Petrobras, com análise inicial e avaliação de risco.
49:34 – 1:00:43Assistir
Escolha dos modelos para cada agente
Os participantes explicam como escolheram os modelos de IA para o sistema multiagente, considerando capacidade de chamar ferramentas, janela de contexto, custo e desempenho. O GPT-4.1 Mini foi usado no orquestrador, enquanto um modelo Nano ficou destinado a tarefas mais simples de consulta e transformação de informações.
1:00:43 – 1:05:34Assistir
Consumo de tokens e custo da solução
Demonstração de como o n8n separa tokens de entrada e saída e permite estimar o custo de cada etapa do fluxo. A equipe explica que o sistema consumiu cerca de 85 mil tokens no teste e compara os custos e limitações dos modelos avaliados.
1:05:36 – 1:10:09Assistir
Revisor de compliance e relatório final
A apresentação mostra o papel do revisor de compliance como etapa final de validação, capaz de bloquear respostas incompletas ou baseadas em dados desatualizados e devolver o fluxo para correção. Em seguida, é exibido o relatório gerado para a Petrobras, com preço, contexto de mercado, riscos, pontos positivos, adequação ao perfil do investidor e o aviso de que a análise não substitui orientação profissional.
1:10:10 – 1:17:43Assistir
Perguntas desta sessão
O que são o n8n e um sistema multiagêntico autônomo?
O n8n é uma ferramenta low-code para criar workflows visuais e integráveis, enquanto um sistema multiagêntico autônomo reúne agentes especializados que se comunicam, tomam decisões com base em instruções e contexto e executam tarefas com pouca intervenção humana.
14:44 – 22:02Assistir
Por que o sistema Invest Flow AI é considerado multiagêntico autônomo?
Porque ele utiliza agentes especializados, como orquestrador, pesquisador e analistas, que possuem funções e regras próprias, comunicam-se entre si e tomam decisões conforme o contexto fornecido. O orquestrador direciona o fluxo e os agentes podem revisar resultados e repetir etapas quando necessário.
14:44 – 22:02Assistir
Qual é a diferença entre usar uma API diretamente e usar o MCP para conectar agentes de IA a dados e ferramentas?
Uma API exige que o agente conheça previamente os endpoints, parâmetros e operações disponíveis, o que pode tornar a integração rígida e difícil de manter. O MCP fornece ao modelo uma descrição padronizada das ferramentas, dos dados necessários e das ações possíveis; quando o servidor muda, essas informações podem ser atualizadas automaticamente para o cliente.
25:39 – 32:00Assistir
Como o workflow em n8n aplica cache a dados de mercado com diferentes frequências de atualização, como cotações da B3, notícias e dados econômicos do IBGE e do Banco Central?
O cache é usado apenas para notícias, análises e informações de mercado que permanecem úteis ao longo do tempo. As cotações da B3 não são armazenadas como referência definitiva: são consultadas novamente a cada requisição para garantir dados atualizados. O sistema mantém registros de informações relevantes, com data de atualização e status de aprovação, e o pesquisador combina esses dados armazenados com a cotação em tempo real.
42:51 – 46:00Assistir
Como foram escolhidos os modelos de IA para cada agente do sistema multiagente?
A escolha considerou a capacidade de chamar ferramentas e orquestrar agentes, o tamanho da janela de contexto, a capacidade de raciocínio, o custo e a adequação à tarefa. O GPT-4.1 Mini foi usado no orquestrador por combinar custo relativamente baixo, grande janela de contexto e capacidade de tomar decisões sobre os handoffs e os loops. O GPT-4.1 Nano foi direcionado a tarefas mais simples, como coletar, traduzir e repassar informações. A temperatura também foi ajustada: agentes analíticos podem exigir mais criatividade, enquanto pesquisadores devem produzir respostas objetivas e pouco criativas.
1:00:50 – 1:05:34Assistir
Qual é o custo estimado de executar o workflow multiagente de análise de investimentos?
O n8n permite acompanhar tokens de entrada e saída por agente. Em uma execução analisada, o workflow consumiu cerca de 85 mil tokens. Considerando os preços mencionados para o modelo utilizado — aproximadamente US$ 0,40 por milhão de tokens de entrada e US$ 1,60 por milhão de tokens de saída — e o uso de modelos relativamente econômicos, a estimativa apresentada foi de cerca de R$ 5 a R$ 10 para aproximadamente 500 requisições mensais, dependendo do volume de contexto e das saídas.
1:05:36 – 1:09:30Assistir
O que o Invest Flow AI concluiu sobre a Petrobras?
O relatório indicou que a Petrobras apresentava cotação atual em torno de R$ 38 e estava executando um plano estratégico focado em sustentabilidade, diversificação energética, disciplina financeira e governança. A análise considerou o ativo adequado para um investidor arrojado, de longo prazo e disposto a tolerar volatilidade e perdas de até 50%, mas destacou riscos políticos, regulatórios, setoriais, cambiais e de endividamento. Também recomendou monitoramento constante, diversificação e acompanhamento profissional, ressaltando que a análise era apenas informativa e não garantia de resultado.
1:13:25 – 1:17:43Assistir