Pular para o conteúdo
LabS Atlas
AI For Devs
Entrar
Sessões

Sessão de Bancada Agentic AI e Agentes de IA na Prática (2025-06-09)

9 jun 20251h 30min
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 o conceito de agentes de IA, diferenciando-os de assistentes, automações e da própria área de engenharia de agentes. Foi explicado que assistentes são predominantemente reativos, enquanto agentes operam com maior autonomia, proatividade e foco em objetivos, utilizando modelos de linguagem, memória, dados, ferramentas e integrações externas. Também foi discutida a evolução de agentes simples para agentes capazes de lidar com múltiplos objetivos, aprender com experiências e colaborar em sistemas multiagentes. Esses sistemas distribuem tarefas entre agentes especializados, exigindo comunicação, coordenação e, geralmente, um agente orquestrador responsável por interpretar solicitações, delegar atividades, validar resultados e consolidar a resposta final.

Foram apresentados exemplos práticos, como automação de compras, atendimento, monitoramento, detecção de fraudes, consultoria financeira e uso de agentes em sistemas corporativos. A discussão destacou que a autonomia não elimina a responsabilidade humana: agentes podem executar ações incorretas, gerar custos, acessar dados sensíveis ou publicar código sem supervisão adequada. Por isso, são necessários escopos bem definidos, especialização, validação, controle de permissões, observabilidade e cautela com custos, segurança, ética e explicabilidade. Também foram mencionadas diversas ferramentas e frameworks para construção de agentes, além dos experimentos realizados pela bancada no protótipo de testes autônomos.

Como pontos em aberto, ficaram o aprofundamento das estratégias de orquestração, a definição de arquiteturas adequadas para comunicação entre agentes e o uso de busca semântica, RAG, bancos vetoriais e ferramentas externas. Também se discutiu a complexidade de representar fluxos abertos de atendimento e desambiguação, concluindo que agentes podem ampliar a flexibilidade sem dispensar objetivos claros, estados de controle e caminhos de validação. Ao final, foi proposta a repetição da sessão para novos interessados e o incentivo à exploração prática de casos de uso e tecnologias no laboratório.

Gerado por IA a partir da transcrição.
Capítulos · 50
00:21
Abertura e reencontros com o time
Assistir
02:53
Preparação da sessão e introdução ao tema
Assistir
04:09
Singularidade da IA e previsões tecnológicas
Assistir
05:28
Computação quântica, blockchain e segurança
Assistir
06:43
Apresentação dos participantes e dinâmica da bancada
Assistir
10:32
Solutes Labs e as bancadas temáticas
Assistir
11:50
Projeto colaborativo e disseminação de conhecimento
Assistir
14:22
Introdução aos agentes de IA
Assistir
16:53
O caso dos falsos agentes humanos
Assistir
18:12
Contexto do Labs e protótipos com IA
Assistir
20:44
Seleção de tecnologias para agentes
Assistir
22:04
Autonomia e arquitetura dos agentes
Assistir
25:53
Ferramentas e frameworks para construção de agentes
Assistir
27:09
Diferenças entre Agentic AI e agentes de IA
Assistir
30:59
Assistentes versus agentes
Assistir
37:28
Elementos fundamentais de um agente de IA
Assistir
38:43
Dados, memória e modelos dos agentes
Assistir
40:02
Ferramentas, autonomia e memória dos agentes
Assistir
41:21
Autonomia na programação e responsabilidade humana
Assistir
43:55
Riscos e maturidade das ferramentas de agentes
Assistir
45:10
Especialização de agentes e limites de contexto
Assistir
46:26
Automação de compras com agentes
Assistir
48:57
Evolução dos agentes até os sistemas multiagentes
Assistir
50:14
Comunicação e objetivos compartilhados entre agentes
Assistir
51:29
Robôs aspiradores como exemplo de agentes
Assistir
52:45
Aplicação de sistemas multiagentes em processos empresariais
Assistir
54:04
Características e cooperação em sistemas multiagentes
Assistir
55:21
Distribuição e heterogeneidade dos agentes
Assistir
56:35
Orquestração e coordenação de agentes
Assistir
59:07
Agentes especializados e validação de resultados
Assistir
1:00:25
Autonomia, transações e desafios da orquestração
Assistir
1:01:41
Semântica, hierarquia e roteamento entre agentes
Assistir
1:02:58
RAG e descoberta semântica de agentes
Assistir
1:04:17
Desafios de implementação dos sistemas multiagentes
Assistir
1:05:33
Custos, segurança e explicabilidade
Assistir
1:06:50
Estrutura e especialização de um agente
Assistir
1:10:44
Casos de uso e potencial dos agentes de IA
Assistir
1:14:31
Agentes, modelos de linguagem e sistemas autônomos
Assistir
1:15:44
Prompts imperativos para agentes
Assistir
1:17:00
Engenharia de prompt e imprevisibilidade dos modelos
Assistir
1:18:13
Confiando em agentes e variabilidade das respostas
Assistir
1:19:30
Agentes especializados e orquestração
Assistir
1:20:49
O papel do orquestrador e dos pipelines
Assistir
1:22:05
Integração entre modelos, dados e inferência
Assistir
1:23:21
Complexidade dos fluxos e entradas abertas
Assistir
1:24:38
Ferramentas, APIs e agentes via MCP
Assistir
1:25:55
Autonomia, contexto e encadeamento de agentes
Assistir
1:27:13
Controle de estados e execução de etapas
Assistir
1:28:32
Interfaces adaptativas e experiências geradas por IA
Assistir
1:29:49
Aplicações descartáveis e riscos de segurança
Assistir
Cortes · 18
O que são agentes de IA
A sessão explica como agentes de IA se relacionam com autonomia, objetivos, tomada de decisão e execução de ações sem intervenção humana. Também apresenta a relação entre inteligência artificial, machine learning, deep learning e agentes.
19:28 – 23:21Assistir
Tecnologias para construir agentes
São apresentadas ferramentas e frameworks usados na construção de agentes de IA, incluindo plataformas de automação, soluções multiagentes e implementações em Python. O trecho também comenta os experimentos realizados pela equipe e a documentação comparativa dessas tecnologias.
23:21 – 28:27Assistir
IA generativa, agentes e mindset
O trecho diferencia a área de pesquisa de agentes de IA das implementações práticas e explica como uma aplicação pode adotar um “mindset” orientado a agentes. Também discute como agentes podem ser acoplados a sistemas existentes e esclarece a diferença entre agente, assistente e outros componentes de software.
28:27 – 32:15Assistir
Assistentes versus agentes
A explicação compara assistentes reativos, que respondem a comandos, com agentes mais proativos e autônomos, orientados por objetivos. Exemplos envolvendo agenda, trânsito, clima, horários e dispositivos vestíveis mostram como um agente pode combinar dados e ferramentas para tomar ações mais elaboradas.
32:15 – 37:30Assistir
Elementos essenciais de um agente
O trecho apresenta os principais elementos que compõem um agente de IA, como autonomia, agência, autoridade, confiança, modelos de linguagem, dados e memória. A discussão destaca que não basta dar capacidade de planejamento: é preciso definir quais ações o agente pode efetivamente executar.
37:30 – 40:02Assistir
Ferramentas e autonomia dos agentes
Explica como agentes usam ferramentas para acessar APIs, pesquisar informações e executar ações, combinando autonomia, memória e dados do usuário. O exemplo de remarcar uma consulta mostra como o agente interage com sistemas e pessoas.
40:02 – 41:21Assistir
Responsabilidade e riscos na autonomia
Discute os limites da autonomia dos agentes, especialmente quando eles geram código ou executam ações em produção. O caso de uma compra errada feita por um agente ilustra que a responsabilidade final continua sendo do usuário e de quem configura o sistema.
41:21 – 47:41Assistir
A evolução dos agentes de IA
Apresenta uma evolução que vai de sistemas baseados em regras e ações predefinidas a agentes orientados por objetivos, multitarefa e capazes de aprender. O trecho também introduz a chegada dos sistemas multiagentes.
47:41 – 50:14Assistir
De agentes simples a sistemas multiagentes
Explica que sistemas multiagentes permitem que agentes se comuniquem, compartilhem objetivos e cooperem para resolver problemas complexos. Robôs aspiradores são usados como exemplo da evolução de agentes capazes de mapear ambientes e aprender com a experiência.
50:14 – 51:29Assistir
Como funciona um sistema multiagente
Mostra como múltiplos agentes especializados podem atuar em sistemas diferentes, como CRM, ERP e ferramentas administrativas, coordenando etapas de uma compra ou cadastro. Também são apresentadas autonomia, comunicação, cooperação, distribuição e heterogeneidade como características desses sistemas.
51:29 – 56:35Assistir
Orquestração, especialização e desafios
Debate diferentes formas de orquestrar agentes, incluindo agentes coordenadores, hierarquias, validação de resultados e delegação para especialistas. O trecho também aborda comunicação semântica, RAG, complexidade, custos, segurança, ética e explicabilidade em sistemas multiagentes.
56:35 – 1:06:50Assistir
Aplicações práticas dos agentes
Apresenta aplicações de agentes em automação de processos, detecção de fraudes, atendimento ao cliente e personalização de produtos e serviços. Também sugere usos em monitoramento de utilidades e consultoria financeira personalizada.
1:10:44 – 1:13:17Assistir
Novos exemplos e o futuro dos agentes
Explora possibilidades de uso de múltiplos agentes em seguros e outros serviços personalizados. O trecho encerra com a ideia de que os agentes representam uma nova etapa dentro do ecossistema de sistemas inteligentes.
1:13:17 – 1:14:31Assistir
O que define um sistema agente
Retoma a ideia de que agentes não são um conceito novo e explica sua estrutura básica: um modelo recebe informações, dispõe de ferramentas e instruções e produz saídas para executar ações. O trecho relaciona essa arquitetura ao surgimento de sistemas inteligentes autônomos.
1:14:31 – 1:15:44Assistir
Prompts imperativos para agentes
A conversa diferencia prompts de uso pontual dos prompts voltados a agentes. Para obter resultados previsíveis, o agente deve receber instruções diretas, específicas e imperativas, sem a margem de conversa típica de um assistente.
1:15:44 – 1:17:00Assistir
Orquestração de agentes especializados
O trecho explica como combinar agentes especializados para executar tarefas complexas, como manipular arquivos, sob coordenação de um orquestrador. O orquestrador não apenas delega: ele reformula pedidos, organiza pipelines, integra respostas e transforma os resultados em uma saída compreensível.
1:19:30 – 1:23:21Assistir
Arquitetura de um agente com ferramentas
A discussão aborda a complexidade de representar fluxos de agentes e como um agente pode receber funções, APIs, acesso a bancos e outros agentes como ferramentas. Também são apresentadas as partes centrais de um agente — ferramentas, instruções de especialização e autonomia — além do uso de caminhos e opções controladas para conduzir a interação.
1:23:21 – 1:27:13Assistir
Controle de fluxo e interfaces adaptativas
O trecho mostra por que um orquestrador é importante para controlar estados, verificar etapas concluídas e evitar que um agente pule partes do processo. A conversa também explora interfaces que se adaptam ao usuário, incluindo experiências por voz e páginas geradas sob demanda para resolver problemas específicos.
1:27:13 – 1:29:49Assistir
Perguntas desta sessão
O que é o n8n e como ele pode ser usado na construção de agentes de IA?
O n8n é principalmente uma plataforma de automação de processos baseada em fluxos. Ele permite montar pipelines com diferentes etapas, como chamadas a modelos de linguagem, ações em arquivos e outras automações, além de incluir componentes de IA para resolver tarefas específicas e retornar os resultados ao fluxo.
25:21 – 26:17Assistir
Qual é a diferença entre assistentes de IA e agentes de IA?
Assistentes de IA são mais reativos: respondem a perguntas ou executam ações solicitadas, seguindo regras preestabelecidas e de forma relativamente previsível. Agentes de IA são mais proativos e autônomos: recebem um objetivo, podem ser acionados por gatilhos e escolhem ações para alcançá-lo, apresentando maior complexidade e alguma imprevisibilidade conforme sua arquitetura.
31:42 – 33:00Assistir
Quais são os principais componentes estruturais de um agente de IA?
Os componentes centrais são modelos de linguagem, dados, memória e ferramentas. Os modelos interpretam o ambiente e geram conteúdo; os dados fornecem informações para a tomada de decisão; a memória mantém e recupera contexto; e as ferramentas permitem consultar APIs, pesquisar na internet ou executar ações específicas.
37:35 – 40:33Assistir
O que um agente de IA pode produzir atualmente e quais são os limites de sua autonomia na geração de código?
Um agente pode gerar código e até participar de fluxos que executam e publicam esse código, mas não deve operar sem controles. É necessário definir escopo, garantir validações, limitar as ferramentas e manter a responsabilização humana, pois alterações aparentemente pequenas podem causar prejuízos relevantes.
42:21 – 43:09Assistir
Em um sistema multiagente, quem coordena ou orquestra os agentes?
A orquestração pode seguir abordagens diferentes, mas normalmente há um agente coordenador que recebe a missão, direciona tarefas aos demais agentes, coleta as respostas e consolida ou escolhe o resultado final.
56:29 – 57:55Assistir
Em um sistema multiagente, quem analisa e valida o resultado produzido pelos agentes?
Isso depende do cenário e da arquitetura. É possível usar um agente específico como validador: ele analisa o resultado, aprova respostas adequadas ou devolve a tarefa ao sistema com orientações para gerar uma nova resposta.
57:05 – 57:13Assistir
Como verificar se o resultado gerado por um agente especializado, como um agente de testes unitários, está correto?
Deve existir um agente ou etapa de validação na outra ponta do fluxo. Esse validador verifica se a resposta atende à demanda — por exemplo, se realmente contém um teste unitário — e, caso contrário, devolve a tarefa ao orquestrador para repetir ou redirecionar o processamento.
59:40 – 1:00:14Assistir
Como funciona a comunicação e a orquestração entre agentes especializados em um sistema multiagente?
A implementação depende da tecnologia e da arquitetura escolhidas. Uma abordagem comum é usar uma organização hierárquica, com um agente coordenador que recebe as respostas dos demais, avalia o que foi produzido e decide qual resposta será enviada ou se são necessárias novas interações. A busca semântica e os bancos vetoriais podem apoiar o acesso a dados e a identificação de agentes, ferramentas e capacidades relevantes.
1:01:07 – 1:03:20Assistir
Como um agente de IA é construído a partir de um modelo de linguagem?
Um agente combina um modelo de IA com informações de contexto, instruções sobre o que fazer e uma lista de ferramentas. A partir desses elementos, ele interpreta a tarefa e executa ações, em vez de apenas produzir uma resposta única.
1:15:02 – 1:15:32Assistir
Como o agente de IA trata a saída produzida pelo modelo?
A saída do modelo pode ser processada de forma iterativa: o agente interpreta o resultado, interage novamente com o modelo quando necessário e usa as ferramentas disponíveis para executar a tarefa definida.
1:15:13 – 1:15:32Assistir
Como escolher o tipo de modelo de IA para cada etapa de um sistema de agentes?
A escolha deve ser feita por meio de benchmarks, considerando a necessidade específica de cada etapa e comparando o desempenho dos modelos disponíveis.
1:23:26 – 1:23:36Assistir
Qual é a complexidade de representar em um fluxo de processo um agente que atende solicitações abertas, como compras ou agendamentos, e precisa desambiguar as entradas do usuário?
A complexidade depende do escopo. Para um chatbot pequeno, pode-se usar um agente inicial com um prompt e uma lista de funções disponíveis. O agente interpreta a solicitação e aciona funções que podem ser outros agentes, APIs ou operações em bancos de dados; assim, não é necessário predefinir todos os caminhos de interação.
1:23:40 – 1:25:43Assistir
Como definir no prompt o papel e o nível de autonomia de um agente de IA?
O prompt deve especializar o agente, deixando claro qual é sua função e em quais decisões ele pode atuar autonomamente. O agente pode ser enriquecido com informações adicionais por meio de RAG, MCP ou ferramentas dedicadas.
1:25:55 – 1:26:16Assistir