Pular para o conteúdo
LabS Atlas
Generative AI
Entrar

Agente de IA

Ir para notas que citam esta
atualizado há 25 diasEntre para perguntar ao Labinho sobre esta notaO Labinho é o assistente que responde com as notas e as sessões do LabS e mostra de onde tirou cada resposta.

Agente de IA é um sistema sobre um modelo de linguagem que decide sozinho os passos para atingir um objetivo (planejar, acionar ferramentas, avaliar e repetir), em vez de só responder a um pedido.

O que define um agente é a autonomia de decisão. Um chat comum, ou uma RAG, mesmo automatizada, é acionado por um pedido explícito e devolve uma resposta. O agente recebe um objetivo e escolhe o caminho: que informação buscar, que ferramenta chamar, se o resultado está bom ou se precisa refazer uma etapa. Um agente pode usar RAG e ferramentas por dentro, mas ter RAG não faz de um sistema um agente. O que faz é a camada de decisão.

Um exemplo de suporte técnico mostra a diferença. Ao perceber que o cliente está sem internet, o agente decide por conta própria buscar o número de série do equipamento no contrato, sem perguntar ao cliente. Outros exemplos são agentes que navegam em sites e preenchem um processo inteiro, como reservar uma passagem, a partir de um comando em linguagem natural.

Componentes de um agente

  • Modelo de linguagem com prompt bem definido: papel, formato de resposta e comportamento esperado.
  • Memória: de curto prazo, para o que surge durante a interação e ocupa a Janela de Contexto; de longo prazo, numa base de dados consultada em execuções futuras.
  • Planejamento e autocrítica: opcionais, ajudam o agente a revisar o próprio trabalho; modelos de raciocínio já trazem essa reflexão embutida.
  • Ferramentas: cobrem o que o modelo não faz bem sozinho, como cálculo preciso, busca de conteúdo na web ou execução de código.

O modelo sozinho não usa ferramenta nenhuma. O comportamento de agente nasce do processo em volta dele: ler o prompt, decidir que peça acionar, executar a ferramenta e compor a resposta. O mecanismo técnico dessa ponte é o Function Calling. Quando um assistente gera uma imagem, o modelo de texto não desenha nada: identifica o pedido e aciona, por chamada de ferramenta, um modelo especializado em imagem.

Uma organização frequente tem quatro papéis: um roteador que recebe a entrada e delega; partes especializadas que executam; um avaliador que confere o resultado e pode mandá-lo de volta; e um compositor que redige a resposta final em linguagem natural. Quando essas partes são agentes independentes coordenados entre si, a arquitetura vira um dos Sistemas Multiagente.

Agente, workflow e RAG modular

Um workflow segue uma sequência fixa de condições e desvios predefinidos, mesmo que tenha blocos de IA no meio. O agente raciocina sobre o contexto, busca informação externa (APIs, bancos de dados) quando precisa, reavalia e repete. Um componente que só escolhe um ramo do fluxo a partir de uma condição não é, por isso, um sistema com supervisor.

A mesma fronteira separa o agente de um RAG modular. O RAG modular combina várias peças de recuperação, mas executa exatamente o que foi programado. No agente, o próprio modelo decide que peças usar, e pode inclusive concluir que não consegue cumprir a tarefa por falta de uma ferramenta.

Agentes e skills

O agente é ativo: define objetivos, planeja e decide. As Skills de IA são passivas: pacotes de instruções que ele carrega quando a tarefa pede. A analogia é a de uma orquestra, com o agente como maestro e as skills como partituras. Um agente pode orquestrar várias skills, e uma skill genérica, como a de testar a aplicação, pode ser compartilhada por vários agentes em vez de duplicada em cada um.

Riscos da autonomia

Autonomia sem limite custa caro

Agentes que executam ações em ciclo até chegar a um resultado não têm teto de execução embutido. Com modelos pagos, é preciso definir um limite antes de testar. Sem um orquestrador que direcione a mensagem, um simples cumprimento enviado a um chat de agentes chegou a consumir cerca de 300 mil tokens.

O outro risco é dar autonomia sobre a entrada direta do usuário sem fronteira de controle. O sistema pode acabar executando instruções indevidas vindas do próprio prompt. Por isso a autonomia vem acompanhada de Guardrails que restringem o escopo de atuação e o custo.