Não existe uma definição universal de agente de IA. O significado mais antigo inclui qualquer sistema de IA que perceba um ambiente e aja nele. Nos produtos de software atuais, o termo geralmente significa um sistema no qual um modelo orienta pelo menos parte do fluxo de trabalho. Esta página usa esse significado moderno e mais restrito.
O modelo mental mais simples
Você fornece ao agente um resultado, não cada etapa.
Se você pedir a uma automação comum para processar uma fatura, um desenvolvedor já terá escrito o caminho: ler estes campos, aplicar estas regras, atualizar este sistema. Se você pedir a um agente para resolver um problema relacionado a uma fatura, o modelo poderá inspecionar a fatura, consultar um pedido de compra, identificar uma divergência, solicitar as evidências que faltam e então decidir se deve atualizar o registro ou encaminhá-lo para análise.
A diferença não é que o agente possa fazer qualquer coisa que quiser. A diferença é que ele tem controle limitado sobre o que acontece em seguida.
Um teste útil é:
Depois que o sistema recebe um resultado, quem escolhe a próxima etapa?
Se o código fixo sempre escolhe, o sistema é principalmente um fluxo de trabalho. Se o modelo pode escolher uma ação diferente com base no resultado, o sistema tem um controle semelhante ao de um agente. Produtos reais podem combinar os dois: o código fixo pode cuidar de aprovações e pagamentos, enquanto um modelo decide como investigar uma exceção.
Como funciona um agente de IA
A maioria dos agentes de software atuais combina um modelo de IA com um harness de IA. O modelo interpreta a situação e propõe o que fazer. O harness fornece contexto, disponibiliza as ferramentas permitidas, executa ações aprovadas, registra o estado e impõe limites.
O ciclo básico é assim:
Goal, context, and limits
|
v
Model chooses a next step <------------------+
| |
v |
Harness checks and executes the action |
| |
v |
Environment returns an observation ----------+
|
v
Finish, ask for help, or stop at a limit1. O agente recebe um objetivo
O objetivo descreve o resultado desejado. As instruções acrescentam restrições, como o que pode ser alterado, o que exige aprovação e o que conta como concluído. Uma condição de parada clara é importante, porque “continuar tentando” não é um objetivo seguro nem útil.
2. O modelo escolhe a próxima etapa
O modelo recebe o objetivo e o estado atual. Ele pode responder, fazer uma pergunta, selecionar uma ferramenta ou decidir que não pode prosseguir. Também pode criar ou revisar um plano, mas um plano detalhado não é necessário para todos os agentes.
3. O harness executa a ação
Uma ferramenta é uma interface que o sistema pode usar para obter informações ou alterar algo fora do modelo. Ela pode pesquisar registros, executar código, ler um calendário ou enviar uma atualização.
Normalmente, o modelo propõe o nome e as entradas de uma ferramenta. O harness valida essa solicitação, verifica as permissões, pede aprovação quando necessário e executa o código subjacente. Essa separação impede que uma instrução gerada se transforme automaticamente em uma ação autorizada.
4. O ambiente retorna evidências
O resultado da ferramenta se torna uma observação: um resultado de pesquisa, um erro, um relatório de teste, um número de confirmação ou alguma outra evidência externa ao modelo. O modelo usa essa observação para escolher novamente.
Esse feedback fecha o ciclo. Sem ele, o sistema pode gerar um relato plausível de sucesso sem saber se algo realmente aconteceu.
5. O ciclo termina
O agente termina quando alcança uma condição de conclusão, não pode continuar, precisa de uma decisão humana ou atinge um limite. Os limites podem incluir ações permitidas, tempo decorrido, número de etapas ou uso de recursos. Um agente que consegue parar com segurança é mais bem projetado do que um que simplesmente continua agindo.
Um exemplo prático
Imagine pedir a um agente de entregas:
Mude a entrega das compras de terça-feira para um horário em que eu esteja em casa. Não altere os itens.
O agente não precisa de um script codificado manualmente para cada possível estado do calendário e da entrega.
- Ele recupera a reserva atual e verifica se o pedido solicitado está agendado para terça-feira.
- Ele lê seu calendário por meio de uma ferramenta que o harness tem permissão para usar.
- A observação mostra que o horário de entrega atual coincide com um compromisso.
- Ele solicita os horários disponíveis para terça-feira ao serviço de entregas.
- Ele compara esses resultados com o calendário e seleciona uma opção sem conflito.
- O harness percebe que reagendar altera um registro externo e, por isso, pausa para pedir sua aprovação.
- Após a aprovação, o harness envia a alteração.
- O serviço de entregas retorna uma confirmação. O agente verifica se o dia, o horário e a lista de itens atendem à solicitação original e então para.
Se não houver nenhum horário válido, o modelo poderá perguntar se quarta-feira é aceitável. Se a ferramenta de calendário falhar, poderá pedir que você informe sua disponibilidade. Se o pedido já tiver sido enviado, ele deverá explicar o impedimento em vez de inventar um resultado bem-sucedido.
Esses desvios revelam o agente. Um fluxo de trabalho fixo poderia executar as mesmas etapas do caminho ideal, mas o sistema orientado pelo modelo pode escolher um novo caminho a partir de cada observação.
Por que os agentes de IA são importantes
Os agentes são úteis quando o objetivo é claro, mas as etapas necessárias variam. Eles podem lidar com informações ausentes, erros de ferramentas e condições variáveis sem exigir que uma pessoa forneça uma nova instrução após cada etapa.
Essa flexibilidade tem um custo. Cada decisão do modelo acrescenta tempo e consumo de recursos. Uma ação inicial equivocada também pode influenciar todas as etapas seguintes. Dar mais ferramentas a um sistema aumenta tanto o que ele pode realizar quanto o que ele pode danificar.
Portanto, a pergunta prática não é “Quão autônomo isso pode ser?”. É “Quais escolhas o sistema pode fazer com segurança e em que pontos regras fixas ou a aprovação humana devem assumir o controle?”. Uma investigação aberta pode tolerar várias etapas autodirigidas. Enviar dinheiro, excluir dados ou tomar uma decisão vinculante geralmente exige um limite mais rígido.
Equívocos comuns
“Qualquer aplicativo com um modelo de IA é um agente”
Um modelo pode resumir um documento ou responder a uma mensagem em uma única chamada. Isso é um recurso baseado em IA, mas não necessariamente um agente. O sinal mais forte é o controle orientado pelo modelo sobre um processo: escolher ações, receber observações e decidir o que vem em seguida.
“Uma chamada de ferramenta faz dele um agente”
Um chatbot pode sempre chamar a mesma função de previsão do tempo e depois exibir o resultado. Esse caminho pode ser uma automação comum. Uma ferramenta se torna parte de um ciclo de agente quando seu resultado pode mudar o que o modelo decide fazer em seguida.
“Um agente é apenas um modelo mais inteligente”
A capacidade do modelo ajuda, mas um agente é um sistema. O modelo não cria suas próprias credenciais de banco de dados, executa seu próprio código nem concede permissões a si mesmo. O harness e as interfaces das ferramentas determinam quais ações propostas podem se tornar ações reais.
“Autônomo significa sem supervisão”
Autonomia é um grau, não uma propriedade binária. Um agente pode pesquisar opções de forma independente, pausar antes de uma alteração relevante e devolver o controle quando faltarem evidências. Pontos de verificação e encaminhamentos fazem parte do projeto; não são evidências de que o sistema deixou de ser um agente.
“Agentes sempre aprendem com a experiência”
Alguns agentes armazenam informações entre execuções. Outros esquecem tudo quando uma tarefa termina. Memória e aprendizado podem ampliar o comportamento de um agente, mas a ação orientada por objetivos não garante nenhum dos dois.
“Uma resposta confiante significa que o trabalho foi concluído”
Modelos de linguagem geram resultados prováveis. A conclusão é um fato externo. Um agente confiável verifica um recibo, o estado de um arquivo, um resultado de teste ou outra observação antes de relatar sucesso.
Como um agente se encaixa em um sistema de IA
O modelo, o harness e o agente estão relacionados, mas não são intercambiáveis.
- O modelo produz texto ou escolhas estruturadas a partir do contexto que recebe.
- O harness conecta o modelo a instruções, estado, ferramentas, permissões, aprovações e registros.
- O agente é o sistema orientado por objetivos que surge quando o modelo pode usar essa estrutura para dirigir um processo com base no feedback.
Um chatbot pode ser a interface de um agente, mas conversar por si só não torna um chatbot agêntico. Um agente também pode ser executado em segundo plano, sem nenhuma janela de conversa.
Esse limite é parcialmente editorial. Alguns frameworks de software chamam o componente de modelo configurado de “agente”, enquanto outros reservam a palavra para todo o ciclo em execução. Ao avaliar um produto, ignore o rótulo e examine o comportamento: qual objetivo ele recebe, quais ações pode realizar, quem escolhe cada próxima etapa, quais evidências ele observa e o que faz com que ele pare?
Para onde ir em seguida
Leia O que é um modelo de IA? para entender o componente que toma as decisões. Em seguida, leia O que é um harness de IA? para conhecer o sistema ao redor que fornece ferramentas, estado, permissões e execução. Continue com O que é o uso de ferramentas em LLMs? para entender o ciclo de ação, ou use Modelo de IA vs. chatbot vs. harness vs. agente para comparar toda a pilha.