Mapa da trilha
Conteúdo detalhado
🤖 O que é um agente agentic
Por que "chatbot que responde" ficou obsoleto e o que muda quando o bot age.
Chatbot devolve texto. Agente decide e executa ações no mundo real (banco de dados, API, WhatsApp).
Quem confunde os dois vende projeto errado e frustra o cliente em 2 semanas.
FAQ-bot, agente reativo, autonomia, side effects.
O modelo escolhe a próxima ação a partir do contexto. Não é fluxo de decisão estático.
Você para de programar IFs e passa a desenhar capacidades.
Reasoning, planejamento, escolha de tool.
Buscar no CRM, agendar, mandar mensagem, gerar boleto. Ações com consequência.
É o que justifica o custo do agente. Sem ação = chat caro.
Tool calling, function calling, idempotência.
Agente decide o "como", você define o "o quê" e o "até onde". System prompt + permissões.
Sem guardrails, o agente reembolsa cliente errado e te tira do mercado.
Escopo, escalonamento humano, kill switch.
Janela de contexto + memória persistente (CRM, BD) injetada por custom fields.
Agente sem memória repete pergunta e perde lead.
Context window, short-term, long-term, custom fields.
Taxa de resolução, intents não resolvidos, tempo até conversão, custo por sessão.
"Está funcionando" não é métrica. Sem dado, ajuste vira chute.
CSAT, deflection rate, fallback rate, custo/sessão.
🏛️ Os 5 pilares
Todo agente decente é feito de prompt, conhecimento, tools, intents e settings. Quem cobre os 5 entrega; quem pula um, refaz.
A "constituição" do agente: personalidade, tom, regras invioláveis, formato de resposta.
90% dos problemas de qualidade são resolvidos refinando o prompt.
System prompt, persona, regras, formato.
Tudo que o agente precisa saber sobre seu negócio. Vetorizado e consultado sob demanda.
Sem conhecimento, o LLM alucina sobre seu produto.
RAG, embeddings, vector store, chunking.
buscar_imoveis(), agendar_visita(), enviar_whatsapp(). Cada tool é uma capacidade.
Tools transformam chat em produto.
Function calling, schema JSON, descrição, parâmetros.
Log do que o bot não soube tratar. Vira lista priorizada de novas tools ou docs.
Onde o bot falha hoje é onde sua próxima feature mora.
Fallback, log, clustering de dúvidas, priorização.
Escolha de modelo, tamanho de contexto, custo máx, custom fields que injetam dados do cliente.
Settings ruins fazem agente bom parecer ruim (e custar caro).
Modelo, temperatura, tokens, custom fields.
Cliente fala → prompt+custom fields entram → bot consulta conhecimento → chama tool → responde.
Ver o fluxo integrado evita "consertar" um pilar quando o erro está em outro.
Pipeline, orquestração, debug por camada.
🔁 Loop ReAct: ouvir, pensar, agir
O padrão Reasoning + Acting que faz o agente girar. Sem ele, é só prompt-chamando-prompt.
Mensagem do usuário entra junto com histórico e custom fields.
Quem ouve mal age errado. Contexto pobre = decisão pobre.
Intent, contexto, histórico, normalização.
O LLM analisa: preciso responder direto? preciso de tool? qual?
É aqui que o agente decide. Quem entende isso debuga em minutos.
Chain-of-thought, planning, tool selection.
Chamada da função, recebimento do resultado, formatação para o usuário.
A ação é onde o valor aparece — e onde o bug aparece.
Function call, payload, retorno, formatação.
Agente chama tool, vê resultado, chama outra. Várias rodadas até resolver.
Tarefas reais raramente cabem em 1 chamada.
Multi-turn, observation, max iterations.
Resposta final, max iterations, erro, escalonamento humano.
Sem parada, agente vira fatura impagável de tokens.
Stop, budget, escalation, timeout.
Logs de cada passo: input, reasoning, tool, output. Ler como detetive.
Quem não lê trace, "tunes prompt" no escuro.
Trace, span, observability, LangSmith/Helicone.