O que é um agente de IA? Definição, exemplos e limites

#O que é um agente de IA?

A definição mais útil cabe em uma frase: um agente é um modelo de linguagem que usa ferramentas em um ciclo. Você lhe dá um objetivo, por exemplo: "descubra por que esse teste falha e corrija-o". Ele lê o código, executa o teste, lê o erro, modifica um arquivo, executa o teste novamente e continua até que o teste passe ou ele desista. Ninguém escreveu essa sequência de antemão: o modelo a decide passo a passo, com base no que observa.

O termo é vítima do próprio sucesso. Muitos produtos vendidos como “agentes” são simples chatbots com um nome ou automações tradicionais em que um modelo escreve um texto em uma etapa fixa de um script. A pergunta decisiva é: quem define a próxima etapa? Se for um programa escrito de antemão, com uma sequência fixa de chamadas, não é um agente, mesmo que um modelo de linguagem intervenha em algum ponto do processo.

#Chatbot, workflow, agente: as diferenças

Essa distinção é a apresentada pela Anthropic em seu guia de design: « os workflows são sistemas em que os LLMs e as ferramentas são orquestrados por fluxos de código predefinidos », enquanto « os agentes são sistemas em que os LLMs dirigem dinamicamente seu próprio processo e o uso das ferramentas, mantendo o controle sobre como realizar as tarefas ». A recomendação que decorre disso vale para todos: encontrar a solução mais simples possível e aumentar a complexidade apenas quando necessário. Um workflow bem projetado supera um agente na maioria das necessidades empresariais, pois é previsível e de baixo custo.

• « Building effective agents », o guia de design da Anthropic

#As quatro peças de um agente

Um modelo

O cérebro. Ele deve saber raciocinar em várias etapas e produzir chamadas de ferramentas bem formadas. É a peça que limita todo o restante.

Ferramentas

Funções que o modelo pode chamar: ler e escrever arquivos, executar um comando, buscar na web, consultar uma base. O protocolo MCP tornou-se a forma padrão de conectá-las.

Um loop

O programa que executa esta sequência: enviar o contexto para o modelo, executar a ferramenta solicitada, adicionar o resultado ao contexto, repetir. Ele também define as salvaguardas: número máximo de etapas, confirmações, orçamento.

Uma memória

No curto prazo, a janela de contexto, que se preenche a cada etapa e acaba saturando em uma tarefa longa. No longo prazo, arquivos de anotações, um resumo comprimido das etapas anteriores ou uma base que o agente relê de uma sessão para outra, para não começar do zero a cada nova conversa.

• MCP: o protocolo que conecta ferramentas a modelos

#O mecanismo por trás do loop: ReAct

A maioria dos agentes em produção segue, sem mencionar seu nome, o esquema descrito em 2022 por pesquisadores do Google e de Princeton como ReAct (“Reasoning and Acting”). O modelo produz, a cada rodada, um raciocínio explícito (Thought), escolhe uma ação, geralmente uma chamada de ferramenta (Action), e depois recebe o resultado (Observation) antes de recomeçar. Fazer o modelo verbalizar o raciocínio antes da ação torna o agente mais fácil de depurar: é possível ver por que ele escolheu determinada ferramenta, e não apenas o que fez.

• Fonte: o artigo de pesquisa « ReAct: Synergizing Reasoning and Acting in Language Models »

#Exemplos que realmente funcionam

Agentes de código

O caso mais desenvolvido. Claude Code, Cline, OpenCode ou Aider leem um repositório, modificam vários arquivos, executam os testes e corrigem seus erros. A área se presta a isso: o resultado pode ser verificado automaticamente, por meio de um teste que passa ou não.

Agentes de pesquisa

Eles fazem dezenas de buscas, leem as páginas, cruzam as fontes e redigem uma síntese. Isso é útil para monitoramento de informações ou um levantamento do estado da arte, desde que você verifique as citações.

Agentes de operações

Eles monitoram logs, diagnosticam um incidente e propõem ou aplicam uma correção. Em produção, quase sempre com validação humana antes de qualquer ação.

Agentes de desktop

Eles controlam um navegador ou um computador com o mouse e o teclado. Demonstrações impressionantes, mas a confiabilidade ainda é insuficiente para uso sem supervisão.

O ponto em comum entre esses casos que funcionam: um critério de sucesso objetivo e rápido de verificar. Um teste que passa ou falha, um arquivo bem formado, um incidente resolvido ou não. Quando o sucesso depende de um julgamento humano vago, por exemplo “escreva uma estratégia de marketing convincente”, o ciclo do agente acrescenta pouco em comparação com uma simples troca com o modelo, porque não há nada objetivo a observar entre duas etapas para orientar a próxima.

#Por que os agentes falham

A primeira razão é aritmética. Em um loop, os erros se multiplicam em vez de se anularem. Um modelo confiável em 95% dos casos em cada etapa isolada conclui corretamente uma tarefa de dez etapas em apenas 60% dos casos e uma tarefa de vinte etapas em apenas 36% dos casos, sem que nenhuma etapa, considerada isoladamente, seja claramente ruim.

É por isso que os agentes têm sucesso quando podem verificar seu próprio trabalho, executando novamente um teste, por exemplo, e decepcionam em outras situações. As demais limitações decorrem disso: o custo, já que uma tarefa consome dezenas de chamadas e um contexto que cresce; a segurança, já que um agente que lê conteúdo externo pode ser manipulado por esse conteúdo; e o desvio de rumo, quando o agente persegue com dedicação um objetivo mal compreendido.

O laboratório de avaliação METR mede essa progressão com uma métrica chamada “time horizon”: a duração de uma tarefa humana que o melhor modelo do momento consegue concluir com uma taxa de sucesso de 50%. Segundo o METR, essa duração segue uma tendência exponencial, com um tempo de duplicação de cerca de sete meses desde 2019, e o METR mediu uma aceleração desse ritmo, com um tempo de duplicação de pouco mais de quatro meses desde 2023. Na prática, um agente que falhava há um ano em uma tarefa de uma hora tem boas chances de concluí-la hoje; o limite se desloca, mas não desaparece.

• Fonte: METR, « Measuring AI Ability to Complete Long Tasks »

#Um agente de IA local: o que é necessário

Nada obriga um agente a usar a nuvem. O ciclo e as ferramentas já rodam na sua máquina; falta fazer rodar nela o modelo que os controla. Três exigências são mais rigorosas do que em um simples chat, no qual é possível se contentar com um modelo menor e mais lento.

Na prática, uma placa de 16 GB permite um agente útil em tarefas curtas, e 24 GB oferecem folga. Abaixo disso, o agente funciona como demonstração e decepciona no dia a dia.

Um ponto frequentemente negligenciado: o custo de um agente local não se limita à VRAM dos pesos do modelo. Cada ferramenta conectada adiciona sua descrição ao prompt em cada turno, e essa descrição também consome cache KV, portanto VRAM, durante toda a duração do loop. Com um modelo de 14 bilhões de parâmetros e meia dúzia de ferramentas bem descritas, conte com algumas centenas de megabytes de cache KV só para as definições das ferramentas, antes mesmo do contexto da conversa.

• Classificação: os melhores LLMs locais para agentes
• Criar um agente de IA local: arquitetura e ferramentas recomendadas
• Tutorial: um agente local em Python com LangChain e Ollama

#Por onde começar

1. 01
   Use um agente existente antes de criar um

   Um agente de código no seu editor ou terminal ensinará a você em uma semana o que esses sistemas sabem fazer e onde eles falham.
2. 02
   Escolha uma tarefa verificável

   Uma tarefa cujo sucesso pode ser medido sem você: um teste que passa, um arquivo produzido no formato correto, um total que fecha exatamente.
3. 03
   Limite as ferramentas

   Três ferramentas bem descritas valem mais que trinta. Cada ferramenta adicionada aumenta o risco de escolha errada e torna o contexto mais pesado.
4. 04
   Mantenha o controle sobre o que é irreversível

   Leitura livre, escrita mediante confirmação. Envio de e-mail, exclusão de arquivo, pagamento, publicação: sempre com validação humana explícita antes da execução, independentemente da confiança mostrada pelo agente.

• OpenCode + Ollama: um agente de código no terminal
• Cline + Ollama: um agente de código no VS Code
• O kit de agentes locais

#FAQ