Principais conceitos dos agentes de IA
Principais conceitos dos agentes de IA
Os agentes de IA evoluíram de chatbots passivos para sistemas autônomos capazes de raciocinar, usar ferramentas corporativas e executar fluxos de trabalho complexos.
Para aproveitar o enorme potencial e passar de casos de uso e protótipos experimentais para sistemas robustos de nível empresarial que geram ROI mensurável, é útil entender os elementos básicos. Aqui, vamos detalhar os principais conceitos dos agentes de IA, incluindo:
- Modelos: o mecanismo de raciocínio que o agente usa para pensar
- Embasamento: a base de conhecimento, que se torna o mecanismo de acurácia factual e recuperação de conhecimento
- Ferramentas: recursos definidos para realizar tarefas, que determinam o que um agente pode fazer
- Arquitetura de dados: onde o agente armazena a memória e os dados
- Orquestração: como o agente planeja e conecta todas as partes em uma tarefa de várias etapas
- Ambiente de execução: onde o agente reside e é executado em escala
Modelos
Pense no modelo como o cérebro do seu agente. Ele lê e entende seus pedidos, descobre o que precisa acontecer e gera respostas inteligentes.
A escolha do modelo certo é uma questão de equilibrar capacidade, velocidade e custo para seu caso de uso. O objetivo não é maximizar a potência bruta, mas otimizar a eficiência. O erro mais comum é investir demais em recursos quando um caso de uso não precisa deles, o que leva a gastos ineficientes e desempenho mais lento.
Arquiteturas cognitivas robustas empregam vários agentes especializados que selecionam dinamicamente o modelo mais enxuto para sua subtarefa específica. É como ter uma equipe de especialistas à disposição, com trabalhos encaminhados de forma inteligente para diferentes especialistas, dependendo da tarefa. Por exemplo, um modelo avançado é reservado para o trabalho pesado de planejamento e raciocínio complexos, enquanto tarefas mais simples e de alto volume, como a classificação da intenção do usuário, são encaminhadas para um modelo mais rápido e econômico. Esse roteamento dinâmico de modelos é essencial para otimizar o desempenho e o custo.
Ao oferecer um conjunto expansivo de modelos para escolher, com modos de raciocínio configuráveis, os desenvolvedores ganham um conjunto dinâmico de alavancas para otimização sofisticada. Tudo isso ajuda a calibrar o custo e a performance de um sistema multiagente inteiro para atender a necessidades técnicas e de negócios específicas.
Depois de selecionar um modelo que atenda às suas necessidades de custo, latência e qualidade, você pode ter a opção de ajustar esse modelo. Isso especializa o conhecimento e o estilo do modelo para suas necessidades comerciais específicas e é feito usando um conjunto de dados selecionado dos seus próprios exemplos de alta qualidade. Para saber se um modelo permite e oferece suporte ao ajuste detalhado, revise a documentação e o contrato de licença dele.
Análise detalhada: criar agentes empresariais
Tudo pronto para colocar a seleção de modelos em prática? Saiba como equilibrar segurança, confiabilidade e eficiência em uma arquitetura cognitiva robusta.
Confira o guia técnico para criar sistemas multiagentes empresariais.
Dica profissional
Use uma plataforma centralizada para descobrir, personalizar e implantar modelos de fundação. Procure uma que ofereça uma seleção altamente selecionada dos melhores modelos do mundo, permita que você faça a implantação com um único clique e ofereça segurança de nível empresarial desde o início.
Embasamento
A credibilidade e a utilidade de um agente dependem da capacidade dele de fornecer respostas precisas e confiáveis com base em fatos verificáveis. É aí que entra o embasamento. Ele transforma os agentes em verdadeiros automatizadores de fluxo de trabalho que são profundamente e precisamente baseados nos dados da sua empresa.
Quando se trata de fundamentação, há três camadas a serem consideradas.
1. RAG: uma primeira etapa fundamental
A credibilidade de um agente está ligada à capacidade de fornecer respostas baseadas em fatos verificáveis. A geração aumentada por recuperação (RAG) conecta um agente a uma fonte de dados verificáveis e em tempo real, garantindo que o agente aja com base na verdade, e não em alucinações.
Esse processo simples de recuperação e geração pode ser aplicado a textos, imagens e outros tipos de dados. Ele permite pesquisas rápidas em conjuntos de dados enormes, levando a decisões responsivas e oportunas.
Apesar de ajudar a responder perguntas, a RAG não é suficiente para consultas complexas que exigem uma compreensão mais profunda das relações entre os pontos de dados.
2. GraphRAG: embasamento mais inteligente
O GraphRAG enriquece o embasamento ao entender as relações explícitas entre os pontos de dados em um grafo de conhecimento e recuperar dados contextuais que refletem melhor as interconexões com outras fontes de dados. Assim, em vez de apenas comparar frases semelhantes, seu agente entende como os conceitos se relacionam.
É importante ressaltar que os grafos de conhecimento oferecem controle direto sobre a lógica de negócios. Enquanto a RAG padrão depende de padrões gerados pelo modelo, um gráfico de conhecimento permite definir e gerenciar as relações específicas entre entidades, garantindo que o agente respeite a taxonomia e as regras exclusivas da sua organização. Para máxima confiabilidade, as principais organizações usam uma abordagem híbrida, combinando a ampla recuperação da RAG padrão com a precisão e o controle da GraphRAG.
Caso de uso
Uma visualização estruturada de dados de fontes diferentes
As empresas de serviços financeiros usam grafos de conhecimento para oferecer aos analistas uma visão unificada de relatórios de analistas, teleconferências de resultados, avaliações de risco e muito mais. Essa rede de dados rica e interconectada ajuda os analistas a descobrir insights que antes estavam ocultos, como dependências complexas da cadeia de suprimentos, membros do conselho que se sobrepõem entre concorrentes e exposição a riscos geopolíticos complexos.
3. RAG agêntica: raciocínio e recuperação dinâmicos
A abordagem mais poderosa para o embasamento é o RAG agêntico, em que o agente não é mais um destinatário passivo de informações, mas um participante ativo e racional no próprio processo de recuperação. Com o RAG agêntico, um agente pode analisar uma consulta complexa, formular um plano de várias etapas e executar várias chamadas de ferramenta em sequência para encontrar as melhores informações possíveis. Ele não substitui a pesquisa tradicional, mas adiciona um raciocínio avançado à sua infraestrutura atual de RAG e mapa de informações para resolver consultas de várias etapas.
Essa capacidade de perceber e raciocinar sobre diferentes tipos de dados transforma o agente de um processador de dados em uma ferramenta de solução de problemas que entende e interage com o mundo de uma forma mais completa. Ao permitir que o agente seja um participante ativo e racional, os desenvolvedores podem criar sistemas capazes de executar consultas complexas de várias etapas e tarefas de longo prazo que definem os recursos de agente de próxima geração.
Dica profissional
Use a abordagem de recuperação e reclassificação
Aborde o trade-off entre recall (encontrar todos os documentos relevantes) e precisão (garantir que os documentos recuperados sejam relevantes) usando a abordagem "recuperar e reclassificar", que amplia a abertura de recall para recuperar um conjunto de documentos maior do que o necessário. Esse conjunto maior é transmitido ao LLM ou a um serviço especializado de reclassificação, que identifica os documentos mais relevantes e descarta os irrelevantes ou semanticamente opostos.
Observação
O ajuste de detalhes não é embasamento. O ajuste fino adapta o estilo de um modelo e refina o conhecimento dele sobre uma tarefa específica. O embasamento conecta o modelo a fontes de dados verificáveis e em tempo real para garantir que as respostas sejam factualmente precisas.
Ferramentas
As ferramentas são recursos definidos que permitem que um agente faça mais do que as funções nativas do modelo de raciocínio principal. As ferramentas fazem a ponte entre o raciocínio do agente e a capacidade de agir, desde a realização de um cálculo interno simples até a interação com sistemas externos usando chamadas de API. Como o embasamento é a principal maneira de um agente recuperar novas informações, ele é tecnicamente a ferramenta mais fundamental no kit de ferramentas de um agente.
As ferramentas podem incluir:
- Funções e serviços internos: lógica proprietária ou código especializado escrito pela sua equipe para resolver problemas específicos da empresa.
- APIs externas: conexões seguras com serviços de terceiros que permitem que um agente execute tarefas no mundo real.
- Recuperação e embasamento de dados: a capacidade de consultar dinamicamente bancos de dados (incluindo linguagem natural para SQL), pesquisar repositórios de vetores ou acessar bases de conhecimento corporativas. Seja uma pesquisa simples ou uma consulta complexa de banco de dados, essas ferramentas garantem que as ações do agente sejam baseadas em dados verificáveis.
- Colaboração entre agentes: em sistemas mais sofisticados, um agente pode colaborar com outro agente especializado para resolver um problema. Embora um agente possa ser usado como uma "ferramenta" para uma tarefa específica, os sistemas empresariais mais poderosos os tratam como colaboradores que coordenam ações com segurança em diferentes domínios.
Arquitetura de dados
Os agentes usam diferentes tipos de memória para diferentes tarefas. Uma arquitetura de dados corporativa robusta precisa atender a três necessidades distintas: armazenamento persistente para recuperação de conhecimento de longo prazo, acesso de baixa latência para contexto conversacional de curto prazo e um livro-razão durável para auditoria transacional.
1. Base de conhecimento de longo prazo (fundamentação e memória)
A memória de longo prazo é a base da inteligência, do embasamento e da personalização de um agente, e é diferente do contexto rápido e de curto prazo de uma conversa ao vivo. A arquitetura tem três componentes principais:
- Uma base de conhecimento estruturada para geração aumentada por recuperação (RAG) baseada em fatos
- Um repositório persistente para a memória destilada do usuário. Em vez de armazenar todas as interações históricas, o agente gera e armazena fatos relevantes sobre o usuário, a equipe ou a tarefa para permitir uma experiência contínua e personalizada
- Um data lake operacional para material bruto, como transcrições de conversas e estados de fluxo de trabalho, que permite processos cognitivos mais complexos e análises futuras
Caso de uso
Acesso a todas as informações relevantes
Um agente jurídico recupera instantaneamente jurisprudências, documentos de políticas internas e manuais de treinamento para gerar um primeiro rascunho de um contrato em conformidade com a lei.
2. Memória de trabalho (contexto da conversa e estado de curto prazo)
Essa camada gerencia as informações temporárias (a janela de contexto do LLM) necessárias para uma tarefa ou conversa em andamento. Para manter uma experiência do usuário responsiva, ele precisa fornecer acesso de latência extremamente baixa para a sequência iterativa de ações e observações que estão sendo feitas.
Caso de uso
Ter uma conversa útil
Um representante de suporte ao cliente mantém o estado de um fluxo de solução de problemas de várias etapas, lembrando os números de série ou as etapas de diagnóstico fornecidas anteriormente pelo usuário para evitar repetições.
3. Memória transacional (gerenciamento de estado e auditoria de ações)
Essa camada é responsável por registrar ações e mudanças de estado com integridade e consistência forte. Ela serve como o sistema de registro durável, o que é essencial do ponto de vista da segurança e para fornecer uma trilha de auditoria não repudiável para cada ação orientada por agente.
Caso de uso
Manter um livro-razão durável
Um agente da cadeia de suprimentos registra a execução bem-sucedida de um pedido de compra complexo e com várias partes, garantindo que a transação seja rastreada e verificável permanentemente em sistemas financeiros.
Orquestração
A orquestração é o núcleo operacional que guia um agente em uma tarefa de várias etapas. Para qualquer processo que exija mais de uma ação, ele determina quais ferramentas são necessárias, em qual sequência e como as saídas devem ser combinadas para atingir um objetivo final.
Como função executiva do agente, a orquestração é a chave para criar sistemas sofisticados que automatizam processos de negócios complexos. Ela permite resolver problemas que antes não eram tecnicamente viáveis, o que abre caminho para uma nova classe de aplicativos e experiências do usuário.
Um padrão de orquestração comum e eficaz é o ReAct (Reason + Action). Esse framework combina os recursos de raciocínio e ação de modelos de linguagem grandes e estabelece um loop dinâmico de várias rodadas em que o modelo gera rastros de raciocínio (pensamentos) e ações específicas da tarefa de maneira intercalada.
Com o ReAct, o raciocínio ajuda o modelo a rastrear e atualizar planos de ação, enquanto as ações coletam informações de ferramentas externas para informar o processo de raciocínio. Veja como funciona:
- Motivo: o agente avalia a meta e o estado atual, formulando uma hipótese sobre a próxima melhor etapa e se uma ferramenta é necessária.
- Ação: o agente seleciona e invoca a ferramenta apropriada.
- Observe: o agente recebe o resultado da ferramenta. Essas novas informações são integradas ao contexto do agente e alimentam a próxima etapa de raciocínio do ciclo.
Casos de uso
Automação de RH entre departamentos
Para integrar um novo funcionário, o agente inicia ações sequencialmente em vários sistemas. Primeiro, ele cria um registro de funcionário no sistema. Depois, aciona uma chamada de API para o agente de TI para provisionar hardware e credenciais de rede. Por fim, ele inscreve o funcionário nos módulos de treinamento de compliance regional necessários.
Remediação proativa da cadeia de suprimentos
Para detectar e resolver automaticamente interrupções no envio, um agente é orquestrado para seguir as principais etapas. Primeiro, um alerta de monitoramento aciona uma ferramenta para consultar fornecedores alternativos. Em seguida, ele executa uma ferramenta de simulação para calcular o custo-benefício de mudar de fornecedor em vez de atrasar o envio. Por fim, se aprovado por um human-in-the-loop, ele executa a ação para enviar um novo pedido de compra ao agente de logística.
Ambiente de execução
Para implantar um protótipo de agente funcional em um ambiente de produção em escala, você precisa de uma infraestrutura de ambiente de execução robusta integrada a um sistema coeso de serviços para fundamentação, ferramentas, memória, sessões e o restante. Isso garante que seus agentes possam operar em um ecossistema seguro e de alto desempenho capaz de lidar com as demandas complexas do crescimento empresarial global.
Um ambiente de execução de nível de produção exige:
Escalonabilidade: a infraestrutura precisa ser escalonada automaticamente para lidar com cargas variáveis, de zero a milhões de solicitações. Isso inclui o balanceamento de carga baseado em solicitações e o escalonamento automático baseado em recursos para gerenciar as demandas computacionais com eficiência.
Segurança e controle: a plataforma precisa oferecer um ambiente de execução seguro, gerenciando a identidade de usuários e agentes, políticas da organização, registros de ferramentas e agentes, controles de acesso à rede e canais de comunicação seguros (como TLS) para proteger o agente e os dados que ele acessa.
Confiabilidade e observabilidade: o sistema precisa incluir mecanismos para tratamento de erros e monitoramento contínuo. Para depurações complexas, o ambiente de execução precisa capturar rastreamentos de execução de alta fidelidade, que são gravações detalhadas do raciocínio do agente e das chamadas de ferramentas. Isso expõe toda a trajetória de uma decisão, permitindo que suas equipes respondam definitivamente à pergunta "Por quê?" se ocorrer uma falha inesperada. Para uma supervisão de alto nível, o sistema precisa incluir métricas de conclusão de tarefas e feedback dos usuários. A automação com simulações e avaliações permite ter confiança antes e depois da implantação na produção.
