Glossário de IA agêntica

Um agente de IA é uma aplicação que une um modelo de linguagem (a capacidade de raciocinar) a ferramentas (a capacidade de agir) para cumprir um objetivo: em essência, um modelo de linguagem em um loop usando ferramentas.

Em vez de apenas responder a um comando, o agente planeja, age e observa o resultado, repetindo o ciclo até concluir a tarefa, com pouca ou nenhuma intervenção humana a cada passo.

IA agêntica é o software que age de forma autônoma em direção a objetivos, e não apenas gera conteúdo. Enquanto uma IA generativa produz um texto ou uma imagem a partir de um pedido, uma IA agêntica decide os próximos passos, usa ferramentas e executa ações para chegar a um resultado.

É a diferença entre “me escreva um e-mail” e “resolva esta solicitação do cliente”: a IA agêntica assume a tarefa de ponta a ponta dentro dos limites que você define.

RAG, sigla de “retrieval-augmented generation” (geração aumentada por recuperação), é a técnica de fundamentar as respostas de um modelo em uma base de conhecimento externa. Antes de responder, o sistema recupera os trechos relevantes dos seus documentos e os entrega ao modelo como contexto.

O resultado é uma resposta ancorada nos seus próprios dados (mais precisa, atualizável e verificável), em vez de depender apenas do que o modelo memorizou no treinamento.

Recuperação agêntica é quando o próprio agente decide quando consultar a base de conhecimento, acionando a busca como uma ferramenta e sob demanda. Ele pode buscar várias vezes, refinar os termos e combinar fontes conforme o raciocínio avança.

Difere da injeção passiva de contexto, em que trechos são inseridos automaticamente antes da resposta: aqui a busca é uma decisão deliberada do agente, o que tende a trazer informação mais pertinente e menos ruído.

Uma ferramenta é uma capacidade que o agente pode acionar para agir no mundo: buscar na base de conhecimento, fazer um cálculo, chamar uma API, consultar um sistema externo, entre outras.

São as ferramentas que transformam um modelo de linguagem, que só produz texto, em um agente capaz de executar tarefas reais. O agente escolhe qual ferramenta usar e quando, conforme o objetivo.

Uma skill é um pacote de instruções e recursos que dá a um agente uma nova capacidade, carregado sob demanda quando a tarefa exige. Pense nela como um “manual de procedimento” especializado que o agente abre apenas quando precisa.

Esse carregamento sob demanda mantém o contexto do agente enxuto: em vez de carregar tudo de uma vez, ele recorre à skill certa no momento certo, ganhando uma habilidade específica sem perder foco.

O MCP, ou Model Context Protocol, é um padrão aberto para conectar um agente a ferramentas e sistemas externos. Funciona como uma “tomada universal”: em vez de uma integração sob medida para cada serviço, o agente fala uma língua comum com qualquer ferramenta compatível.

Com isso, dá para expandir o que um agente consegue fazer ligando-o a fontes de dados e aplicações externas de forma padronizada e reutilizável.

A orquestração é a camada que conduz o agente: ela planeja os passos, mantém a memória do que já aconteceu e roda o loop de raciocínio em que o agente decide, age e observa o resultado.

É a orquestração que coordena modelo, ferramentas e contexto para que o agente avance de forma coerente em direção ao objetivo, em vez de produzir respostas isoladas.

Engenharia de contexto é a prática de selecionar a informação certa para a atenção limitada do modelo. Como o modelo só consegue considerar uma quantidade finita de contexto por vez, decidir o que incluir, e o que deixar de fora, é determinante para a qualidade da resposta.

É a evolução da engenharia de prompt: o foco deixa de ser apenas a frase do comando e passa a ser curar todo o conjunto de informações (instruções, conhecimento recuperado, histórico) que chega ao modelo no momento certo.

Um sistema multiagente reúne vários agentes especialistas que colaboram para resolver uma tarefa. Em vez de um único agente generalista, cada um cobre uma parte do problema com instruções e ferramentas próprias.

Um padrão comum é um agente chamar outro como se fosse uma ferramenta: um coordenador delega subtarefas a especialistas e reúne os resultados, deixando o sistema mais modular e mais fácil de evoluir.

Humano no circuito é o desenho em que pessoas aprovam ou supervisionam as ações relevantes de um agente antes que elas tenham efeito. Em vez de agir sozinho em decisões sensíveis, o agente propõe e espera o sinal verde.

Esse padrão de “propor e então aprovar” mantém o controle nas mãos das pessoas justamente onde as consequências importam, combinando a velocidade do agente com o julgamento humano.

Um guardrail é um controle de política ou validação que delimita o que um agente pode fazer. Funciona como uma cerca: define os limites de escopo, as permissões e as ações permitidas, barrando o que está fora dessas regras.

Exemplos incluem restringir o agente a um conjunto de ferramentas, limitar permissões por papel ou recusar pedidos fora do propósito daquele assistente. Guardrails dão segurança e previsibilidade ao comportamento do agente.

A base de conhecimento é o conjunto de documentos curados em que um assistente fundamenta suas respostas: manuais, políticas, catálogos, perguntas frequentes e outros materiais que você confia.

É essa base, e não a memória genérica do modelo, que dá ao assistente respostas específicas do seu negócio. Mantê-la organizada e atualizada é o que mantém as respostas corretas e confiáveis.

Na plataforma, uma Charla é um único assistente de IA com suas próprias instruções, sua própria base de conhecimento e sua própria lista de acessos. É a unidade de isolamento: cada Charla é independente das demais.

Esse desenho permite operar vários assistentes lado a lado (um para atendimento, outro para vendas, outro para um processo interno) sem que o conhecimento ou os acessos de um vazem para o outro.