WEBVTT

00:00:00.000 --> 00:00:04.961
Nas aulas anteriores você viu LLMs, RAG
e chamadas de ferramentas.

00:00:05.001 --> 00:00:08.782
Agora a gente conecta tudo
isso num loop que roda

00:00:08.822 --> 00:00:11.699
sozinho até o objetivo ser atingido.

00:00:11.739 --> 00:00:15.798
Isso é um agente, e entender
esse loop é o que separa

00:00:15.838 --> 00:00:19.410
quem constrói agentes de quem
só usa chatbots.

00:00:20.367 --> 00:00:24.959
Existe uma confusão enorme no
mercado: chamar qualquer coisa

00:00:24.999 --> 00:00:28.680
de agente só porque usa um
modelo de linguagem.

00:00:28.720 --> 00:00:34.787
Mas um LLM puro recebe um prompt e devolve
texto, sem estado, sem ação, sem loop.

00:00:34.827 --> 00:00:38.788
Agente é diferente em natureza:
o fluxo de controle

00:00:38.828 --> 00:00:42.087
mora dentro do modelo, não no seu código.

00:00:43.100 --> 00:00:45.396
Olha a diferença na prática.

00:00:45.436 --> 00:00:49.655
Num workflow fixo, o código decide
o fluxo e o modelo só

00:00:49.695 --> 00:00:53.365
preenche lacunas, útil e
previsível, mas rígido.

00:00:53.405 --> 00:00:57.900
No agente, o modelo recebe o
objetivo e decide sozinho quais

00:00:57.940 --> 00:01:01.541
ferramentas usar, em que
ordem, e quando parar.

00:01:01.581 --> 00:01:04.220
Essa autonomia é o que muda tudo.

00:01:05.233 --> 00:01:08.316
Todo agente funcional tem quatro peças.

00:01:08.356 --> 00:01:12.480
Se uma falta, o sistema degrada
pra algo mais simples.

00:01:12.520 --> 00:01:16.852
O modelo é o cérebro, raciocina e
decide o próximo passo.

00:01:16.892 --> 00:01:21.571
As ferramentas são as mãos, sem elas
o modelo só produz texto.

00:01:21.611 --> 00:01:24.486
A memória guarda o que já foi feito.

00:01:24.526 --> 00:01:27.955
E o planner, opcional mas
poderoso, decompõe

00:01:27.995 --> 00:01:31.633
objetivos grandes em
sub-tarefas antes de agir.

00:01:32.633 --> 00:01:39.098
O loop ReAct é o padrão publicado em 2022 que
combina raciocínio e ação num ciclo

00:01:39.138 --> 00:01:45.005
interleaved, e é a forma mais comum de
implementar agentes com LLMs hoje.

00:01:45.045 --> 00:01:49.865
São quatro fases que se repetem até
o objetivo ser atingido

00:01:49.905 --> 00:01:53.754
ou o agente perceber que não
consegue avançar.

00:01:54.767 --> 00:01:57.269
Cada fase tem uma função clara.

00:01:57.309 --> 00:02:00.842
Na percepção, tudo vai pro
contexto: objetivo,

00:02:00.882 --> 00:02:04.895
histórico, resultados anteriores
e memória relevante.

00:02:04.935 --> 00:02:09.018
No raciocínio, o modelo escreve
em linguagem natural o

00:02:09.058 --> 00:02:12.728
que vai fazer e por quê, isso
melhora a decisão.

00:02:12.768 --> 00:02:17.194
Na ação, ele chama uma ferramenta
com os parâmetros certos.

00:02:17.234 --> 00:02:21.110
Na observação, lê o resultado e
decide se já chegou

00:02:21.150 --> 00:02:24.477
ao objetivo ou se precisa
de mais um ciclo.

00:02:25.467 --> 00:02:29.716
Um aviso importante de quem
projeta agentes na prática.

00:02:29.756 --> 00:02:35.342
Autonomia é o superpoder do agente, mas
também a fonte dos seus problemas.

00:02:35.382 --> 00:02:38.858
Agentes podem entrar em
loop, tomar caminhos

00:02:38.898 --> 00:02:42.655
inesperados ou usar
ferramentas na ordem errada.

00:02:42.695 --> 00:02:46.172
Projetar um agente exige
pensar em contenção

00:02:46.212 --> 00:02:49.477
desde o início, não só em funcionalidade.

00:02:50.467 --> 00:02:54.846
Agora você tem a anatomia
completa: modelo, ferramentas,

00:02:54.886 --> 00:02:59.621
memória e planner, e sabe como o
loop ReAct conecta tudo isso

00:02:59.661 --> 00:03:03.898
num ciclo de percepção,
raciocínio, ação e observação.

00:03:03.938 --> 00:03:09.315
Na próxima aula a gente vai fundo na
memória: como implementar curto e

00:03:09.355 --> 00:03:14.447
longo prazo de forma que o agente
realmente lembre do que importa.
