O que é um agente de IA: anatomia e o loop ReAct

Existe uma confusão comum no mercado: chamar qualquer coisa de "agente" só porque usa um modelo de linguagem. Vale a pena ser preciso.

LLM puro recebe um prompt, devolve texto. Sem estado, sem ação, sem loop. Você pergunta, ele responde — fim.

Workflow fixo é um pipeline determinístico: etapa A chama o modelo, etapa B processa o resultado, etapa C salva no banco. O código decide o fluxo; o modelo só preenche lacunas. Útil, previsível, mas rígido.

RAG (Aula 06) adiciona recuperação de documentos antes da geração. Ainda não é um agente — é uma chamada enriquecida. O modelo não decide se vai buscar nem o que fazer com o resultado além de responder.

Agente é diferente em natureza: o modelo recebe um objetivo, decide como atingi-lo, escolhe quais ferramentas usar, observa os resultados e continua raciocinando até concluir — ou até perceber que não consegue. O fluxo de controle mora dentro do modelo, não no seu código.

Essa distinção importa na prática porque agentes falham de formas que workflows não falham: eles podem entrar em loop, tomar caminhos inesperados ou usar ferramentas na ordem errada. Projetar um agente exige pensar em contenção, não apenas em funcionalidade.

Todo agente funcional tem quatro peças. Não é teoria — se uma falta, o sistema degrada para algo mais simples.

Modelo (raciocínio): o LLM é o cérebro. Ele lê o objetivo, o histórico e as observações disponíveis, e decide o próximo passo. A qualidade do raciocínio depende diretamente do modelo escolhido e do prompt do sistema.

Ferramentas: são as mãos do agente. Sem ferramentas, o modelo só produz texto. Com ferramentas (Aula 07), ele pode buscar na web, consultar um banco, chamar uma API, executar código. Cada ferramenta tem um nome, uma descrição e um schema de parâmetros — o modelo lê isso e decide quando e como usar.

Memória: o agente precisa saber o que já fez. Memória de curto prazo é o histórico de mensagens na janela de contexto — barato de implementar, caro de manter longo. Memória de longo prazo é armazenamento externo (banco vetorial, banco relacional) que o agente consulta quando precisa. A Aula 12 cobre isso em detalhe.

Planner (opcional mas poderoso): em agentes mais sofisticados, existe uma etapa explícita de planejamento antes de agir — o modelo decompõe o objetivo em sub-tarefas. Isso reduz erros em problemas longos. Veremos esse padrão na Aula 13.

Na prática, você implementa essas peças com código simples: um loop, um array de mensagens, um dicionário de ferramentas disponíveis e chamadas de função. O modelo orquestra; você só garante que as peças estejam disponíveis.

ReAct é um padrão de raciocínio publicado em 2022 que combina Reasoning e Acting num loop interleaved. Na prática, é a forma mais comum de implementar agentes com LLMs hoje.

O loop tem quatro fases que se repetem:

1. Percepção: o modelo recebe o estado atual — objetivo do usuário, histórico de mensagens, resultado das ações anteriores e memória relevante. Tudo isso vai no contexto.

1. Raciocínio (Thought): o modelo gera um pensamento em linguagem natural explicando o que vai fazer e por quê. Isso não é cosmético — forçar o modelo a verbalizar o raciocínio melhora a qualidade da decisão seguinte (pense em chain-of-thought, Aula 05).

1. Ação (Action): o modelo emite uma chamada de ferramenta — um JSON com nome e parâmetros. Seu código executa a ferramenta e retorna o resultado. Sem tool calling (Aula 07), esse passo não existe.

1. Observação (Observation): o resultado da ferramenta é adicionado ao histórico como uma mensagem de sistema ou de ferramenta. O modelo lê isso na próxima iteração.

Exemplo concreto: objetivo = "Qual o preço atual da AAPL e quanto ela variou esta semana?"

• Thought: preciso buscar o preço atual e o preço de 7 dias atrás.
• Action: get_stock_price({"ticker": "AAPL", "date": "today"})
• Observation: {"price": 213.40}
• Action: get_stock_price({"ticker": "AAPL", "date": "7d_ago"})
• Observation: {"price": 198.10}
• Thought: tenho os dois valores, posso calcular e responder.
• Final answer: "AAPL está em $213,40, alta de 7,7% na semana."

O loop encerrou em dois ciclos. Em problemas mais complexos, pode rodar dezenas de vezes — e é aí que guardrails (Aula 10) e limites de iteração importam.

Agentes são poderosos e caros de operar. Cada ciclo do loop consome tokens, latência e potencial de erro. Use agentes quando o problema genuinamente exige autonomia — quando o fluxo de trabalho não pode ser determinado com antecedência porque depende de dados que só existem em tempo de execução.

Use um agente quando:

• O número de passos para resolver o problema é variável e depende do que for descoberto no caminho.
• O modelo precisa decidir qual ferramenta usar, não apenas como usar uma ferramenta predefinida.
• O objetivo é aberto o suficiente para que caminhos diferentes sejam válidos.
• Você precisa de recuperação de falhas autônoma — o agente tenta uma abordagem diferente se a primeira não funcionar.

Não use um agente quando:

• O fluxo é fixo e você sabe exatamente a sequência de passos. Um workflow determinístico é mais barato, mais rápido e mais previsível.
• A tarefa é uma única chamada LLM com RAG. Não há loop, não há agente.
• Latência é crítica e cada ciclo adicional é inaceitável.
• O domínio é de alto risco (financeiro, médico, jurídico) sem supervisão humana no loop.

A regra que uso: comece com o mínimo. Se um prompt + RAG resolve, não construa um agente. Se um workflow fixo resolve, não construa um agente. Agente é a última camada de complexidade, não a primeira.