Na Parte 1, discutimos a importância do design de sistemas de memória para agentes de IA. No entanto, antes mesmo de nos preocuparmos com a memória, enfrentamos uma questão arquitetural mais fundamental: Você realmente precisa de um agente autônomo, ou um workflow (fluxo de trabalho) é suficiente?
Com o hype em torno da "IA Agêntica" (Agentic AI), é fácil cair na armadilha de tentar resolver todos os problemas com um sistema totalmente autônomo. Mas a autonomia tem um custo: problemas mais simples geralmente exigem soluções mais simples.
O que é um Workflow?
Um Workflow é um sistema onde os passos de execução são predefinidos. Mesmo que alguns desses passos envolvam chamar uma LLM (Large Language Model), o caminho que os dados percorrem é claro desde o início. É determinístico em seu fluxo, mesmo que o conteúdo seja probabilístico.
Características de um Workflow
- Caminho Predefinido: O passo A sempre leva ao passo B (ou C, baseado em lógica simples).
- Controle: Você sabe exatamente o que aconteceu e em que ordem.
- Confiabilidade: Mais fácil de depurar e testar.
Exemplo: Um pipeline básico de RAG (Retrieval-Augmented Generation).
1. Usuário faz uma pergunta.
2. Sistema busca no banco de dados.
3. Sistema insere resultados no prompt.
4. LLM gera a resposta.
Não há nenhuma "decisão" sendo tomada sobre o que fazer a seguir. O sistema não acorda e decide "hoje não vou buscar no banco, vou responder de memória". Ele segue o script.
O que é um Agente?
Um Agente é um sistema que usa uma LLM como um "Cérebro" para decidir quais passos tomar para atingir um objetivo. O desenvolvedor fornece um conjunto de ferramentas (funções), e o Agente decide se, quando e como usá-las.
Características de um Agente
- Caminho Dinâmico: O sistema determina o fluxo em tempo de execução.
- Autonomia: Pode lidar com ambiguidade e raciocínio de múltiplos passos.
- Baseado em Loops: Frequentemente opera em um ciclo Pensar -> Agir -> Observar.
Exemplo: "Reserve um voo para Paris para a próxima semana."
Um agente pode:
1. Buscar por voos.
2. Perceber que não sabe o que é "próxima semana" relativo a quê (ou preferências do usuário).
3. Decidir usar uma ferramenta para verificar a data atual.
4. Perguntar ao usuário para esclarecer companhias aéreas preferidas.
5. Finalmente, usar a ferramenta de reserva.
Estudo de Caso: Pam - Professora de IA Amigável
Um exemplo prático dessa distinção é a Pam, meu projeto de professora de idiomas com IA. Ao projetar a Pam, eu tinha uma escolha: construir um agente totalmente autônomo que decide como ensinar, ou construir uma professora estruturada.
A Restrição: Latência. Para que uma conversa pareça natural (especialmente conversa por voz), o tempo de resposta tinha que ser mínimo. Um agente autônomo que "pensa" sobre a melhor abordagem pedagógica para cada frase seria muito lento.
A Solução: Um Workflow LangGraph.
Lógica de Workflow da Pam
Em vez de perguntar "O que devo fazer?", o sistema segue um caminho estrito de processamento paralelo para cada mensagem do usuário:
- Input: Usuário envia uma mensagem (Áudio/Texto).
- Processo Paralelo 1 (Conversa): Gerar uma resposta natural e amigável.
- Processo Paralelo 2 (Correção): Analisar a entrada do usuário por erros gramaticais e gerar uma correção se necessário.
- Sintetizador: Combinar conteúdo + correção.
- Output: Gerar Áudio e Texto.
Porque os passos são determinísticos (Sempre ouvir -> Sempre Checar Gramática + Sempre Conversar -> Sempre Responder), atingimos alta velocidade e comportamento consistente. Não precisamos que a IA "decida" se deve corrigir o usuário; isso é um requisito do produto, então se torna um passo fixo no workflow.
Estudo de Caso: Clin.IA - Agente Secretária Médica
No outro lado do espectro está a Clin.IA, uma secretária automatizada para clínicas médicas. Ao contrário da Pam, onde velocidade era tudo, a Clin.IA opera em um ambiente onde precisão e autonomia são primordiais.
O Contexto: Pacientes enviam uma grande variedade de mensagens: agendando consultas, perguntando sobre preços, pedindo direções ou apenas dizendo olá. O sistema não pode prever a intenção do usuário linearmente.
Além disso, a latência não é uma preocupação primária. Um atraso de 20-30 segundos é aceitável para uma mensagem de texto. De fato, se o sistema responder muito instantaneamente, ele quebra a ilusão de uma secretária prestativa e grita "Robô".
A Solução: Um Agente Autônomo.
Lógica Agêntica da Clin.IA
O sistema recebe uma mensagem e entra em um loop de decisão:
- Observação: "Usuário perguntou: 'Vocês têm horários para amanhã?'"
- Pensamento: "Preciso checar o calendário. Não sei o horário preferido do usuário ainda."
- Ação (Uso de Ferramenta): Chamar
check_calendar_tool(date="tomorrow"). - Observação: "Calendário retorna: Horários disponíveis às 10h e 16h."
- Pensamento: "Tenho a informação. Agora vou responder ao usuário."
- Ação Final: "Sim, temos aberturas às 10h e 16h. Gostaria de agendar uma?"
Porque o espaço do problema (secretária médica) envolve alta ambiguidade e necessidade de uso complexo de ferramentas (Banco de Dados, Calendário, Tabela de Preços), um workflow rígido seria um pesadelo para manter. A arquitetura de Agente permite que a Clin.IA se adapte ao caos das entradas do mundo real.
O Espectro Agêntico
A realidade raramente é binária. A maioria dos sistemas sofisticados vive em um espectro. O Professor Andrew Ng e outros líderes de pensamento popularizaram o termo "Workflows Agênticos".
Estes são sistemas que parecem workflows (têm uma estrutura geral clara), mas contêm nós com autonomia não verificada. Por exemplo, um passo de "Roteador" (Router) frequentemente age como um mini-agente, decidindo qual sub-workflow específico acionar com base na intenção do usuário.
Quando escolher o quê?
Use um Workflow quando:
- O processo é bem compreendido e repetitivo.
- Confiabilidade e baixa latência são críticas.
- Você precisa minimizar o uso de tokens (custos).
Use um Agente quando:
- A entrada é altamente ambígua.
- O número de casos extremos (edge cases) é alto demais para codificar manualmente.
- O sistema precisa explorar um ambiente ou reagir a feedback dinâmico.
Conclusão
Comece com um workflow. Adicione agência ("agency") apenas onde você encontrar uma parede de complexidade que a lógica baseada em regras não consiga resolver. Os "Agentes" mais robustos em produção hoje são frequentemente apenas workflows muito inteligentes e flexíveis com pequenos bolsões de autonomia.