Anatomia de Agents

Agents são o nível mais alto de abstração em aplicações com LLM em 2026. A diferença entre um chatbot e um agent é a mesma entre uma função pura e um programa inteiro: agents raciocinam, decidem, usam ferramentas, observam resultados, e iteram até terminar a tarefa. Esta trilha cobre os fundamentos genéricos de agents — o ciclo, tools, memory, planning, multi-agent, frameworks, patterns, evaluation. Para coding agents específicos (Cursor, Claude Code, Copilot), ver Agentes de Codificação. Para memória avançada (MemGPT, Letta), ver Memória de Agentes.

Pré-requisitos

Recomendado ter lido Anatomia dos LLMs (Trilha 1) — especialmente sobre tool use (09 - APIs de LLM — anatomia de uma chamada). Esta trilha é o fundamento genérico sobre o qual outras trilhas se especializam.

Over-engineering é o pior risco

A maior parte das tarefas que parece “precisar de agent” funciona melhor como workflow determinístico. “Use workflows when you can, agents when you must” — Anthropic. Esta trilha enfatiza tanto quando usar quanto quando não usar.

Comece por aqui

Trilha sequencial recomendada — fundamentos → ciclo → componentes → patterns → produção.

Bloco 1 — Fundamentos (2 notas)

O que é um agent, e o ciclo que define seu funcionamento.

• 01 - O que é um agent — definição, autonomia no loop, quando NÃO usar
• 02 - O loop ReAct e native tool use — ciclo Thought-Action-Observation, native tool use 2026

Bloco 2 — Componentes Essenciais (3 notas)

Os 3 pilares que sustentam qualquer agent.

• 03 - Tool design — princípios e categorias — 7 princípios, 5 categorias, tools destrutivas
• 04 - Memory em agents — short-term, long-term, working memory, compactação
• 05 - Planning — plan-then-execute, dynamic, hierarchical — 3 estratégias e quando usar cada

Bloco 3 — Multi-agent e Frameworks (2 notas)

Quando um agent não basta, e que stack usar.

• 06 - Multi-agent — orchestrator e sub-agents — vantagens, padrões CIV, especialização por modelo
• 07 - Frameworks 2026 — Claude Agent SDK, LangGraph, CrewAI, AutoGen, Pydantic AI, “sem framework”

Bloco 4 — Produção (2 notas)

Reconhecer o pattern certo, medir o que importa.

• 08 - Patterns comuns de agents — 6 patterns canônicos, anti-patterns por confusão
• 09 - Evaluation de agents — métricas, golden set, trace review, regression tests

Rotas alternativas

Rota prática (vou construir um agent agora)

“Tenho task real, preciso construir agent funcional rapidamente”

01 - O que é um agent → 02 - O loop ReAct e native tool use → 03 - Tool design — princípios e categorias → 07 - Frameworks 2026 → 09 - Evaluation de agents

Rota arquiteto (multi-agent design)

“Preciso desenhar sistema com múltiplos agents coordenados”

01 - O que é um agent → 05 - Planning — plan-then-execute, dynamic, hierarchical → 06 - Multi-agent — orchestrator e sub-agents → 08 - Patterns comuns de agents → 09 - SDD com agentes — coordinator, implementor, validator

Rota produção (agent em prod com confiança)

“Agent precisa rodar 24/7 com observabilidade real”

02 - O loop ReAct e native tool use → 04 - Memory em agents → 09 - Evaluation de agents → Segurança e Guardrails → 03 - Por que agentes gastam tanto

Rota cético (preciso entender antes de adotar)

“Tem hype demais, quero entender quando agent realmente vale”

01 - O que é um agent → 08 - Patterns comuns de agents → 12 - Debates — spec-as-source vs pragmatismo

Como esta trilha se conecta

graph TB
    A["Anatomia de Agents<br/>(esta trilha)<br/>FUNDAMENTOS GENÉRICOS"] --> B["Agentes de Codificação<br/>especialização: coding agents"]
    A --> C["Memória de Agentes<br/>especialização: memory systems"]
    A --> D["Economia de Tokens<br/>economia de execução de agents"]
    A --> E["Context Engineering<br/>contexto de agents"]
    A --> F["Spec-Driven Development<br/>governance de agents"]
    A --> G["Segurança e Guardrails<br/>defesa em agents"]

Anatomia de Agents é o núcleo conceitual — outras trilhas aplicam esses fundamentos a domínios específicos.

Leituras recomendadas

Referências externas (Apêndice)

Para deep dive

O conteúdo abaixo é resumido nas notas; siga os links para o material original.

Papers fundamentais:

• ReAct: Reasoning and Acting
• Toolformer
• Reflexion
• Self-Refine
• Voyager (Minecraft agent)

Documentação:

• Building Effective Agents — Anthropic
• Effective Context Engineering — Anthropic
• Claude Agent SDK
• 12-Factor Agents

How to explain in English

Short pitch

“Agents are LLM systems with tools and a decision loop. They reason about what to do, call tools, observe results, and iterate until done. The mature posture: use workflows whenever possible, agents when dynamic decision-making is genuinely required. Every production agent needs max_steps, observability, and guardrails for destructive actions — those are not optional.”

Phrases to use

• “Workflows when you can, agents when you must.”
• “A tool without a clear description is worse than no tool at all.”
• “Agents fail in new and creative ways. Design for that.”
• “Prompt injection is the SQL injection of the LLM era. Assume adversarial input.”
• “Observability is not optional. An agent without traces is a time bomb.”
• “Don’t use a framework unless the pain of not having one exceeds the pain of having one.”

Key vocabulary

Veja também

• Agentes de Codificação — coding agents (Cursor, Claude Code, etc.)
• Memória de Agentes — sistemas de memória avançados
• Economia de Tokens — custo de execução de agents
• Context Engineering — contexto que agents recebem
• Spec-Driven Development — disciplina sobre agents
• Segurança e Guardrails — defesa de agents

Todas as notas

TABLE
  title AS "Título",
  status AS "Status",
  join(tags, ", ") AS "Tags"
FROM "03-Dominios/IA/Anatomia de Agents"
WHERE type != "moc"
SORT file.name ASC