O que é um agent

TL;DR

Um AI agent é um sistema que combina um LLM (cérebro), um conjunto de ferramentas (mãos), e um loop de execução com autonomia de decisão. Dado um objetivo, o agent decide sozinho o que fazer em cada passo: qual tool chamar, com quais argumentos, quando pedir mais informação, quando terminar. Isso é o que distingue agent de chat, de pipeline RAG, e de workflow hardcoded. Autonomia de decisão no loop é o que define um agent.

A definição operacional

Chat       = LLM(input) → output
RAG        = retrieve(input) → LLM(context+input) → output
Workflow   = step1 → step2 → step3 → ...           (ordem fixa)
Agent      = LLM decide próximo step iterativamente até terminar

A linha que separa: quem decide a próxima ação?

• Chat / RAG / Workflow: você decide (no código).
• Agent: o LLM decide (em runtime).

Anatomia mínima

graph TB
    A["1. Receber objetivo"] --> B["2. LLM decide<br/>próxima ação"]
    B --> C["3. Executar tool call"]
    C --> D["4. Observar resultado"]
    D --> E{"5. Continuar<br/>ou terminar?"}
    E -->|continuar| B
    E -->|terminar| F["6. Retornar resultado"]

Diferenciador chave: autonomia no loop

Chat simples: você manda 1 pergunta, recebe 1 resposta. Sem ferramentas, sem iteração.

Prompt com RAG: pipeline fixo. O sistema decide “buscar antes” e “responder depois”. O LLM não decide o quê buscar.

Workflow hardcoded: sequência fixa de chamadas LLM. Programador desenhou a ordem.

Agent: dada a tarefa, o LLM decide a cada turno. Decisão iterativa, não-determinística.

Quando NÃO usar agent

Anti-pattern: agent prematuro

A maior parte das tarefas que parece “precisar de agent” funciona melhor como workflow determinístico. Anthropic: “use workflows when you can, agents when you must”.

Tarefa	Padrão certo
Classificar tickets	LLM call simples
Resumir email	LLM call simples
Buscar e responder Q&A	RAG pipeline
Multi-step com ordem previsível	Workflow
Multi-step com decisões dinâmicas	Agent

Quando usar agent

Sinais:

• Decisão depende de resultados intermediários
• Espaço de busca aberto (research, debugging exploratório)
• Tarefa é open-ended
• Sub-tarefas variáveis dependendo do contexto

Exemplos: research assistant, coding agent (Claude Code, Cursor), debugging agent, customer support com escalação.

O que diferencia um senior em agents

Tip

1. Sabe quando NÃO usar agent
2. Desenha tools como APIs de verdade: descrições claras, tipos, erros úteis, sem sobreposição
3. Sempre define max_steps e guardrails
4. Trata ações destrutivas com human-in-the-loop
5. Instrumenta tudo: cada tool call, input, output, latência, custo
6. Entende que agents falham de formas novas
7. Decompõe em sub-agents quando a tarefa é complexa
8. Mede resultado, não processo
9. Pratica prompt injection defense
10. Tem evaluation de agent, não só de LLM

A pergunta de teste

“Esse problema requer que o LLM decida o próximo step em runtime, ou eu consigo escrever a ordem dos steps em código?”

Se você consegue escrever em código → workflow. Se não consegue → talvez agent.

Veja também

• 02 - O loop ReAct e native tool use
• 03 - Tool design — princípios e categorias
• 08 - Patterns comuns de agents
• Agentes de Codificação
• 01 - O que é um LLM

Referências

• Anthropic — Building Effective Agents (2024)
• Anthropic — Effective Context Engineering for AI Agents (2025)
• OpenAI — A Practical Guide to Building Agents (2025)
• Yao et al. — ReAct: Reasoning and Acting (arxiv 2022)