Os grandes modelos de linguagem são cada vez mais capazes de lidar com tarefas complexas e de várias etapas, dando origem a uma nova categoria de sistemas baseados em LLM, conhecidos como agentes. Este guia, baseado em diversas implantações com clientes, foi concebido para equipes de produto e engenharia que estão construindo seus primeiros agentes. Ele aborda estruturas para identificar casos de uso promissores, padrões para a lógica e a orquestração de agentes, e boas práticas para manter os agentes seguros, previsíveis e eficazes.
O que é um agente? Enquanto o software convencional ajuda os usuários a simplificar fluxos de trabalho, os agentes executam esses fluxos em nome do usuário com alto grau de independência. Um fluxo de trabalho é uma sequência de etapas necessárias para atingir um objetivo, como resolver um problema de atendimento ao cliente, reservar um restaurante, enviar uma alteração de código ou gerar um relatório. Chatbots simples, LLMs de turno único e classificadores de sentimento que não usam o LLM para controlar a execução do fluxo de trabalho não são agentes.
Um agente usa um LLM para gerenciar a execução do fluxo de trabalho e tomar decisões. Ele reconhece quando um fluxo de trabalho está concluído, corrige suas ações quando necessário e pode interromper a execução e devolver o controle ao usuário em caso de falha. Também tem acesso a ferramentas que lhe permitem coletar contexto e realizar ações em sistemas externos, selecionando a ferramenta adequada de acordo com o estado atual do fluxo de trabalho, sempre operando dentro de barreiras de proteção claramente definidas.
Quando você deve criar um agente? Os agentes são adequados a fluxos de trabalho nos quais as abordagens tradicionais baseadas em regras não são suficientes. A análise de fraude em pagamentos ilustra a diferença: um motor de regras funciona como uma lista de verificação, enquanto um agente baseado em LLM avalia o contexto e padrões sutis, identificando atividades suspeitas mesmo quando nenhuma regra clara é violada. Priorize fluxos de trabalho que envolvam tomada de decisão complexa, regras difíceis de manter ou forte dependência de dados não estruturados. Se o seu caso de uso não atender claramente a esses critérios, uma solução determinística pode bastar.
Fonte: OpenAI Blog · Resumido por HeadlinesBriefing