Modulo 3.1 - Agentes de IA no Make

1

O que sao Agentes de IA

O que e:

Agentes sao sistemas de IA que podem tomar decisoes, usar ferramentas e executar tarefas autonomamente. Vao alem de simplesmente responder perguntas - eles agem no mundo real.

Por que aprender:

Agentes sao o proximo nivel de automacao. Podem lidar com tarefas complexas que exigiriam multiplos cenarios ou intervencao humana constante.

Conceitos-chave:

AI Agent, Autonomy, Tool use, Decision making, Goal-oriented behavior.

Arquitetura de um Agente

Objetivo/Goal

|

LLM (Cerebro)

|

Tools (Acoes)

Memory

Exemplo Pratico

Um agente de suporte ao cliente recebe: "Quero cancelar minha assinatura". Ele decide: verificar status da conta (tool), buscar politica de cancelamento (tool), processar o cancelamento (tool), e enviar confirmacao por email (tool). Tudo autonomamente.

2

Agente vs Automacao: quando usar

O que e:

Entender quando automacao tradicional (if-then) e suficiente vs quando agente autonomo e necessario. Sao abordagens complementares, nao substitutas.

Por que aprender:

Usar agente para tudo e overkill e caro. Saber escolher otimiza custo, complexidade e manutencao do sistema.

Conceitos-chave:

Rule-based vs AI, Complexity threshold, Cost-benefit, Use case analysis.

Use Automacao Tradicional quando:

- Fluxo e previsivel e linear
- Regras sao claras e finitas
- Inputs sao estruturados
- Custo de erro e baixo

Use Agente quando:

- Decisoes dependem de contexto
- Inputs sao linguagem natural
- Multiplas ferramentas podem ser necessarias
- Fluxo nao e previsivel

3

Criando seu primeiro agente

O que e:

Implementar um agente basico no Make: LLM com system prompt definindo comportamento, ferramentas conectadas, e loop de decisao para execucao.

Por que aprender:

Pratica fundamental. O primeiro agente funcional ensina conceitos na pratica e serve como base para projetos mais complexos.

Conceitos-chave:

Agent setup, System prompt, Tool definition, Action loop.

System Prompt do Agente

Voce e um agente de atendimento ao cliente.

Seu objetivo: Resolver solicitacoes do cliente de forma autonoma.

Ferramentas disponiveis:
- buscar_cliente(email): Retorna dados do cliente
- verificar_pedido(id): Retorna status do pedido
- criar_ticket(assunto, descricao): Cria ticket de suporte
- enviar_email(para, assunto, corpo): Envia email

Regras:
1. Sempre identifique o cliente primeiro
2. Busque informacoes antes de responder
3. Crie ticket apenas se nao conseguir resolver
4. Seja cordial e objetivo

Passo a Passo no Make

Crie webhook para receber mensagens do cliente
Configure modulo OpenAI com system prompt do agente
Habilite function calling com suas tools definidas
Adicione Router para direcionar cada tool
Implemente cada tool como ramo do router
Retorne resultado ao LLM para proxima decisao

4

Ferramentas (Tools) para agentes

O que e:

Definir funcoes que o agente pode chamar: buscar dados, enviar email, criar registro. Tools sao os "bracos" do agente - permitem acao no mundo real.

Por que aprender:

Agente sem tools apenas pensa mas nao age. Tools transformam raciocinio em acao concreta e resultados tangíveis.

Conceitos-chave:

Function calling, Tool definition, Parameter schema, Tool execution.

Definicao de Tool (JSON Schema)

{
  "name": "buscar_cliente",
  "description": "Busca informacoes de um cliente pelo email",
  "parameters": {
    "type": "object",
    "properties": {
      "email": {
        "type": "string",
        "description": "Email do cliente a buscar"
      }
    },
    "required": ["email"]
  }
}

Exemplos de Tools Comuns

1. Buscar dados: Consultar banco de dados, API externa, planilha
2. Criar registros: Adicionar lead, criar ticket, registrar pedido
3. Comunicar: Enviar email, SMS, mensagem WhatsApp
4. Calcular: Preco, desconto, prazo de entrega
5. Agendar: Criar evento, reservar horario, marcar reuniao

5

Memoria e contexto

O que e:

Sistemas para agente lembrar conversas anteriores e informacoes importantes. Inclui memoria de curto prazo (sessao) e longo prazo (persistente).

Por que aprender:

Agente sem memoria trata cada interacao como nova. Memoria permite continuidade, personalizacao e contexto historico.

Conceitos-chave:

Conversation memory, Vector memory, Context window, Memory retrieval.

Memoria de Curto Prazo

O que: Historico da conversa atual
Onde: Context window do LLM
Limite: Tokens do modelo
Uso: Manter contexto da sessao

Memoria de Longo Prazo

O que: Informacoes persistentes
Onde: Vector DB (Pinecone, Weaviate)
Limite: Armazenamento do DB
Uso: Preferencias, historico, conhecimento

Implementacao no Make

Use Airtable ou Google Sheets para memoria simples. Para memoria semantica avancada, use Pinecone: indexe interacoes importantes, busque contexto relevante antes de cada resposta do agente.

6

7 Passos para Agentes Make

O que e:

Framework pratico para construir agentes no Make: definir objetivo, criar tools, configurar LLM, implementar loop de execucao.

Por que aprender:

Framework estruturado acelera desenvolvimento. Evita erros comuns de quem aprende sozinho e garante consistencia.

Conceitos-chave:

Agent framework, Step-by-step build, Best practices, Common patterns.

Os 7 Passos

1 Defina o Objetivo: O que o agente deve realizar? Seja especifico.
2 Liste as Tools: Quais acoes ele precisa executar para atingir o objetivo?
3 Defina o Schema: Parametros de entrada/saida de cada tool.
4 Escreva o System Prompt: Personalidade, regras, limitacoes do agente.
5 Configure o LLM: OpenAI com function calling habilitado.
6 Implemente as Tools: Cada tool como cenario ou ramo no Make.
7 Crie o Loop: Resultado da tool volta ao LLM ate tarefa concluir.

Dicas de Implementacao

- Comece com 2-3 tools e expanda gradualmente
- Limite o numero de loops para evitar custos excessivos
- Logue todas as decisoes para debug
- Adicione fallback para quando agente nao souber o que fazer

Proximo Modulo

3.2 - RAG (Retrieval Augmented Generation)

Continuar