Agentes de IA com LangChain
Um chatbot responde. Um agente resolve. A diferença está em ter ferramentas: um agente consegue consultar seu ERP, abrir um chamado, calcular um valor e responder com o resultado — decidindo sozinho quais passos dar e em que ordem.
É a tecnologia mais mal utilizada do momento, porque é fácil montar uma demonstração impressionante e difícil colocar em produção sem que ela invente resposta. A diferença está na disciplina de arquitetura.
Quando faz sentido
Pergunta que exige buscar em vários lugares
A resposta existe, mas está espalhada em três sistemas e uma planilha — e montar isso à mão leva meia hora.
Atendimento que repete o mesmo roteiro
Perguntas previsíveis, respostas que dependem de dado atualizado. Trabalho que ocupa gente boa em algo que não exige julgamento.
Processo com muitos passos condicionais
Se o cliente é do tipo A, faz isso; se não, aquilo. Fluxo que uma árvore de decisão fixa não cobre bem.
Ferramenta interna para o próprio time
Um agente que a equipe consulta em linguagem natural em vez de abrir cinco telas.
Como fazemos
- 01
Definimos o que o agente pode e não pode fazer
Cada ferramenta é declarada nominalmente. O agente não descobre capacidades no caminho — ele tem um conjunto fechado, e o que está fora dele simplesmente não acontece.
- 02
Separamos leitura de escrita
Consultar é barato e reversível; escrever não. Ação que altera dado passa por confirmação explícita ou por regra determinística, nunca pelo julgamento do modelo sozinho.
- 03
Escrevemos a regra de negócio em código
O modelo interpreta linguagem e escolhe ferramenta. A conclusão de negócio sai de regra explícita, versionada e testável — que você consegue ler e auditar.
- 04
Instrumentamos cada execução
Fica registrado qual ferramenta foi chamada, com quais argumentos e qual foi o retorno. Quando algo sai errado, dá para reconstituir o caminho inteiro.
O que você recebe
- Agente em produção, integrado aos seus sistemas
- Conjunto de ferramentas declarado e documentado
- Regras de negócio explícitas, fora do modelo
- Registro completo de execução para auditoria
- Estratégia de custo por chamada e limite de gasto
Onde já aplicamos
No Toreply.me, um agente decide quais chamadas de API fazer e em que ordem para responder a uma pergunta feita no WhatsApp sobre os dados do próprio ERP do cliente. Na pré-análise de crédito, a IA lê documentos e imagens — e nenhuma conclusão de crédito é gerada por modelo.
Dúvidas sobre agentes de IA
O agente pode inventar resposta?
Pode, se a arquitetura permitir. Por isso separamos os papéis: o modelo interpreta a pergunta e escolhe qual ferramenta chamar, mas o dado vem sempre do sistema de origem, não da memória dele. Quando a informação não existe nas ferramentas disponíveis, a resposta correta é dizer que não sabe — e isso é comportamento que se projeta, não que se torce para acontecer.
Qual a diferença entre agente e chatbot?
Chatbot conversa sobre informação que alguém já preparou. Agente executa: consulta sistemas ao vivo, encadeia passos e devolve o resultado de uma ação. Na prática, chatbot responde "qual é o horário de funcionamento"; agente responde "quanto essa loja vendeu ontem", indo buscar no ERP.
Quanto custa manter um agente rodando?
O custo varia com o volume de chamadas e o modelo usado. Uma prática que adotamos reduz muito essa conta: usar um modelo barato ou uma regra determinística no caminho comum, e reservar o modelo caro para os casos em que o classificador não tem confiança. Foi assim que fizemos a classificação de NCM no Hubfiscal.