---
Tenho conversado com chatbots há dois anos. Na maior parte, eles apenas respondem. Às vezes alucinam uma receita de pizza de cola. Raramente *fazem* alguma coisa.
Na terça-feira passada, vi um agente que construí entrar no meu email, encontrar três faturas não pagas, redigir respostas com links de pagamento e agendar follow-ups para a semana seguinte. Nenhum prompt depois do primeiro. Nenhuma supervisão. Fui tomar café. Funcionou.
Foi o momento em que a ficha caiu: não estamos mais construindo chatbots melhores. Estamos construindo colegas de trabalho que não precisam dormir.
A Armadilha do Chatbot
A parte constrangedora: gastei seis meses engenhando cadeias de prompts elaboradas. "Você é um analista sênior. Primeiro, leia o documento. Depois, extraia métricas-chave. Depois, escreva um resumo. Depois, verifique erros."
Funcionava cerca de 60% das vezes. Os outros 40%? O modelo esquecia a etapa dois, alucinava uma métrica, ou resumia confidentemente um documento que nunca leu. Eu adicionava mais instruções. Ficava pior. Retornos decrescentes clássicos.
O problema não é o modelo. É a arquitetura. Um prompt único é um monólogo. Trabalho real é um diálogo — com você mesmo, com ferramentas, com dados, com outras pessoas.
Entre o Grafo
Tropecei na orquestração baseada em grafos quase por acidente. Um amigo me mandou um repositório no GitHub às 23h com o assunto "isso mudou como penso sobre agentes". Não dormi até às 3h da manhã.
A insight é estupidamente simples: em vez de um grande prompt, você constrói uma máquina de estados. Nós fazem coisas — chamam uma API, consultam um banco de dados, escrevem código, perguntam a um humano. Arestas decidem o que acontece a seguir baseado no que acabou de acontecer. O grafo *lembra* onde está.
Meu primeiro teste real: relatórios de despesas. Odeio relatórios de despesas. Você odeia relatórios de despesas. Todo mundo odeia relatórios de despesas.
Jeito antigo: jogo recibos numa pasta. Pânico trimestral. Entrada manual. Typos. Reembolsos rejeitados.
Jeito novo: encaminho um recibo para um bot no Slack. O grafo acorda. Nó de OCR extrai comerciante, data, valor. Nó de categorização verifica meu histórico — "isso parece jantar com cliente, da última vez você classificou como refeições e entretenimento". Nó de política verifica o limite. Nó de aprovação pinga meu gerente no Slack com um botão de aprovação em um clique. Nó de contabilidade envia para o QuickBooks. Nó final arquiva o PDF.
Três minutos. Zero digitação. Meu gerente aprovou um da fila de táxi no SFO.
A Memória Que Não É um LLM
Aqui está o que ninguém te conta: a parte mais esperta do meu sistema de agentes nem chama um LLM.
É um armazenamento chave-valor com snapshots versionados. Cada nó lê estado, escreve estado. O grafo sabe *por que* tomou uma decisão três passos atrás porque o objeto de estado carrega o recibo. Nada de entupir janela de contexto. Nada de "me lembre o que estávamos fazendo". A memória é apenas... estruturas de dados.
Custo: milissegundos. Zero tokens. Contexto infinito.
Troca: você tem que desenhar o schema. Não pode só "deixar o modelo resolver". Aprendi da pior forma quando meu agente de reservas de viagem tentou guardar um número de passaporte como string, depois como dicionário, depois como lista de dicionários — tudo na mesma execução. O grafo não travou. Só produziu lixo até eu adicionar validação.
Design schema-first parece lento no começo. Depois você percebe que é a única coisa que te deixa debugar *por que* o agente fez algo estúpido na terça-feira passada.
Humano no Loop Não É Bug
A maior mudança de mentalidade: parar *é* uma feature.
Meus primeiros agentes tentavam ser totalmente autônomos. Reservavam o voo errado, mandavam email pro cliente errado, deletavam o banco de dados errado. "Move fast and break things" serve para protótipos. É catastrófico para produção.
Agora todo nó de alto risco tem uma flag `interrupt_before`. O grafo pausa. Me manda uma mensagem no Slack: "Vou enviar este contrato para o jurídico. Confirmo?" Aperto "sim" no celular. Grafo continua.
Isso não é falha de autonomia. É autonomia *calibrada*. O agente faz os 90% — pesquisa, redação, formatação, verificação — e pede os 10% que importam.
Dica pro: torne a mensagem de interrupção acionável. "Confirmar?" é inútil. "Enviar contrato v3 para juridico@empresa.com? Mudanças: teto de responsabilidade aumentado para $500k, prazo estendido para 24 meses. [Sim] [Não] [Editar]" — isso traz resposta em segundos.
Modos de Falha Que Colecionei
Deixa eu te poupar um pouco de dor.
**O loop infinito.** Nó A chama Nó B chama Nó A. Grafo roda até timeout. Correção: adicione contador de passos ao estado. Limite duro: 50 passos. Log quando bater 30.
**A falha silenciosa.** API retorna 500. Nó captura exceção, escreve "erro" no estado, continua. Nós downstream alucinam na string "erro". Correção: nós de erro que *param* o grafo e te alertam. Não deixe erros virarem dados.
**O desvio de contexto.** Workflow de três horas. Usuário muda requisitos no minuto 45. Grafo continua executando plano antigo. Correção: version suas entradas. Verifique em cada nó principal: "o pedido mudou?" Se sim, replaneje.
**A proliferação de ferramentas.** 47 nós. 12 APIs externas. Ninguém entende o fluxo. Correção: visualize o grafo. Imprima. Coloque na parede. Se não consegue explicar em 30 segundos, é complexo demais.
O Que Estou Construindo Em Seguida
Agente de planejamento trimestral. Toda segunda, puxa meu calendário, anotações no Notion, atividade no GitHub, conversas no Slack. Monta um plano semanal rascunhado. Mostra conflitos. Sugere blocos de foco. Aprovo. Ele bloqueia tempo, cria tarefas, recusa reuniões de baixa prioridade.
Agente fiscal. O ano todo. Toda transação categorizada em tempo real. Estimativas trimestrais calculadas automaticamente. Encontra deduções que perco. Pede prorrogação se precisar. (Ainda testando esse. Multas da Receita Federal não são ambiente de debug que eu queira.)
Agente de code review. Não bots de "lgtm". Review real: puxa PR, roda testes, verifica guia de estilo, confirma se tickets batem com implementação, sugere refatorações, *escreve o fix* para issues triviais. Eu faço review do review dele.
Previsões Para 2026
**Agentes substituem dashboards.** Você não vai olhar gráficos. Vai perguntar "por que o churn subiu?" e um agente vai consultar o warehouse, correlacionar com tickets de suporte, checar logs de deploy, e te entregar uma narrativa com evidências. Em 30 segundos.
**Redes de agentes pessoais.** Seu agente de calendário negocia com meu agente de calendário. Nada de emails de ida e volta. Eles acham o horário ideal, reservam salas, pedem almoço considerando restrições alimentares, mandam convites. Você só aparece.
**Marketplaces de agentes.** Não app stores. *Skill* stores. "Instalar skill de declaração de imposto." "Instalar skill de negociação com fornecedores." Skills são grafos compostos com interfaces padronizadas. Você mistura e combina como LEGO.
**A morte de "engenharia de prompt" como cargo.** Vira "arquitetura de agentes". A habilidade não é criar a frase perfeita. É desenhar o grafo certo: onde pausar, o que lembrar, como falhar graciosamente, quando perguntar.
**Regulação chega.** Primeiro processo: "seu agente assinou contrato vinculante em meu nome sem autorização". Precedente: agentes precisam de escopos de delegação explícitos. Trilhas de auditoria viram obrigatórias. Meus snapshots versionados de estado de repente parecem ouro de compliance.
A Verdade Incômoda
Construir agentes é mais difícil que fazer prompts. Você não está escrevendo instruções. Está escrevendo software — com grafos em vez de funções, estado em vez de variáveis, LLMs como *componentes* em vez do sistema todo.
Mas o retorno é assimétrico. Um prompt economiza minutos. Um agente economiza horas, para sempre. O primeiro leva um fim de semana. O décimo leva uma tarde. O centésimo? Você para de contar.
Meu agente de despesas processou 347 recibos desde janeiro. Olhei exatamente três. Todos os três foram edge cases que ele corretamente sinalizou.
Esse é o objetivo. Não "IA faz tudo". IA faz o *chato* tudo. Você faz as coisas interessantes.
---
FAQ
**Preciso saber teoria dos grafos?**
Não. Precisa saber máquinas de estado. Se já construiu um reducer Redux ou store Vuex, já entende. Nós = reducers. Arestas = roteamento de ações. Estado = a store.
**Qual a curva de aprendizado?**
Fim de semana para primeiro agente funcionando. Mês para produção. A parte difícil não é o framework — é aprender a pensar em grafos em vez de prompts.
**Posso usar com modelos locais?**
Sim. O grafo não liga pro LLM que você plugar. Rodei alguns nós num modelo 7B local, outros num modelo grande na nuvem. Otimização de custo é só mais um nó.
**Como debugo um agente rodando?**
Replay. Toda execução gera um trace: inputs, outputs dos nós, mudanças de estado, timing. Você pode rejogar qualquer passo com inputs modificados. É time-travel debugging de graça.
**É só para desenvolvedores?**
Atualmente, sim. Mas builders visuais estão vindo. Daqui seis meses, product managers vão arrastar-e-soltar workflows de agentes. Comece a aprender agora — você vai ser o especialista quando chegarem.
**Qual o maior erro de iniciantes?**
Tentar construir um grafo gigante pra tudo. Construa grafos pequenos, de propósito único. Componha eles. Um grafo que faz despesas *e* viagens *e* calendário é pesadelo. Três grafos que se falam? Mantenível.
**Quanto custa pra rodar?**
Depende das chamadas ao LLM. Meu agente de despesas: ~$0,03 por recibo. Agente fiscal: ~$2/mês. Code review: ~$0,50 por PR. Overhead do grafo é negligenciável — milissegundos de CPU.
**Agentes vão me substituir?**
Agentes substituem *tarefas*. As tarefas que você odeia. As tarefas que te cansam. Você fica com o julgamento, a criatividade, os relacionamentos. A não ser que seu trabalho inteiro seja entrada de dados. Aí sim, talvez atualize o currículo.
Comments (0)
No comments yet. Be the first to comment!
Leave a Comment