Série Agentes de IA, parte 2 de 3. A primeira parte definiu o que é um agente; esta abre a caixa e examina os componentes de um agente construído sobre um modelo de linguagem.
Como transformar um modelo que prevê a próxima palavra em um sistema que pesquisa, decide e executa tarefas? Essa é a pergunta central da arquitetura de agentes de IA baseados em grandes modelos de linguagem. Um LLM isolado é uma função que recebe texto e devolve texto. Ele não sabe que horas são, não acessa a agenda de ninguém, não lembra da conversa de ontem e não consegue clicar em um botão. Tudo isso precisa ser construído ao redor dele.
Entre 2022 e 2024, uma série de artigos propôs soluções para cada uma dessas lacunas: intercalar raciocínio e ação, ensinar o modelo a chamar ferramentas, dar a ele memória de longo prazo, permitir que planeje e reveja os próprios erros e conectá-lo a fontes de informação externas. Juntas, essas propostas formam o vocabulário básico de quem projeta, avalia ou pesquisa agentes hoje.
Este ensaio percorre esses componentes, apresenta um quadro teórico que tenta organizá-los, discute as limitações apontadas pela literatura e mostra como essas ideias aparecem em fluxos reais de marketing e produção de conteúdo.
O ponto de partida: o modelo de linguagem como controlador
No ensaio sobre Transformers e grandes modelos de linguagem, vimos que esses modelos aprendem tarefas a partir de instruções e exemplos no próprio prompt e que instruções para raciocinar passo a passo podem melhorar o desempenho (Wei et al., 2022). A ideia por trás dos agentes é usar essa capacidade como controlador: o modelo recebe um objetivo, decide o próximo passo, e um programa ao redor executa esse passo e devolve o resultado.
Karpas et al. (2022) formularam cedo uma versão modular dessa ideia, que chamaram de sistemas MRKL. O modelo de linguagem funciona como roteador: em vez de responder tudo sozinho, encaminha cada parte do problema para módulos especializados, como uma calculadora, uma base de dados ou uma API de clima. A motivação era clara: modelos de linguagem são fracos em aritmética exata e não têm informação atualizada, enquanto módulos simbólicos fazem isso bem. É mais um capítulo da aproximação entre IA simbólica e conexionista discutida na série Inteligência Artificial.
Raciocinar e agir: o padrão ReAct
O trabalho mais influente nessa linha é o ReAct, de Yao et al. (2023a). A proposta é intercalar dois tipos de saída do modelo: pensamentos, em que ele raciocina em linguagem natural sobre o que fazer, e ações, que são comandos executados no ambiente, como buscar um termo em uma enciclopédia on-line. O resultado de cada ação, chamado observação, volta para o modelo, que pensa de novo e decide a próxima ação. O ciclo se repete até que o objetivo seja atingido.
Os autores testaram o método em perguntas que exigem combinar informações, em verificação de fatos e em ambientes interativos, como uma loja virtual simulada. Duas conclusões merecem destaque. Primeiro, consultar uma fonte externa durante o raciocínio reduziu problemas de invenção de fatos observados quando o modelo apenas raciocinava sozinho. Segundo, a trilha de pensamentos e ações torna o comportamento mais interpretável: um humano consegue ler por que o agente fez o que fez e onde errou.
A estrutura do ReAct é, na prática, o laço percepção-decisão-ação da definição clássica de agente, discutida na parte 1 desta série, agora implementado com texto.
Uso de ferramentas
Se o agente precisa agir, precisa de ferramentas. Schick et al. (2023) mostraram, com o Toolformer, que um modelo de linguagem pode aprender de forma autossupervisionada quando chamar uma API, qual API chamar e com quais argumentos, a partir de poucas demonstrações de cada ferramenta. Entre as ferramentas testadas estavam uma calculadora, um sistema de perguntas e respostas, um mecanismo de busca, um tradutor e um calendário. O ganho foi maior justamente nas tarefas em que modelos de linguagem costumam falhar, como cálculos e informações dependentes de data.
Em produtos comerciais, o mecanismo mais comum é outro: o desenvolvedor descreve as ferramentas disponíveis (nome, finalidade, parâmetros) e o modelo, ajustado para isso, gera uma chamada estruturada que o sistema executa. O princípio, porém, é o mesmo: o modelo decide, o código ao redor executa.
Protocolos de conexão a ferramentas
Com o crescimento do número de ferramentas, surgiu um problema de engenharia: cada integração entre um assistente e um serviço precisava ser construída sob medida. Em novembro de 2024, a Anthropic apresentou o Model Context Protocol (MCP), um protocolo aberto para padronizar a conexão entre assistentes de IA e fontes de dados ou ferramentas (Anthropic, 2024). A arquitetura é de cliente e servidor: um serviço expõe suas capacidades por meio de um servidor MCP, e qualquer aplicação compatível pode usá-las. Até a redação deste texto, o protocolo havia sido adotado por diferentes empresas e, segundo informações públicas, transferido para uma fundação vinculada à Linux Foundation. Como esse cenário muda rápido, o estudante deve conferir o estado atual na documentação oficial.
Memória, planejamento e reflexão
Memória
Um modelo de linguagem só enxerga o que está na sua janela de contexto. Para tarefas longas ou para lembrar de interações passadas, é preciso memória externa. Packer et al. (2023) propuseram o MemGPT, inspirado na memória virtual dos sistemas operacionais: o próprio modelo decide o que manter no contexto imediato e o que mover para um armazenamento externo, recuperando informações quando necessário.
Planejamento
Yao et al. (2023b) generalizaram a cadeia de pensamento na proposta da árvore de pensamentos. Em vez de seguir uma única linha de raciocínio, o modelo gera várias alternativas, avalia cada uma e pode voltar atrás quando um caminho parece ruim, de forma semelhante às técnicas clássicas de busca. O método melhorou o desempenho em problemas que exigem exploração, como quebra-cabeças matemáticos, ao custo de muito mais chamadas ao modelo.
Reflexão
Shinn et al. (2023) propuseram o Reflexion: depois de uma tentativa, o agente recebe um sinal de sucesso ou fracasso, escreve uma reflexão em linguagem natural sobre o que deu errado e guarda essa reflexão para usá-la na tentativa seguinte. É uma forma de aprendizado por tentativa e erro sem alterar os pesos do modelo.
Recuperação de informação
Lewis et al. (2020) propuseram a geração aumentada por recuperação (RAG), que combina a memória paramétrica do modelo, armazenada nos pesos, com uma memória não paramétrica, um índice de documentos consultado no momento da resposta. Para agentes, o RAG funciona como uma ferramenta de consulta a fontes confiáveis, como o catálogo de uma loja ou a base de conhecimento de uma empresa. A técnica e seus limites serão aprofundados no último ensaio da série Inteligência Artificial.
Um quadro teórico: arquiteturas cognitivas para agentes de linguagem
Com tantas propostas isoladas, faltava uma moldura comum. Sumers et al. (2024) propuseram o quadro CoALA, que aproxima os agentes de linguagem da tradição das arquiteturas cognitivas. O quadro descreve um agente em três dimensões:
- Memória: uma memória de trabalho, para a tarefa atual, e memórias de longo prazo, divididas em episódica (experiências passadas), semântica (conhecimento sobre o mundo) e procedimental (como fazer as coisas, incluindo o próprio código do agente).
- Espaço de ações: ações internas, como raciocinar, recuperar informações da memória e aprender, e ações externas, que afetam o ambiente.
- Ciclo de decisão: a cada passo, o agente propõe, avalia e seleciona uma ação, e então a executa.
O valor do CoALA para um TCC é descritivo. Ele permite comparar sistemas diferentes com as mesmas categorias e identificar o que falta em cada um. A revisão de Wang et al. (2024), já citada na parte 1, oferece uma alternativa compatível, com módulos de perfil, memória, planejamento e ação.
Debate e críticas: limites da arquitetura
As próprias publicações reconhecem limitações importantes. Cada chamada ao modelo tem custo e latência, e técnicas como a árvore de pensamentos multiplicam essas chamadas (Yao et al., 2023b). Erros se acumulam em tarefas longas: uma decisão errada no início contamina as etapas seguintes. Ferramentas ampliam o que o agente pode fazer, mas também o que pode dar errado, porque uma ação executada no mundo nem sempre pode ser desfeita.
Há também uma questão de avaliação. Os resultados de ReAct, Toolformer e Reflexion foram obtidos em conjuntos de teste e ambientes específicos, muitos deles simulados. É prudente tratá-los como evidência de que a abordagem funciona em certas condições, não como garantia de desempenho em tarefas reais. Por fim, Sumers et al. (2024) observam que boa parte das decisões de projeto de agentes ainda é tomada de forma improvisada, sem base teórica clara, o que dificulta comparar e reproduzir resultados.
Aplicação: um agente para produção de conteúdo
Imagine um agente para apoiar o blog de uma loja. Seu objetivo é produzir um rascunho de post sobre um produto. Na linguagem do CoALA, ele teria memória semântica (o catálogo e o manual de marca, consultados por RAG), memória episódica (posts já publicados e seu desempenho) e ações externas (buscar informações no site do fabricante, criar o rascunho no WordPress). O ciclo ReAct guiaria as etapas: pensar no que falta, buscar, observar, escrever, revisar.
Cada componente traz uma decisão de projeto. Que ferramentas o agente pode usar sem pedir autorização? Publicar deve sempre passar por um humano? Que dados de clientes ficam acessíveis na memória? Essa última pergunta remete diretamente às obrigações discutidas no ensaio sobre LGPD no marketing digital. Para quem está começando, os exemplos do post como usar inteligência artificial no seu negócio mostram usos mais simples, sem autonomia, que são um bom primeiro passo.
Para pesquisar: questões e caminhos para TCC
- Que componentes do quadro CoALA estão presentes nas ferramentas de agentes oferecidas a profissionais de marketing no Brasil? Método: análise documental de produtos com grade de categorias.
- Um fluxo com recuperação de documentos da empresa produz textos com menos erros factuais do que o mesmo modelo sem recuperação? Método: experimento controlado com checagem manual de fatos.
- Profissionais confiam mais em agentes que exibem sua trilha de raciocínio e ações? Método: experimento com dois protótipos e escalas de confiança.
- Como desenvolvedores brasileiros decidem quais ações um agente pode executar sem aprovação humana? Método: entrevistas semiestruturadas.
- Quais riscos de privacidade surgem quando agentes têm memória de longo prazo sobre clientes? Método: pesquisa documental e análise jurídica à luz da LGPD.
Palavras-chave de busca: “agentes de IA”, “agentes baseados em modelos de linguagem”, “geração aumentada por recuperação”, “uso de ferramentas”, “arquitetura cognitiva”; em inglês, “LLM-based agents”, “ReAct”, “tool use”, “tool learning”, “retrieval-augmented generation”, “agent memory”, “cognitive architectures for language agents”.
Considerações finais
Um agente baseado em modelo de linguagem é menos um modelo e mais um sistema: um controlador probabilístico cercado de ferramentas, memórias, rotinas de planejamento e conexões com o mundo. Os padrões descritos aqui, como raciocinar e agir em ciclo, chamar ferramentas, guardar e recuperar memória e refletir sobre erros, já têm base experimental, mas ainda carecem de avaliação robusta em tarefas reais.
Na parte 3, que encerra esta série, o foco passa aos sistemas com vários agentes trabalhando juntos, aos agentes generativos que simulam comportamento social e aos riscos e formas de supervisão humana que esse cenário exige.
Referências
ANTHROPIC. Introducing the Model Context Protocol. [S. l.], 25 nov. 2024. Disponível em: https://www.anthropic.com/news/model-context-protocol. Acesso em: 8 out. 2026.
KARPAS, Ehud et al. MRKL systems: a modular, neuro-symbolic architecture that combines large language models, external knowledge sources and discrete reasoning. arXiv, 2022. arXiv:2205.00445.
LEWIS, Patrick et al. Retrieval-augmented generation for knowledge-intensive NLP tasks. In: ADVANCES IN NEURAL INFORMATION PROCESSING SYSTEMS 33, 2020. arXiv:2005.11401.
PACKER, Charles et al. MemGPT: towards LLMs as operating systems. arXiv, 2023. arXiv:2310.08560.
SCHICK, Timo et al. Toolformer: language models can teach themselves to use tools. In: ADVANCES IN NEURAL INFORMATION PROCESSING SYSTEMS 36, 2023. arXiv:2302.04761.
SHINN, Noah et al. Reflexion: language agents with verbal reinforcement learning. In: ADVANCES IN NEURAL INFORMATION PROCESSING SYSTEMS 36, 2023. arXiv:2303.11366.
SUMERS, Theodore R. et al. Cognitive architectures for language agents. Transactions on Machine Learning Research, 2024. arXiv:2309.02427.
WANG, Lei et al. A survey on large language model based autonomous agents. Frontiers of Computer Science, v. 18, n. 6, 2024.
WEI, Jason et al. Chain-of-thought prompting elicits reasoning in large language models. In: ADVANCES IN NEURAL INFORMATION PROCESSING SYSTEMS 35, 2022. arXiv:2201.11903.
YAO, Shunyu et al. ReAct: synergizing reasoning and acting in language models. In: INTERNATIONAL CONFERENCE ON LEARNING REPRESENTATIONS, 2023a. arXiv:2210.03629.
YAO, Shunyu et al. Tree of thoughts: deliberate problem solving with large language models. In: ADVANCES IN NEURAL INFORMATION PROCESSING SYSTEMS 36, 2023b. arXiv:2305.10601.
Como citar este texto
RÚBIO, Mélker. Arquitetura de agentes de IA: raciocínio e ação, ferramentas, memória e recuperação. MR Academy, Novo Progresso, 19 nov. 2026. Disponível em: https://melkerrubio.com/arquiteturas-de-agentes-de-ia-react-ferramentas/. Acesso em: [data do seu acesso].
Quer aprofundar com aulas práticas? Conheça os cursos da MR Academy.