Issuu

CONSTRUINDO SISTEMAS DE IA AGÊNTICA GPT/LLMS ■ INTELIGÊNCIA ARTIFICIAL ■ MACHINE LEARNING ■ DEEP LEARNING ■ DATA SCIENCE

O que você vai encontrar: • Fundamentos da IA generativa: VAEs, GANs e modelos autorregressivos • Princípios dos sistemas agênticos: autonomia, reatividade e proatividade • Reflexão, planejamento e uso de ferramentas pelos agentes • Colaboração multiagente com o modelo Coordenador–Trabalhador–Delegador • Confiança, segurança e ética, com casos de uso reais

Conheça mais livros em:

tech .

Capa Packt - BISWAS - Construindo sistemas de IA agêntica 16x23.indd Todas as páginas

. com.br

“Diferentemente de outros livros, focados na teoria, esta obra enfatiza a implementação no mundo real, com exemplos de código, casos de uso e orientação passo a passo.”

Prefácio PARTE 1: FUNDAMENTOS DE IA GENERATIVA

E SISTEMAS AGÊNTICOS 1. Fundamentos de IA generativa 2. Princípios de sistemas agênticos 3. Componentes essenciais de agentes inteligentes PARTE 2: P ROJETANDO E IMPLEMENTANDO

AGENTES BASEADOS EM IA GENERATIVA

— Dr. Alex Acero, membro da National Academy of Engineering e IEEE Fellow

4. Reflexão e introspecção em agentes

Anjanava Biswas

é arquiteto sênior de soluções em IA, com mais de 17 anos de experiência em machine learning, IA generativa, PLN e nuvem. Fellow do BCS, do IET e do IETE e senior member do IEEE, publicou pesquisas e contribui com projetos open source. Já atuou na IBM e na Oracle.

Wrick Talukdar

é líder de tecnologia em IA generativa na Amazon, com mais de duas décadas em IA, nuvem e liderança de produto. Senior member e Chair do IEEE, é referência em IA generativa, multimodalidade, PLN e visão computacional, e palestrante em conferências internacionais.

Construindo sistemas de IA agêntica

Os sistemas de IA deixaram de apenas gerar texto para agir: raciocinar, planejar, usar ferramentas e decidir com autonomia. Este guia prático mostra como projetar, construir e implantar agentes de IA generativa capazes de refletir, adaptar-se e colaborar. Dos fundamentos (VAEs, GANs, modelos autorregressivos) às técnicas de planejamento e colaboração multiagente, com exemplos de código e casos reais – sem descuidar de confiança, segurança e ética. Ideal para desenvolvedores, engenheiros de ML, pesquisadores e líderes técnicos que querem ir além da teoria e criar agentes autônomos e confiáveis.

SUMÁRIO

BISWAS ·TALUKDAR

CONHEÇA OUTROS TÍTULOS SOBRE PROGRAMAÇÃO E INTELIGÊNCIA ARTIFICIAL

5. Habilitando o uso de ferramentas e planejamento

em agentes 6. Explorando a abordagem coordenador, executor

e delegador 7. Técnicas eficazes de projeto de sistemas agênticos

Construindo sistemas de

PARTE 3: C ONFIANÇA, SEGURANÇA, ÉTICA

E APLICAÇÕES 8. Construindo confiança em sistemas de IA generativa 9. Gerenciando segurança e considerações éticas 10. Casos de uso e aplicações comuns

IA agêntica

11. Conclusão e perspectivas futuras

Índice remissivo

Crie agentes de IA inteligentes e autônomos que podem raciocinar, planejar e se adaptar

ANJANAVA BISWAS WRICK TALUKDAR

22/09/2026 15:13

Construindo sistemas de IA agêntica

Sobre a imagem da capa Estrelas azuis e brancas brilham intensamente contra um fundo carmesim de gás reluzente nesta imagem do berçário estelar LH 95, capturada em 3 de julho de 2026 pelo Telescópio Espacial Hubble, da NASA. O LH 95 é uma região na Grande Nuvem de Magalhães, uma galáxia anã que orbita a Via Láctea. Estrelas recém-nascidas de baixa massa vivem ao lado de massivas estrelas gigantes azuis no que é conhecido como uma associação estelar, uma das muitas presentes na Grande Nuvem de Magalhães. Fonte: NASA. Disponível em: https://www.nasa.gov/image-article/ hubble-sees-crimson-cloud-and-stars/

Construindo sistemas de IA agêntica

Crie agentes de IA inteligentes e autônomos que podem raciocinar, planejar e se adaptar

Anjanava Biswas Wrick Talukdar

Construindo sistemas de IA agêntica: crie agentes de IA inteligentes e autônomos que podem raciocinar, planejar e se adaptar Copyright © 2025 Packt Publishing © 2026 Anjanava Biswas, Wrick Talukdar Editora Edgard Blücher Ltda. Publisher Edgard Blücher Editor Eduardo Blücher Coordenação editorial Rafael Fulanetti Coordenação de produção Ana Cristina Garcia Produção editorial Juliana Midori Horie Diagramação Guilherme Salvador Revisão de texto Equipe editorial Capa Equipe editorial Imagem da capa NASA, ESA, and N. Da Rio (The University of Virginia), G. De Marchi (European Space Agency – ESTEC), and D. Gouliermis (Universitat Heidelberg); Processing: Gladys Kober (NASA/Catholic University of America)

Dados Internacionais de Catalogação na Publicação (CIP) Heytor Diniz Teixeira, CRB-8/10570

Rua Pedroso Alvarenga, 1245, 4 andar o

04531-934 – São Paulo – SP – Brasil Tel.: 55 11 3078-5366 contato@blucher.com.br

www.blucher.com.br

Segundo o Novo Acordo Ortográfico, conforme 6. ed. do Vocabulário Ortográfico da Língua Portuguesa, Academia Brasileira de Letras, julho de 2021.

É proibida a reprodução total ou parcial por quaisquer meios sem autorização escrita da editora.

Biswas, Anjanava Construindo sistemas de IA agêntica : crie agentes de IA inteligentes e autônomos que podem raciocinar, planejar e se adaptar / Anjanava Biswas, Wrick Talukdar. – São Paulo : Blucher, 2026. 294 p. : il. Bibliografia ISBN 978-85-212-3307-7 (Impresso) ISBN 978-85-212-3308-4 (Eletrônico – Epub) ISBN 978-85-212-3305-3 (Eletrônico – PDF) Título original: Building Agentic AI Systems: Create intelligent, autonomous AI agents that can reason, plan, and adapt 1. Inteligência artificial (IA). 2. IA generativa. 3. Sistemas agênticos generativos. 4. Autoencoders variacionais. 5. Redes generativas adversariais. 6. Arquiteturas de agentes inteligentes. 7. Desenvolvimento de agentes inteligentes. I. Talukdar, Wrick. II. Título.

CDU 004.8

Índice para catálogo sistemático: 1. Inteligência artificial CDU 004.8

Em memória amorosa de meu pai, cuja influência orientadora molda cada desafio que abraço. À minha mãe, à minha esposa e ao meu filho—este livro existe por causa do seu amor e apoio constante. Aos meus mentores e colegas—obrigado por iluminar o caminho nesta fronteira da IA. Tem sido um privilégio aprender com vocês e compartilhar essa jornada. – Anjanava Biswas

Dedico este livro aos meus pais, ao meu filho, à minha esposa e a todos os que me desejam o bem, cujo apoio inabalável e incentivo constante têm sido a base da minha jornada. A confiança deles em mim transformou desafios em oportunidades e sonhos em conquistas, tornando cada marco ao longo do caminho ainda mais significativo. – Wrick Talukdar

Apresentação

A inteligência artificial sempre foi movida por uma aspiração profunda: criar sistemas que não apenas executem tarefas predefinidas, mas também possam raciocinar, adaptar-se e agir com autonomia. Com a ascensão da IA generativa e de sistemas agênticos, estamos testemunhando um momento transformador, no qual agentes artificiais podem refletir sobre suas experiências, traçar estratégias de forma eficaz e colaborar de maneira fluida. Este livro chega precisamente neste momento crucial, oferecendo uma exploração abrangente deste campo emergente e de grande impacto. Como alguém com décadas de experiência em IA, abrangendo pesquisa fundamental e desenvolvimento de produto como líder técnico na Microsoft Research e em startups de IA apoiadas por capital de risco, estive profundamente envolvido em pesquisa de IA de alto impacto e na implantação de produtórios de IA em larga escala que atendem a milhões de usuários, tanto no segmento de consumo quanto no corporativo. Meu envolvimento no IEEE em diversas funções de liderança em IA também me proporcionou uma perspectiva única sobre a importância crítica do avanço ético e responsável da IA. Conheci os autores, Wrick Talukdar e Anjanava Biswas, por meio do nosso trabalho colaborativo em iniciativas globais de IA do IEEE. Sua ampla expertise, demonstrada por suas funções técnicas de alto impacto na AWS, trabalho em IA e ML, bem como sua pesquisa acadêmica em IA, é muito impressionante. Tanto Anjanava quanto Wrick são líderes reconhecidos em IA generativa, trazendo expertise de classe mundial, dedicação e insights profundos oriundos de arquitetar, desenvolver e implantar plataformas de IA de ponta em escala global. Sua rica compreensão das complexidades técnicas e das considerações éticas os qualifica de forma única para escrever este importante livro. Organizado em três partes, o livro inicialmente estabelece uma base teórica sólida ao definir e desmistificar claramente a IA generativa e as características essenciais de sistemas agênticos.

viii

Construindo sistemas de IA agêntica

Os leitores são guiados por conceitos centrais, de autoencoders variacionais e redes generativas adversariais a arquiteturas sofisticadas de agentes, permitindo que tanto iniciantes quanto profissionais experientes naveguem com confiança por esse cenário complexo. Em sua segunda parte, o livro desloca o foco para técnicas práticas necessárias ao desenvolvimento de agentes inteligentes capazes de autoconsciência, adaptabilidade e tomada de decisão colaborativa. Os capítulos sobre reflexão, introspecção, planejamento e colaboração multiagente fornecem metodologias e insights inestimáveis, capacitando profissionais a projetar sistemas que aprendem dinamicamente e melhoram continuamente. A seção final aborda de forma ponderada as implicações mais amplas da implantação de sistemas agênticos generativos em contextos do mundo real. Ao enfatizar transparência, explicabilidade, segurança e governança ética, este livro ressalta as responsabilidades essenciais associadas a tecnologias avançadas de IA. Ele fornece uma estrutura crítica para fomentar a confiança e garantir que essas poderosas ferramentas estejam alinhadas com valores sociais e padrões éticos. Mais do que uma referência técnica, este livro serve como um guia essencial para moldar o futuro da IA generativa e de agentes inteligentes. Ele convida pesquisadores, líderes do setor de atuação (indústria) e inovadores a participar ativamente da elaboração do próximo Capítulo da IA, que avance de forma responsável as fronteiras tecnológicas enquanto enriquece a sociedade. Endosso plenamente este trabalho oportuno e perspicaz. Encorajo você a se aprofundar nos capítulos que se seguem, assumindo seu papel de colaborador ativo na fronteira empolgante e em constante evolução da inteligência artificial.

Matthew R. Scott, Diretor de Tecnologia, Minset.ai Primavera de 2025

O mundo foi pego de surpresa quando o ChatGPT foi lançado em novembro de 2022. Foi um momento “aha” — de repente, parecia que você estava conversando com uma pessoa de verdade. As respostas não eram apenas fluentes; eram informativas e úteis. Desde então, a tecnologia evoluiu em um ritmo impressionante, com centenas de milhões de pessoas usando o ChatGPT e sistemas semelhantes como assistentes de escrita ou para encontrar respostas que não são facilmente encontradas por meio de buscas tradicionais na web. No entanto, quando você pede a um assistente humano para reservar uma viagem, ele não apenas fala sobre isso — ele realmente reserva os voos e o hotel. Essa é a essência dos sistemas agênticos. Modelos de linguagem de grande porte (LLMs), como os usados no ChatGPT, podem ser reaproveitados não apenas para gerar texto, mas também para agir — executando tarefas por meio da geração de código, chamadas a APIs e interação com serviços web. Assim

Apresentação

como a World Wide Web passou de servir conteúdo estático para permitir aplicativos interativos, os sistemas agentes estão prestes a revolucionar a forma como interagimos com a IA. Ao contrário de outros livros que se concentram principalmente na teoria por trás dos sistemas agênticos, este livro enfatiza a implementação no mundo real. Os autores fornecem exemplos de código práticos, casos de uso práticos e orientações passo a passo sobre como integrar fluxos de trabalho agênticos nas organizações para resolver desafios reais de negócios. Este livro serve como um recurso acessível e, ao mesmo tempo, abrangente para desenvolvedores de software, engenheiros de ML, líderes técnicos, diretores e outros tomadores de decisão que buscam se atualizar sobre sistemas agênticos. Aqueles que já usaram assistentes de IA como o ChatGPT entendem seu valor como assistentes de escrita e programação, em que os usuários validam a saída antes de agir. No entanto, a IA às vezes pode gerar respostas com tanta confiança que os usuários podem, por engano, confiar nelas. Ao contrário dos humanos, que frequentemente atenuam suas afirmações com frases como “Não tenho certeza, mas acho que…”, os sistemas de IA carecem de indicadores de incerteza nativos. Queremos confiar que nossos agentes de IA tomarão as ações corretas e nos perguntarão quando estiverem em dúvida. Este livro aprofunda questões cruciais de confiança, transparência, explicabilidade e confiabilidade, bem como considerações éticas como viés e segurança. Ele descreve como sistemas agênticos podem ser personalizados e tornados sensíveis ao contexto, e como podem planejar e reagir aos resultados de suas ações. Como alguém que trabalha com inteligência artificial há décadas, acredito que este livro será um ótimo recurso para estudantes, pesquisadores e profissionais, traçando um caminho claro em uma era profundamente influenciada por sistemas inteligentes. Conheci Wrick Talukdar pela primeira vez em um painel de conferência do IEEE e fiquei imediatamente impressionado com sua capacidade de fazer a ponte entre teoria e prática. Em Construindo sistemas de IA agêntica, ele e Anjanava Biswas fazem exatamente isso: oferecem um guia prático para o futuro da automação impulsionada por IA. Dr. Alex Acero, Membro da National Academy of Engineering, IEEE Fellow

Colaboradores

Sobre os autores Anjanava Biswas é um arquiteto de soluções sênior, especialista em IA, premiado, com mais de 17 anos de experiência. Com especialização em machine learning, IA generativa, processamento de linguagem natural, deep learning, análise de dados e arquitetura de nuvem, ele faz parcerias com grandes empresas para criar e escalar sistemas de IA avançados em nuvem. Anjanava é amplamente reconhecido por suas contribuições para o campo da IA aplicada. Ele publicou trabalhos de pesquisa em diversos periódicos científicos e contribui ativamente para projetos de IA/ML de código aberto. Seus reconhecimentos profissionais incluem Fellowships na BCS (UK), no IET (UK), no IETE (Índia), e ele é membro sênior do IEEE. Palestrante frequente, Anjanava ocupou cargos-chave em gigantes da indústria, como IBM e Oracle Corp. Natural da Índia, atualmente reside em San Diego, CA, com sua esposa e seu filho, onde continua a inovar e inspirar dentro da comunidade de tecnologia. Gostaria de expressar minha sincera gratidão a todos que me acompanharam nesta jornada de IA generativa. Aos meus colegas, do passado e do presente, que desafiaram meu pensamento e compartilharam do entusiasmo por este campo em rápida evolução—sua colaboração tem sido inestimável. Aos meus mentores, que viram potencial nas minhas ideias e me guiaram com sabedoria e paciência—sua crença em mim tornou este livro possível. Ao meu extraordinário filho, cuja imaginação de onze anos me lembra diariamente que o futuro pertence àqueles que podem sonhá-lo. Suas perguntas me obrigam a transformar a complexidade em clareza—talvez a habilidade mais valiosa na compreensão de IA generativa. E à minha esposa, minha companheira constante em noites longas e momentos de descoberta—sua paciência tem sido a base silenciosa sobre a qual estas ideias foram construídas.

xii

Construindo sistemas de IA agêntica

À minha mãe, cuja sabedoria transcende a tecnologia e cujo incentivo não conhece limites. E ao meu pai, cuja ausência é profundamente sentida, mas cuja influência permanece em cada desafio que escolho aceitar. Sei que você teria virado estas páginas com orgulho. Como Ada Lovelace observou certa vez, “A Máquina Analítica tece padrões algébricos, assim como o tear Jacquard tece flores e folhas.” A IA generativa de hoje continua essa bela interação entre a criatividade humana e a possibilidade computacional—uma dança que tive o privilégio de documentar. Para todos que acreditam que a tecnologia deve elevar nossa humanidade, em vez de diminuí-la— este livro é para vocês. – Anjanava Biswas Wrick Talukdar é um líder visionário de tecnologia em inteligência artificial (IA) generativa na Amazon, com mais de duas décadas de experiência global em IA, computação em nuvem e liderança de produto. Pioneiro em transformação orientada por IA, ele liderou iniciativas de modernização em larga escala que impulsionam o crescimento empresarial e impactam milhões de pessoas em todo o mundo. Ele liderou a produtização de tecnologias de IA/ML premiadas, agora implantadas em escala para empresas da Fortune 500, moldando aplicações de IA no mundo real. Uma figura reconhecida na pesquisa em IA, o trabalho de Wrick em IA generativa, multimodalidade, processamento de linguagem natural e visão computacional é amplamente citado e referenciado na área. Como membro sênior do IEEE, presidente e painelista em múltiplos fóruns do setor de atuação (indústria), ele aconselha comitês globais como CTSoc Industry Forums e NIC, definindo padrões do setor de atuação (indústria) e moldando o papel da IA para o futuro. Ele frequentemente apresenta suas inovações em conferências de destaque como World Technology Summit, IEEE HKN, ICCE, CERAWeek e ADIPEC, conectando pesquisa de ponta a aplicações de IA no mundo real para acelerar a inovação em todo o setor de atuação (indústria). Profundamente ancorado em sua formação em ciência da computação, ele co-preside o IEEE NIC para capacitar jovens profissionais. Como autor e líder de pensamento, ele continua a expandir os limites da IA, inspirando futuros inovadores. Wrick mora na Califórnia com sua família.

Nas palavras de Marian Wright Edelman, “A educação serve para melhorar a vida dos outros e para deixar sua comunidade e o mundo melhores do que você os encontrou.” Sou profundamente grato a todos que me apoiaram, orientaram e inspiraram ao longo desta jornada. À minha família—meus pais, meu filho e minha esposa—sua crença inabalável em mim tem sido o alicerce da minha força.

Colaboradores

xiii

Ao meu filho, cuja curiosidade incessante sobre “no que o papai está trabalhando” me lembrou todos os dias por que a descoberta importa—seu assombro e suas perguntas despertaram ideias quando eu mais precisava delas, e sua imaginação me lembrou das possibilidades ilimitadas que este trabalho pode desbloquear. Você me ensinou que a inspiração muitas vezes vem na forma de uma pergunta simples de alguém que acredita que você pode explicar o universo. Aos meus pais, cujo apoio inabalável, confiança e vontade de compreender um mundo em rápida evolução me lembram que o conhecimento existe para ser compartilhado, não armazenado. Sua crença na aprendizagem ao longo da vida tem sido minha bússola moral, e seu orgulho do meu trabalho tem sido um dos meus maiores motivadores. E à minha esposa, cuja força silenciosa, paciência e constante incentivo tornaram esta jornada não apenas possível, mas significativa. Sua presença durante longas noites, sua fé inabalável diante de cada obstáculo e seu reconforto tranquilizador me deram a clareza para concluir o que comecei. Você tem sido minha âncora e minha inspiração. Para a comunidade de pesquisa em IA—sua busca incansável por inovação continua a me inspirar e a me deixar humilde. Depois de anos escrevendo artigos de pesquisa, artigos técnicos e blogs, escrever meu primeiro livro foi uma experiência transformadora—que me desafiou a traduzir complexidade em clareza e ideias em impacto. E aos meus amigos e às pessoas que me desejam o bem—sua presença em cada desafio transformou obstáculos em marcos. Seja por meio de uma palavra gentil, de um insight compartilhado ou simplesmente estando presente quando mais importava, vocês me lembram que nenhuma jornada é realmente percorrida sozinho. Este livro é um tributo a cada um de vocês. Vocês caminharam comigo, acreditaram na minha visão e ajudaram a moldar cada palavra destas páginas. – Wrick Talukdar

Sobre os revisores Manjit Chakraborty é um líder de tecnologia veterano, com ampla experiência em impulsionar a transformação digital no setor de serviços financeiros. Como arquiteto de soluções corporativas na Amazon Web Services (AWS), ele lidera iniciativas para modernizar sistemas legados e projetar soluções inovadoras nativas em nuvem para as maiores instituições financeiras do mundo. Com um histórico comprovado em arquitetura de negócios e técnica, Manjit se destaca em entregar insights acionáveis por meio de análise orientada por dados. Sua expertise abrange áreas diversas, incluindo migração para a nuvem, estratégias de modernização de mainframe, integrações de sistemas, implantações híbridas, análise de dados e inteligência de negócios. Manjit é um palestrante público muito requisitado, tendo realizado apresentações em inúmeros fóruns técnicos de prestígio. Ele é um autor consagrado e também contribuiu para diversas publicações de tecnologia, compartilhando seu conhecimento e ideias com a comunidade tecnológica em geral. Manjit é um revisor de destaque, avaliando criticamente artigos da indústria e pesquisas acadêmicas regularmente,

xiv

Construindo sistemas de IA agêntica

influenciando significativamente os avanços tecnológicos e o discurso acadêmico. Ele reside na Flórida, nos Estados Unidos.

Martin Yanev é um engenheiro de software altamente qualificado, com quase uma década de experiência em diversos setores, incluindo aeroespacial e tecnologia médica. Ao longo de sua brilhante carreira, Martin se destacou no desenvolvimento e integração de soluções de software de ponta para áreas críticas, como controle de tráfego aéreo e sistemas de cromatografia. Reconhecido como um estimado instrutor e professor de ciência da computação na Fitchburg State University, ele possui um profundo conhecimento de todo o espectro de APIs da OpenAI e demonstra maestria na construção, treinamento e otimização de sistemas de IA. Como autor amplamente reconhecido, Martin compartilha sua experiência para ajudar outros a navegar pelas complexidades do desenvolvimento de IA. Com seu histórico excepcional e conjunto de habilidades multifacetado, Martin continua a impulsionar a inovação e a promover avanços transformadores no campo da engenharia de software.

Sumário

Prefácio xxv

Parte 1: Fundamentos de IA generativa e sistemas agênticos

1 Fundamentos de IA generativa

Introdução à IA generativa

Tipos de modelos de IA generativa

VAEs 5 GANs 6 Modelos autorregressivos e arquitetura Transformer

Agentes de IA baseados em LLMs

Aplicações de IA generativa

Desafios e limitações da IA generativa

Qualidade dos dados e viés

Privacidade de dados

Recursos computacionais 22

xvi

Construindo sistemas de IA agêntica

Implicações éticas e sociais

Generalização e criatividade

Resumo 24 Perguntas 24 Respostas 24 Leitura adicional

Referências 25

2 Princípios de sistemas agênticos

Compreendendo autogovernança, capacidade de agir e autonomia

Autogovernança 28 Capacidade de agir

Autonomia 30 Exemplo de capacidade de agir e autonomia em agentes

Revisão de agentes inteligentes e suas características

Explorando a arquitetura de sistemas agênticos

Arquiteturas deliberativas

Arquiteturas reativas

Arquiteturas híbridas

Compreendendo sistemas multiagentes

Definição e características de SMAs

Mecanismos de interação em SMAs

Resumo 49 Perguntas 49 Respostas 50

3 Componentes essenciais de agentes inteligentes

Representação do conhecimento em agentes inteligentes

Redes semânticas

Quadros 54 Representações baseadas em lógica 55

Sumário xvii

Raciocínio em agentes inteligentes Raciocínio dedutivo Raciocínio indutivo Raciocínio abdutivo

Mecanismos de aprendizado para agentes adaptativos Tomada de decisão e planejamento em sistemas agênticos Função utilitária Algoritmos de planejamento

57 57 59 60

62 63 64 66

Planejamento baseado em grafos 66 Busca heurística 67 Monte Carlo Tree Search 68 Planejamento hierárquico 68 Satisfação de restrições 69

Aprimorando as capacidades de agentes com IA generativa Comece a construir IA agêntica

69 71

Resumo 74 Perguntas 74 Respostas 74

Parte 2: Projetando e implementando agentes baseados em IA generativa

4 Reflexão e introspecção em agentes

A importância da reflexão em agentes

Tomada de decisão aprimorada 80 Adaptação 81 Considerações éticas 82 Interação humano-computador 83

Introspecção em agentes inteligentes Implementando capacidades reflexivas

84 85

Raciocínio tradicional 85 Metarraciocínio 86 Monitoramento de performance 92 Métricas específicas para acompanhar 93

xviii Construindo sistemas de IA agêntica

Como as métricas ajustam o comportamento 93 Alocação de recursos 94 Autoexplicação 95 Transparência 96 Aprendizado e refinamento 98 Engajamento do usuário e colaboração 99 Automodelagem 100 Gerenciamento de metas 101 Atualização de conhecimento 101

Casos de uso e exemplos

102

Chatbots de atendimento ao cliente

102

Agentes de marketing pessoal

103

Sistemas de negociação financeira

104

Agentes de previsão

105

Estratégias de preços no e-commerce

107

Resumo 108 Perguntas 109 Respostas 109

5 Habilitando o uso de ferramentas e planejamento em agentes

111

Compreendendo o conceito de uso de ferramentas por agentes

112

Chamada de ferramentas e funções

113

Definição de ferramentas para agentes

115

Abordagem baseada em framework – usando docstrings 115 Integração direta com LLM 116 Tipos de ferramentas

117

A importância das ferramentas em sistemas agênticos

120

Algoritmos de planejamento para agentes

121

Algoritmos de planejamento menos práticos

122

STRIPS 122 Planejamento com A* 122 GraphPlan 122 Monte Carlo Tree Search (MCTS) 123

Sumário

xix

Algoritmo de planejamento moderadamente prático – FF

123

Algoritmos de planejamento mais práticos

124

Planejamento baseado em LLM 125 HTN 127

Integrando o uso de ferramentas e o planejamento

131

Raciocínio sobre ferramentas

131

Planejamento do uso de ferramentas

133

Explorando implementações práticas

134

Exemplo de CrewAI

134

Exemplo de AutoGen

136

Exemplo de LangGraph

138

Resumo 140 Perguntas 141 Respostas 141

6 Explorando a abordagem coordenador, executor e delegador

143

Compreendendo o Modelo CWD

144

Princípios-chave do Modelo CWD

145

O Modelo CWD para o agente de viagens inteligente

147

Projetando agentes com atribuição de papéis

149

Papéis e responsabilidades de cada agente

152

Comunicação e colaboração entre agentes

158

Comunicação 158 Mecanismo de coordenação

159

Negociação e resolução de conflitos

159

Compartilhamento de conhecimento

160

Implementando a abordagem CWD em sistemas de IA generativa

161

Prompts de sistema e comportamento do agente

161

Formatação de instruções

162

Padrões de interação

163

Resumo 164 Perguntas 164 Respostas 165

Construindo sistemas de IA agêntica

7 Técnicas eficazes de projeto de sistemas agênticos

167

Prompts de sistema focados e instruções para agentes Definindo objetivos Especificações de tarefas Consciência de contexto

Espaços de estados e modelagem do ambiente Representação do espaço de estados Modelagem de ambiente Padrões de integração e interação Monitoramento e adaptação

Arquitetura de memória do agente e gerenciamento de contexto

168 168 169 171

173 173 175 176 179

179

Memória de curto prazo (memória de trabalho) Memória de longo prazo (base de conhecimento) Memória episódica (histórico de interação) Gerenciamento de contexto

180 181 182 183

Integração com a tomada de decisão

185

Processamento sequencial e paralelo em fluxos de trabalho agênticos Processamento sequencial Processamento paralelo Otimização de fluxo de trabalho

186 186 187 188

Resumo 190 Perguntas 190 Respostas 191

Parte 3: Confiança, segurança, ética e aplicações

8 Construindo confiança em sistemas de IA generativa

195

Importância da confiança na IA Técnicas para estabelecer confiança

196 197

Sumário

Transparência e explicabilidade Lidando com incerteza e vieses Comunicação de saída eficaz Controle e consentimento do usuário Desenvolvimento ético e responsabilidade

xxi

197 201 202 203 204

Implementando transparência e explicabilidade 206 Tratamento de incerteza e vieses 207 Resumo 208 Perguntas 209 Respostas 209

9 Gerenciando segurança e considerações éticas

211

Compreendendo riscos e potenciais desafios

212

Ataques adversariais Viés e discriminação Desinformação e alucinações Violações de privacidade de dados Riscos de propriedade intelectual

212 213 215 216 217

Garantindo IA segura e responsável Explorando diretrizes e frameworks éticos

219 223

Design centrado no ser humano Prestação de contas e responsabilidade Privacidade e proteção de dados Envolvimento de stakeholders diversos

223 223 224 224

Abordando preocupações de privacidade e segurança 225 Resumo 226 Perguntas 227 Respostas 227

10 Casos de uso e aplicações comuns

229

Aplicações criativas e artísticas

230

Evolução de agentes criativos e artísticos Aplicações do mundo real

230 231

xxii Construindo sistemas de IA agêntica

Descrição do problema 231 Ambiente e sistemas externos 232 Por que isso é melhor 232

Processamento de linguagem natural e agentes conversacionais Evolução de agentes de linguagem Aplicações do mundo real

233 233 234

Descrição do problema 234 Ambiente e sistemas externos 235 Por que isso é melhor 236

Robótica e sistemas autônomos

236

Evolução de agentes robóticos Aplicações no mundo real

237 237

Descrição do problema 237 Ambiente e sistemas externos 238 Por que isso é melhor 239

Suporte à decisão e otimização Evolução de agentes de apoio à decisão Aplicações do mundo real

240 240 240

Declaração do problema 241 Ambiente e sistemas externos 242 Por que isso é melhor 243

Resumo 244 Perguntas 245 Respostas 245

11 Conclusão e perspectivas futuras

247

Recapitulação dos principais conceitos Tendências emergentes e direções de pesquisa

248 249

Inteligência multimodal – integrando entradas diversas Compreensão avançada de linguagem Aprendizagem baseada na experiência – inovações em Aprendizado por Reforço

249 249

Implicações práticas em diferentes setores

251

Inteligência artificial geral O que torna a AGI diferente O grande desafio

250

251 251 251

Sumário xxiii

Aprendendo a aprender Compreensão do mundo real

252 252

Desafios e oportunidades 253 Resumo 255

Índice remissivo

257

Prefácio

Construindo sistemas de IA agêntica é projetado para fornecer tanto uma base teórica quanto orientações práticas sobre IA generativa e inteligência baseada em agentes. IA generativa e sistemas agênticos estão na vanguarda da próxima onda de IA, impulsionando automação, criatividade e tomada de decisão de maneiras antes inimagináveis. Ao permitir que máquinas gerem texto, imagens e até planos estratégicos enquanto raciocinam e se adaptam de forma autônoma, essas tecnologias estão transformando setores como saúde, finanças e robótica. O livro começa apresentando a IA generativa, abrangendo modelos fundamentais como Autoencoders Variacionais (VAEs), redes generativas adversariais (GANs), e modelos autorregressivos. Exploramos suas aplicações em criação de conteúdo, design e pesquisa científica, ao mesmo tempo que abordamos as limitações e os desafios desses modelos. Em seguida, mergulhamos no mundo dos sistemas agênticos, definindo conceitos como agência, autonomia e colaboração multiagente. Analisamos diferentes arquiteturas de agentes — deliberativas, reativas e híbridas — e exploramos como múltiplos agentes podem interagir, cooperar e se coordenar em direção a objetivos comuns. Com as bases estabelecidas, avançamos para a implementação prática. Exploramos como agentes podem refletir sobre seus próprios processos de raciocínio, planejar e usar ferramentas externas de forma eficaz. Isso inclui técnicas práticas de metarraciocínio, autoexplicação, planejamento estratégico e coordenação multiagente. O livro também apresenta práticas recomendadas para projetar agentes de IA inteligentes e confiáveis, equilibrando autonomia com controle e garantindo um desenvolvimento de IA responsável e ético. Para concluir, examinamos casos de uso e aplicações do mundo real em vários domínios, de NLP e robótica até suporte à decisão e otimização. Também exploramos confiança, transparência, mitigação de viés e segurança em IA — elementos-chave para garantir a confiabilidade de sistemas impulsionados por IA.

xxvi Construindo sistemas de IA agêntica

Ao longo deste livro, você encontrará exemplos de código, exercícios práticos e estratégias de implementação para ajudar a preencher a lacuna entre a teoria e a aplicação no mundo real. Seja você um profissional de IA, pesquisador, engenheiro ou líder de tecnologia, este livro o equipará com as habilidades e o conhecimento para construir agentes de IA autônomos, adaptativos e inteligentes que possam raciocinar, colaborar e evoluir. Vamos embarcar nesta jornada juntos, moldando o futuro dos sistemas inteligentes — um agente de cada vez.

Para quem é este livro Este livro é destinado a profissionais de IA, desenvolvedores, pesquisadores, engenheiros e líderes de tecnologia que desejam compreender e construir agentes impulsionados por IA que apresentem autonomia, adaptabilidade e inteligência. Seja você um desenvolvedor que busca integrar modelos generativos a sistemas inteligentes ou um arquiteto de IA explorando capacidades agênticas avançadas, este livro fornecerá tanto fundamentos teóricos quanto estratégias práticas de implementação.

O que este livro aborda Capítulo 1, Fundamentos de IA generativa, apresenta a IA generativa, explicando seus conceitos centrais, vários tipos de modelos — incluindo VAEs, GANs e modelos autorregressivos —, aplicações no mundo real e desafios como viés, limitações e questões éticas. Capítulo 2, Princípios de Sistemas Agênticos, define sistemas agênticos, abrangendo agência, autonomia e as características essenciais de agentes inteligentes, incluindo reatividade, proatividade e habilidade social. Também explora diferentes arquiteturas de agentes e colaboração multiagente. Capítulo 3, Componentes Essenciais de Agentes Inteligentes, detalha elementos-chave de agentes inteligentes, incluindo representação do conhecimento, raciocínio, mecanismos de aprendizado, tomada de decisão e o papel da IA generativa no aprimoramento das capacidades dos agentes. Capítulo 4, Reflexão e Introspecção em Agentes, explora como agentes inteligentes analisam seu raciocínio, aprendem com a experiência e melhoram a tomada de decisão usando técnicas como metarraciocínio, autoexplicação e automodelagem. Capítulo 5, Habilitando o Uso de Ferramentas e o Planejamento em Agentes, discute como os agentes alavancam ferramentas externas, implementam algoritmos de planejamento e integram o uso de ferramentas com a tomada de decisão estratégica para melhorar a eficiência e o alcance de objetivos. Capítulo 6, Explorando a Abordagem de Coordenador, Executor e Delegador, apresenta o modelo CWD para colaboração multiagente, explicando como os agentes assumem papéis especializados—coordenador, executor ou delegador—para otimizar a execução de tarefas e a alocação de recursos.

Parte 1: Fundamentos de IA generativa e sistemas agênticos Esta parte estabelece os conceitos fundamentais de IA generativa e de sistemas agênticos, fornecendo uma base teórica sólida para a compreensão e o desenvolvimento de agentes inteligentes e autônomos. Esta parte contém os seguintes capítulos: •

Capítulo 1, Fundamentos da IA generativa

•

Capítulo 2, Princípios de sistemas agênticos

•

Capítulo 3, Componentes essenciais de agentes inteligentes

Fundamentos de IA generativa

A IA generativa rapidamente se tornou uma tecnologia transformadora no campo da inteligência artificial (IA) e aprendizado de máquina, revolucionando processos criativos e a resolução de problemas em diversos setores e casos de uso. Ela está expandindo os limites da autonomia em sistemas inteligentes baseados em agentes. Neste capítulo, vamos abordar os fundamentos da IA generativa. Exploraremos o que é IA generativa juntamente com um breve histórico dos modelos de IA generativa. Em seguida, vamos discutir os diferentes tipos de modelos generativos, que incluem autoencoders variacionais (VAEs), redes generativas adversariais (GANs), autoregressivos e modelos transformadores. Em seguida, vamos nos aprofundar nas aplicações de IA generativa e encerrar o capítulo com uma breve discussão sobre algumas das limitações e desafios relacionados à IA generativa. Abordaremos os seguintes tópicos neste capítulo introdutório, que ajudarão a estabelecer as bases da IA generativa à medida que exploramos mais a fundo as capacidades de agentes inteligentes autônomos impulsionados por IA generativa: •

Introdução à IA generativa

•

Tipos de modelos de IA generativa

•

Aplicações da IA generativa

•

Desafios e limitações da IA generativa

Ao final deste capítulo, você terá adquirido uma compreensão abrangente da IA generativa, incluindo seus conceitos fundamentais, aplicações diversas e desafios atuais. Você também conhecerá o potencial e as limitações da tecnologia, com foco especial em seu papel crítico no avanço de agentes inteligentes e sistemas agênticos.

Construindo sistemas de IA agêntica

Introdução à IA generativa IA generativa refere-se a uma classe de tecnologias de IA que é capaz de gerar diversas formas de conteúdo, incluindo, mas não se limitando a, texto, imagens, áudio e vídeo. Esses sistemas de IA podem gerar novo conteúdo, com base em seus dados de treinamento e parâmetros de entrada, que geralmente incluem prompts de texto, mas também podem envolver outras formas de entrada, como imagens. A recente repercussão em torno da IA generativa decorre da simplicidade com que novas interfaces de usuário, impulsionadas por essa tecnologia de IA, podem criar texto, gráficos e vídeos de alta qualidade em segundos. Em termos muito simples, a IA generativa trata de criar novos dados que se parecem com os dados a partir dos quais ela foi treinada. Em outras palavras, aprender os padrões, as estruturas e as distribuições subjacentes dos dados de entrada habilita um procedimento dentro do modelo que lhe permite gerar novos dados de maneira semelhante. Por exemplo, se treinado em um conjunto de dados de rostos humanos, um modelo de IA generativa será capaz de criar rostos completamente novos de pessoas que não existem de fato na vida real, mas que são muito realistas. Em essência, modelos de IA generativa funcionam aprendendo a distribuição de probabilidade de um conjunto de dados e, então, realizando amostragem a partir dessa distribuição para criar novas instâncias. Essa abordagem é diferente dos modelos discriminativos, cujo objetivo é aprender a distinguir classes de dados. Por exemplo, um modelo discriminativo poderia ser treinado para separar imagens de gatos e cães, mas um modelo generativo seria treinado para criar imagens completamente novas de gatos ou cães. O conceito de IA generativa vem de muito tempo; na verdade, remonta à época em que o machine learning estava em sua infância. No entanto, foi apenas recentemente que esse campo veio à tona devido às redes neurais e às melhorias drásticas no poder computacional nos últimos 10 anos. Nas primeiras tentativas de modelagem generativa—modelos de mistura Gaussiana e modelos ocultos de Markov—muitas técnicas estatísticas mais simples estavam envolvidas. Métodos de modelagem de distribuições de dados arbitrariamente complexas têm uma compatibilidade potencial muito maior com os tipos de métodos que anteriormente eram dominantes, mas que recentemente foram superados pelo deep learning. O deep learning foi, portanto, um divisor de águas para o campo da IA generativa. Modelos, como VAEs, que começaram a surgir por volta do início da década de 2010, foram capazes de fazer alavancagem de redes neurais profundas para modelar distribuições de dados mais complexas. Por volta desse mesmo período, GANs foram propostas; pela primeira vez, ofereceram uma nova forma de duas redes neurais trabalharem juntas para criar dados, usando princípios da teoria dos jogos. De modo geral, esses avanços deram saltos em direção às possibilidades de tornar real a criação de dados de alta qualidade e realista. Isso pode levar à inovação na maioria dos campos em diversos setores, como saúde, finanças, educação, viagens e hotelaria, manufatura e mais. A IA generativa nas indústrias criativas ajuda artistas e designers a pensar fora da caixa, auxiliando na concepção de conteúdo novo e inovador. Ela abre caminhos para novas rotas de descoberta de fármacos e medicina personalizada. No mundo dos negócios, a IA generativa atua fornecendo engajamento de clientes eficiente por meio de conteúdo e experiências personalizadas. O outro ponto envolve

Princípios de sistemas agênticos

No Capítulo anterior, apresentamos os fundamentos da IA generativa, aprendemos sobre tipos de modelos de IA generativa e discutimos brevemente agentes de IA alimentados por LLMs. Neste Capítulo, discutiremos os princípios básicos de sistemas agênticos, começando com uma breve discussão sobre o conceito de agência e autonomia, seguida por uma discussão sobre agentes inteligentes e suas características. Também discutiremos várias arquiteturas de sistemas agênticos, bem como sistemas multiagente, sob a ótica do exemplo do assistente de reserva de viagens que discutimos no Capítulo anterior. Os principais tópicos discutidos neste Capítulo são os seguintes: •

Compreendendo autogovernança, capacidade de agir e autonomia

•

Revisão de agentes inteligentes e suas características

•

Explorando a arquitetura de sistemas agênticos

•

Compreendendo sistemas multiagente

Ao final deste Capítulo, você terá uma visão geral dos fundamentos de agentes inteligentes e dos aspectos mais críticos da arquitetura de sistemas orientados a agentes que devem ser considerados ao construir um sistema inteligente orientado a agentes.

Compreendendo autogovernança, capacidade de agir e autonomia O aspecto cativante de sistemas agênticos reside nos intrincados processos de tomada de decisão que empregam, os quais fornecem insights valiosos sobre como as escolhas são otimizadas em contextos específicos. Esses sistemas frequentemente desafiam nossa compreensão convencional de prestação de contas e responsabilidade.

Construindo sistemas de IA agêntica

Sistemas agênticos atuam como a força motriz por trás da inovação e dos avanços tecnológicos em diversas áreas, incluindo robótica, IA e engenharia de sistemas. O desenvolvimento e a implantação desses sistemas catalisaram a exploração e a criação de novas formas de automação e comportamentos inteligentes. Vamos discutir algumas das áreas em que os sistemas agênticos estão avançando: •

Robótica: No campo da robótica, sistemas agênticos abriram caminho para o projeto e implementação de robôs autônomos capazes de navegar em ambientes complexos, executar tarefas intrincadas e se adaptar a condições mutáveis. Esses robôs, equipados com capacidades de tomada de decisão e capacidade de agir, encontraram aplicações em áreas como manufatura, exploração, operações de busca e resgate e saúde. Por exemplo, robôs com comportamento agêntico podem navegar autonomamente por zonas de desastre, avaliar riscos potenciais e tomar decisões para auxiliar nos esforços de resgate, demonstrando comportamento inteligente e adaptativo.

•

IA: Na IA, sistemas agênticos têm sido fundamentais no desenvolvimento de inteligentes agentes e sistemas de suporte à decisão. Esses sistemas alavancam algoritmos avançados, técnicas de machine learning e métodos de representação de conhecimento para analisar dados, raciocinar sobre cenários complexos e fornecer recomendações inteligentes ou capacidades de tomada de decisão automatizada. Sistemas de IA agênticos têm sido aplicados em domínios como finanças, saúde, transporte e marketing, viabilizando processos de tomada de decisão mais eficientes e eficazes.

•

Engenharia de sistemas: Na área da engenharia de sistemas, sistemas agênticos têm facilitado o projeto e a implementação de sistemas complexos, distribuídos e adaptativos. Esses sistemas frequentemente são compostos por múltiplos componentes ou subsistemas em interação, cada um exibindo comportamento agêntico e capacidades de tomada de decisão. Tais sistemas são encontrados em áreas como redes de energia, redes de transporte e sistemas ciberfísicos, onde a tomada de decisão inteligente e autônoma é crucial para a operação eficiente, a alocação de recursos e a tolerância a falhas.

No cerne da ideia de sistemas agênticos estão os conceitos de autogovernança, capacidade de agir e autonomia. Vamos discutir cada um desses conceitos nas seções subsequentes para entender o que são e explorar o papel crítico que desempenham dentro de uma arquitetura de sistema agêntico.

Autogovernança Sistemas agênticos são sistemas artificiais e humanos que possuem autogovernança, adaptabilidade e interação. Autogovernança refere-se à capacidade de um sistema ou entidade de governar ou controlar a si mesmo de forma autônoma, sem direção ou controle externos. No contexto de sistemas agênticos, autogovernança implica que o sistema pode tomar suas próprias decisões, definir seus próprios objetivos e regular seu comportamento com base em suas regras, modelos e algoritmos de tomada de decisão internos. Basicamente, eles operam de acordo com suas regras e estados internos, e executam uma mudança de comportamento,

Componentes essenciais de agentes inteligentes

Neste Capítulo, vamos nos aprofundar nos componentes essenciais que constituem o núcleo de agentes inteligentes. Assim como o corpo humano possui um esqueleto que fornece estrutura e suporte, agentes inteligentes possuem certos elementos fundamentais que lhes permitem se adaptar, agir de forma independente e perseguir objetivos em ambientes complexos. Examinaremos as partes importantes que dão vida aos agentes – como eles representam e armazenam conhecimento, os processos de raciocínio que orientam sua tomada de decisão, os algoritmos que os ajudam a aprender e evoluir, e os mecanismos para escolher as ações corretas a serem tomadas. Você também verá como o empolgante campo de IA generativa pode potencializar esses componentes, conferindo aos agentes capacidades mais poderosas de compreender seu entorno, aprender com experiências e interagir de forma significativa com o mundo ao seu redor. Neste Capítulo, vamos abordar os seguintes tópicos principais: •

Representação do conhecimento em agentes inteligentes

•

Raciocínio em agentes inteligentes

•

Mecanismos de aprendizado para agentes adaptativos

•

Tomada de decisão e planejamento em sistemas agênticos

•

Aprimorando as capacidades de agentes com IA generativa

Ao final deste Capítulo, você entenderá métodos de representação do conhecimento em agentes inteligentes, mecanismos de raciocínio e de aprendizado, tomada de decisão e técnicas de planejamento, além de ter explorado um exemplo de agente aprimorado com IA generativa.

Construindo sistemas de IA agêntica

Representação do conhecimento em agentes inteligentes A capacidade de armazenar e manipular informação é fundamental para qualquer agente inteligente. A representação do conhecimento fornece os mecanismos para codificar a compreensão que um agente tem de seu ambiente em formatos adequados a processos de raciocínio e tomada de decisão. É a forma mais básica de permitir que um agente inteligente construa um modelo de seu ambiente. A representação do conhecimento pode ser formalmente definida como o método de estruturar e organizar dados de tal forma que um agente possa utilizar efetivamente essa informação para tarefas como fazer inferências, resolver problemas e determinar um curso de ação. Há várias abordagens bem estabelecidas de representação do conhecimento, cada uma com seus pontos fortes e aplicações ideais, que discutiremos a seguir.

Redes semânticas As redes semânticas fornecem uma das abordagens mais intuitivas e flexíveis para representar conhecimento em agentes inteligentes. Em sua essência, as redes semânticas são estruturas baseadas em grafo compostas por nós que representam conceitos, entidades, eventos ou estados no mundo. Esses nós são conectados por arestas rotuladas que definem explicitamente as relações semânticas entre os conceitos representados. A simplicidade e, ao mesmo tempo, a expressividade das redes semânticas permitem que elas capturem naturalmente os relacionamentos e as interconexões ricos e diversos que existem em nosso mundo complexo. Por exemplo, um nó que representa o conceito de “cão” poderia ser conectado ao nó “animal” por meio de uma borda de relação “is-a”, indicando que cães são um tipo de animal. Esse mesmo nó “cão” também pode estar conectado a nós de “mamífero,” “domesticado,” “canino” e “animal de estimação” por meio de outros links de relacionamento tipados:

Figura 3.1 – Rede semântica representando as relações “Dog”

Parte 2: Projetando e implementando agentes baseados em IA generativa Esta parte fornece técnicas e abordagens práticas para projetar e implementar sistemas agênticos baseados em IA generativa, permitindo que você crie agentes inteligentes adaptativos, autoconscientes e colaborativos. Esta parte contém os seguintes capítulos: •

Capítulo 4, Reflexão e Introspecção em Agentes

•

Capítulo 5, Habilitando o Uso de Ferramentas e o Planejamento em Agentes

•

Capítulo 6, Explorando a Abordagem de Coordenador, Executor e Delegador

•

Capítulo 7, Técnicas Eficazes de Projeto de Sistemas Agênticos

Reflexão e introspecção em agentes

No Capítulo anterior, apresentamos agentes inteligentes de forma geral, explorando seus comportamentos adaptativos, autônomos e orientados a objetivos que os tornam inestimáveis em diversas aplicações. Examinamos os componentes fundamentais que permitem a esses agentes prosperar em um mundo complexo – percepção, raciocínio e ação. No entanto, a busca por agentes inteligentes que não apenas executem tarefas, mas também melhorem continuamente sua performance, emulando aspectos de uma inteligência semelhante à humana, levou ao surgimento de dois subcampos em desenvolvimento: reflexão e introspecção. Essas disciplinas investigam até que ponto os agentes com capacidades reflexivas podem contribuir para sua habilidade de introspectar seus processos cognitivos, obter insights da experiência e adaptar seu comportamento. Este Capítulo aprofundará a importância da reflexão em agentes inteligentes, explorando diversas metodologias para embedding de funcionalidades reflexivas. Por meio de exemplos do mundo real, exploraremos como esses princípios encontram aplicações práticas em negócios e outros domínios, permitindo que os agentes transcendam a mera execução de tarefas e evoluam rumo a níveis elevados de performance e inteligência. Você também aprenderá técnicas para adicionar características reflexivas aos agentes, como metarraciocínio, autoexplicação e automodelagem, com orientações práticas de implementação. Por fim, concluiremos com exemplos do mundo real de agentes reflexivos em diferentes áreas de negócios, mostrando seus usos práticos e benefícios. Este Capítulo está dividido nas seguintes seções principais: •

A importância da reflexão em agentes

•

Introspecção em agentes inteligentes

Construindo sistemas de IA agêntica

•

Implementando capacidades reflexivas

•

Casos de uso e exemplos

Ao final deste Capítulo, você entenderá como a reflexão e a introspecção ajudam agentes inteligentes a analisar seu raciocínio, aprender com a experiência e adaptar seu comportamento, levando a uma inteligência mais semelhante à humana.

A importância da reflexão em agentes A reflexão em agentes de LLM refere-se à sua capacidade de examinar seus próprios processos de pensamento, avaliar suas ações e ajustar sua abordagem. Como uma pessoa que poderia pensar “isso não funcionou bem, deixe-me tentar de um jeito diferente”, um agente de LLM pode analisar suas próprias saídas, reconhecer quando suas estratégias não são eficazes e modificar seu comportamento de acordo. Aqui estão alguns exemplos: •

Um agente de LLM poderia refletir sobre uma tentativa fracassada de resolver um problema de matemática e escolher um método de solução diferente.

•

Ele poderia reconhecer quando sua resposta não foi útil para um usuário e ajustar seu estilo de comunicação.

•

Ele poderia avaliar se tem informação suficiente para concluir uma tarefa e solicitar mais detalhes, se necessário.

Esse automonitoramento e adaptação tornam os agentes mais eficazes do que sistemas simples de entrada e saída, pois, assim, podem aprender com seus sucessos e fracassos. Essa capacidade tem sido reconhecida como vital para a tomada de decisão aprimorada, a adaptação, a ética e a interação humano-computador, como exploraremos nas seções subsequentes.

Tomada de decisão aprimorada Um agente reflexivo pode reproduzir deliberações passadas e seus resultados, possibilitando uma tomada de decisão mais informada no futuro. Esse comportamento é semelhante à metacognição em humanos, em que “pensar sobre o pensar” controla o aprendizado e a resolução de problemas. Ao refletir sobre seu processo de tomada de decisão, um agente reflexivo pode identificar pontos fortes, fracos e vieses, permitindo-lhe refinar sua abordagem continuamente. Considere um agente reflexivo projetado para auxiliar usuários no planejamento de seus itinerários de viagem. Ao refletir sobre suas recomendações anteriores e o feedback recebido dos usuários, o agente pode identificar padrões e refinar seu processo de tomada de decisão ao longo do tempo. Inicialmente, o agente pode depender de um conjunto de regras e preferências predefinidas para sugerir destinos, acomodações e atividades de viagem com base em fatores como o orçamento do usuário, as datas de viagem e os interesses declarados. No entanto, por meio da reflexão, o agente pode aprender com as escolhas feitas pelos usuários e com seu feedback pós-viagem.

Habilitando o uso de ferramentas e planejamento em agentes No Capítulo anterior, examinamos os conceitos intrincados de reflexão e introspecção em agentes inteligentes. Essas capacidades permitem que os agentes raciocinem sobre seus próprios processos cognitivos, aprendam com experiências e modifiquem dinamicamente seus comportamentos. Um avanço significativo em agentes de IA vem de combinar o modo como os agentes planejam e usam ferramentas. Este Capítulo examina como as ferramentas funcionam, como diferentes algoritmos de planejamento se encaixam e exemplos reais que mostram o quão úteis são na prática. Vamos explorar o conceito de uso de ferramentas por agentes inteligentes que estendem suas capacidades para além da tomada de decisão e da resolução de problemas. Analisaremos diferentes tipos de ferramentas que os agentes podem utilizar, como APIs, bancos de dados e funções de software. Em seguida, nos aprofundaremos em algoritmos de planejamento essenciais para os agentes, incluindo busca em espaço de estados, Aprendizado por Reforço e planejamento por redes hierárquicas de tarefas. Discutiremos integrando o uso de ferramentas e o planejamento, raciocinando sobre as ferramentas disponíveis, avaliando sua adequação com base nos objetivos, selecionando as ferramentas apropriadas e gerando sequências de ações eficientes que fazem alavancagem dessas ferramentas. Este Capítulo está dividido nas seguintes seções principais: •

Compreendendo o conceito de uso de ferramentas em agentes

•

Algoritmos de planejamento para agentes

•

Integrando o uso de ferramentas e o planejamento

•

Explorando implementações práticas

Ao final deste Capítulo, você saberá o que são ferramentas, como podem ser usadas para impulsionar seus sistemas agênticos e como funcionam em conjunto com algoritmos de planejamento.

112 Construindo sistemas de IA agêntica

Compreendendo o conceito de uso de ferramentas por agentes Em essência, o uso de ferramentas por um agente inteligente refere-se à capacidade do agente de LLM de aproveitar recursos externos ou instrumentação para ampliar a funcionalidade inerente do agente e processos de tomada de decisão. Esse conceito vai além da noção tradicional de um agente como uma entidade autocontida (isolada), que depende exclusivamente de seu conhecimento interno (dados de treinamento) e algoritmos. Em vez disso, reconhece o potencial de os agentes transcenderem suas limitações intrínsecas ao aproveitar estrategicamente o poder de ferramentas e sistemas externos. Por exemplo, quando você envia uma consulta (“Como está o tempo?”) para um agente isolado, o modelo tem liberdade para fornecer qualquer resposta inventada ou pode responder que não sabe como consultar o tempo. Nesse caso, o agente dependerá dos dados de treinamento do LLM, que não terão informação atualizada sobre dados meteorológicos em tempo real. Por outro lado, se o agente de LLM tiver acesso a uma ferramenta de consulta meteorológica em tempo real, ele poderá responder à pergunta com precisão. O uso de ferramentas permite que agentes acessem dados em tempo real, executem tarefas especializadas e gerenciem fluxos de trabalho complexos que vão além de seu conhecimento e algoritmos incorporados. Figura 5.1 mostra a diferença entre comportamento isolado versus impulsionado por ferramentas:

Figura 5.1 – Comportamento do agente em isolamento versus com acesso a uma ferramenta

A importância do uso de ferramentas reside em sua capacidade de ampliar o escopo das competências de um agente (e, por sua vez, do LLM que impulsiona o agente), permitindo que ele enfrente desafios complexos do mundo real que podem estar além do alcance de suas capacidades nativas de resolução de problemas. Integrando e orquestrando o uso de diversas ferramentas, um agente pode efetivamente delegar tarefas específicas ou acessar dados e funcionalidades suplementares, melhorando assim sua performance geral e ampliando seu

Explorando a abordagem coordenador, executor e delegador No Capítulo anterior, examinamos os conceitos de uso de ferramentas e planejamento, que estabelecem uma base essencial para que agentes inteligentes aprimorem suas capacidades de resolução de problemas. Exploramos diversos algoritmos de planejamento, incluindo técnicas de busca em espaço de estados e redes hierárquicas de tarefas (HTNs), e analisamos como esses algoritmos podem ser integrados de forma transparente a ferramentas e recursos externos para permitir que os agentes alcancem desempenho ótimo. Com base nessa fundamentação, neste Capítulo, consolidaremos nosso entendimento explorando um poderoso framework organizacional para agentes inteligentes: a abordagem coordinator-worker-delegator (CWD). Este Capítulo está dividido nas seguintes seções principais: •

Compreendendo o Modelo CWD

•

Projetando agentes com atribuições de papéis

•

Comunicação e colaboração entre agentes

•

Implementando a abordagem CWD em sistemas de IA generativa

Ao final deste Capítulo, você terá um entendimento abrangente de como projetar e implementar sistemas multiagentes usando a abordagem CWD. Você saberá como atribuir papéis de forma eficaz a diferentes agentes, estabelecer protocolos de comunicação robustos entre eles e orquestrar suas interações para enfrentar problemas complexos.

144 Construindo sistemas de IA agêntica

Compreendendo o Modelo CWD O Modelo CWD é um framework abrangente projetado para facilitar o desenvolvimento de sistemas multiagente, enfatizando colaboração, especialização e distribuição eficaz de tarefas e gerenciamento de recursos. Assim como as organizações humanas se beneficiam de uma delegação clara de papéis e de estruturas hierárquicas, agentes inteligentes podem alcançar maior eficácia por meio de uma divisão criteriosa do trabalho. O framework CWD, conforme mostrado na Figura 6.1, inspira-se na psicologia organizacional e na teoria de gestão, adaptando princípios comprovados de coordenação humana ao campo de agentes inteligentes. Essa abordagem é particularmente valiosa à medida que os sistemas de agentes crescem em complexidade e precisam lidar com tarefas cada vez mais intrincadas que exigem múltiplas capacidades especializadas atuando em conjunto. Esse modelo é particularmente adequado para ambientes em que agentes autônomos devem colaborar para alcançar objetivos complexos que podem estar além das capacidades de um único agente.

Figura 6.1 – O Modelo CWD

O Modelo CWD estabelece três papéis distintos que trabalham juntos para executar tarefas complexas: •

Coordenadores: Coordenadores são agentes responsáveis por gerenciar tarefas, recursos e o fluxo de trabalho geral do sistema. Suas principais responsabilidades incluem facilitar o monitoramento do progresso, atribuir tarefas aos agentes apropriados e permitir uma colaboração eficaz entre os trabalhadores. Coordenadores desempenham um papel crucial ao garantir operações contínuas e manter o sistema

Técnicas eficazes de projeto de sistemas agênticos No Capítulo anterior, exploramos o modelo coordinator-worker-delegator (CWD) , uma base robusta para o projeto de sistemas multiagente que enfatiza a cooperação e a divisão do trabalho. Aprofundamos os três papéis distintos – coordenadores, trabalhadores e delegadores – e discutimos os detalhes intrincados de suas interações e contribuições para uma distribuição eficaz de tarefas. Este capítulo começa estabelecendo a importância de prompts de sistema e instruções focadas como a base do comportamento dos agentes. Em seguida, explora os conceitos críticos de representação do espaço de estados e modelagem de ambiente nos quais os agentes operam. O capítulo prossegue examinando arquiteturas de memória de agentes e estratégias de gerenciamento de contexto, essenciais para manter um comportamento coerente dos agentes ao longo das interações. Por fim, aborda padrões avançados de fluxo de trabalho, incluindo abordagens de processamento sequencial e paralelo para sistemas de agentes baseados em LLM. Este capítulo está dividido em quatro seções principais: •

Prompts de sistema direcionados e instruções para agentes

•

Espaços de estados e modelagem do ambiente

•

Arquitetura de memória do agente e gerenciamento de contexto

•

Processamento sequencial e paralelo em workflows orientados a agentes

Ao final deste Capítulo, você terá adquirido uma compreensão abrangente de como projetar sistemas agênticos robustos, escaláveis e eficazes, capazes de lidar com tarefas complexas enquanto mantêm comportamento e performance consistentes.

168 Construindo sistemas de IA agêntica

Prompts de sistema focados e instruções para agentes A instrução focada desempenha um papel crucial em direcionar as ações de um agente inteligente. Ela estabelece o objetivo do agente, suas restrições e o contexto operacional. A clareza e o grau de explicitude dessas instruções frequentemente influenciam de maneira significativa a performance do agente em alcançar suas metas pretendidas.

Definindo objetivos Definir objetivos claros é um aspecto crítico da instrução focada para agentes inteligentes. Objetivos bem definidos servem como a base a partir da qual são derivados as funções e os comportamentos pretendidos de um agente, orientando suas ações e processos de tomada de decisão rumo ao alcance de metas específicas. Para colocar isso em perspectiva, vamos continuar nossa discussão com o exemplo do nosso agente de viagens inteligente colocado em uma função de atendimento ao cliente. O objetivo seria maximizar a satisfação do cliente fornecendo soluções de viagem personalizadas e resolvendo quaisquer dúvidas ou problemas de forma eficaz. Esse objetivo abrangente engloba vários componentes-chave: •

Personalização: O agente de viagens deve adaptar suas recomendações e soluções às preferências, aos orçamentos e aos requisitos exclusivos de cada cliente. Isso envolve coletar informação detalhada sobre os objetivos, interesses e restrições de viagem do cliente e usar esse conhecimento para elaborar roteiros e experiências personalizados.

•

Resolução de problemas: Além de planejar os arranjos de viagem, o agente deve estar preparado para lidar com quaisquer dúvidas, preocupações ou problemas que possam surgir ao longo da jornada do cliente. Isso pode envolver resolver conflitos de reserva, fornecer orientação sobre alertas de viagem ou oferecer soluções alternativas em caso de interrupções ou mudanças nos planos.

•

Comunicação eficaz: Maximizar a satisfação do cliente exige que o agente de viagens se comunique de forma clara e eficaz, garantindo que os clientes entendam as soluções propostas, os trade-offs potenciais e quaisquer detalhes ou recomendações relevantes. A comunicação clara também envolve escuta ativa e interpretação precisa do feedback ou das preocupações dos clientes.

•

Melhoria contínua: Por meio do monitoramento rigoroso dos níveis de satisfação dos clientes e da coleta de feedback, o agente de viagens pode refinar iterativamente suas capacidades e abordagem. Esse ciclo de feedback permite que o agente identifique áreas de melhoria, se adapte às mudanças nas preferências dos clientes ou às tendências do setor de atuação (indústria) e aprimore continuamente a qualidade de suas soluções e de seu serviço.

Ter objetivos bem definidos fornece um índice de referência claro em relação ao qual a performance do agente pode ser avaliada. No caso do agente de viagens inteligente, métricas

Parte 3: Confiança, segurança, ética e aplicações

Esta parte tem como objetivo proporcionar a você uma compreensão abrangente sobre como construir sistemas de IA generativa confiáveis, seguros e éticos, ao mesmo tempo em que explora aplicações do mundo real e direções futuras para a área. Esta parte contém os seguintes capítulos: •

Capítulo 8, Estabelecendo confiança em sistemas de IA generativa

•

Capítulo 9, Gerenciando segurança e considerações éticas

•

Capítulo 10, Casos de uso e aplicações comuns

•

Capítulo 11, Conclusão e perspectivas futuras

Construindo confiança em sistemas de IA generativa

No capítulo anterior, exploramos vários métodos de design que podem orientar de forma eficaz agentes inteligentes rumo a um comportamento desejável, respeitando princípios éticos. Instruções focadas, limites e restrições, e encontrar o equilíbrio adequado entre autonomia e controle são estratégias cruciais para alinhar esses agentes com os valores humanos e mitigar riscos potenciais. Objetivos, tarefas e contextos operacionais claros, por meio de instruções focadas, fornecem um framework bem definido, dentro do qual os agentes podem operar. Limites e restrições atuam como barreiras, impedindo que os agentes se desviem para territórios não intencionais e minimizando os riscos de consequências adversas. Enquanto isso, uma abordagem equilibrada que combina tomada de decisão autônoma com controle humano permite que os agentes exerçam julgamento independente, ao mesmo tempo que permanecem vinculados aos nossos valores e princípios. No entanto, por trás da adoção e aceitação bem-sucedidas de sistemas de IA generativa está um componente crítico: confiança. À medida que essas tecnologias se tornam cada vez mais entrelaçadas com diversos aspectos da sociedade, promover a confiança dos usuários e a confiança será essencial para sua implementação eficaz. Neste capítulo, aprofundaremos a importância da confiança na IA e exploraremos estratégias para alcançá-la. Este capítulo ressalta a importância da confiança como um componente fundamental para fomentar a confiança dos usuários e uma implementação responsável. Ele é dividido em várias seções, cada uma abordando um aspecto diferente da construção de confiança. Abordaremos dois obstáculos significativos – incerteza e vieses – e enfatizaremos a importância da transparência, da explicabilidade e da comunicação clara. Este capítulo está dividido nas seguintes seções principais:

196 Construindo sistemas de IA agêntica

•

Importância da confiança na IA

•

Técnicas para estabelecer confiança

•

Implementando transparência e explicabilidade

•

Tratamento da incerteza e de vieses

Ao final deste capítulo, você saberá como desenvolver sistemas de IA generativa confiáveis que transmitam segurança a usuários e partes interessadas, abrindo caminho para sua adoção ampla e responsável.

Importância da confiança na IA A confiança constitui um ingrediente fundamental para a adoção e aceitação bem-sucedidas de sistemas de IA em geral, incluindo IA generativa. Se os usuários não tiverem confiança no funcionamento interno e nos processos de tomada de decisão dessa nova tecnologia, é bastante duvidoso que estejam dispostos a usar ou confiar em seus resultados. Construir a confiança em sistemas de IA generativa é um passo essencial para conquistar a confiança dos usuários e garantir que seu uso seja amplo, responsável e ético. Considere um cenário em que uma agência de viagens emprega um sistema de IA generativa para ajudar clientes a planejar suas férias. A IA pode sugerir itinerários personalizados, recomendar acomodações e fornecer dicas de viagem com base nas preferências do cliente e em dados históricos. No entanto, se os clientes não confiarem nas recomendações da IA, é improvável que se apoiem em suas sugestões ou compartilhem informação pessoal necessária para personalizar as recomendações. Isso significa que a confiança na IA é multivariada, com fatores relacionados à confiabilidade do sistema, à transparência e à correspondência com as expectativas e valores dos usuários. Os usuários têm mais probabilidade de interagir com um sistema de IA que percebem como confiável, inclusive contribuindo com feedback e compartilhando seus dados para refinar e aprimorar ainda mais a performance e a capacidade do sistema de IA. No exemplo da agência de viagens, os clientes podem estar mais inclinados a confiar nas recomendações da IA se o sistema for transparente sobre seu processo de tomada de decisão, explicando por que destinos ou atividades específicos foram sugeridos com base em suas preferências e históricos de viagens anteriores. Além disso, se as recomendações da IA estiverem alinhadas às expectativas e valores dos clientes, como priorizar experiências ecologicamente corretas ou culturalmente imersivas, isso reforçará ainda mais a confiança no sistema. Onde há uma deficiência de confiança, usuários podem se tornar céticos, resistentes à sua adoção e, em última instância, abusarem ou usarem indevidamente essa tecnologia. No cenário de agência de viagens, se os clientes não confiarem nas recomendações da IA, eles podem ignorar totalmente suas sugestões ou fornecer informação imprecisa, resultando em itinerários subótimos e uma experiência do usuário ruim.

Gerenciando segurança e considerações éticas

No capítulo anterior, exploramos o papel fundamental da confiança na facilitação da adoção e aceitação bem-sucedidas de sistemas de IA generativa. Examinamos maneiras de fomentar a credibilidade, destacando o papel da transparência, da explicabilidade, do tratamento de vieses e incertezas e da comunicação clara das saídas da IA para melhorar a compreensão e a confiança dos usuários. À medida que as tecnologias de IA generativa avançam rapidamente, impulsionadas por imenso interesse e entusiasmo em diversos domínios, das indústrias criativas à saúde, surgiu um senso de urgência para abordar as implicações de segurança e ética desses sistemas. A discussão agora se volta para os potenciais riscos e desafios associados à IA generativa, estratégias para uma implantação segura e responsável, diretrizes éticas e considerações relativas à privacidade e à segurança. As capacidades notáveis dos sistemas de IA generativa despertaram tanto admiração quanto preocupação, evidenciando a necessidade de uma abordagem proativa para mitigar potenciais riscos e assegurar um desenvolvimento e implantação responsáveis. Embora essas tecnologias tenham um imenso potencial para impulsionar a inovação e mudanças positivas, seu uso indevido ou consequências não intencionais podem ter implicações de grande alcance. Este capítulo está dividido nas seguintes seções principais: •

Compreendendo os riscos e desafios potenciais

•

Garantindo uma IA segura e responsável

•

Explorando diretrizes e frameworks éticos

•

Abordando preocupações de privacidade e segurança

Ao final deste Capítulo, você compreenderá os principais riscos e desafios da IA generativa, incluindo desinformação e preocupações com viés, conhecerá estratégias para a implantação

212 Construindo sistemas de IA agêntica

segura e terá adquirido uma compreensão sobre considerações éticas cruciais relacionadas à privacidade e proteção de dados. Você também descobrirá frameworks e diretrizes para o desenvolvimento de IA responsável que equilibram inovação e bem-estar social.

Compreendendo riscos e potenciais desafios O cenário da IA evoluiu significativamente com o surgimento de modelos de linguagem de grande porte (LLMs) que impulsionam tanto a IA generativa quanto sistemas agênticos. Enquanto a IA generativa se concentra principalmente em criar conteúdo com base em prompts e padrões, sistemas agênticos construídos sobre esses mesmos LLMs levam essa capacidade adiante ao incorporar tomada de decisão, planejamento e comportamento orientado a objetivos. Essa combinação de capacidades generativas com agência cria uma sinergia poderosa, porém potencialmente arriscada. Sistemas agênticos fazem alavancagem das capacidades generativas dos LLMs não apenas para produzir conteúdo, mas também para analisar ativamente situações, formular estratégias e agir em direção a objetivos específicos. Isso significa que quaisquer riscos inerentes em sistemas de IA generativa – como vieses, alucinações ou a geração de informação enganosa – tornam-se particularmente críticos quando o sistema é capacitado a agir de forma autônoma ou semiautônoma com base nesse conteúdo gerado. Sistemas de IA generativa são impulsionados por modelos de linguagem massivos que, embora incrivelmente poderosos, também apresentam uma série de vulnerabilidades e riscos. Esses riscos podem ser amplamente classificados nas seguintes áreas principais.

Ataques adversariais Um dos riscos significativos associados a sistemas de IA generativa é sua suscetibilidade a ataques adversariais. Indivíduos mal-intencionados podem explorar falhas nesses sistemas criando entradas ou perturbações cuidadosamente projetadas que corrompem os dados de modo a produzir saídas prejudiciais ou extraem informação confidencial. Esses ataques adversariais podem ter consequências graves, como violações de dados, acesso não autorizado a informação sensível ou a geração de conteúdo malicioso ou enganoso. Quando essas vulnerabilidades se estendem a sistemas agênticos, os riscos tornam-se ainda mais pronunciados, pois esses sistemas não apenas geram respostas, mas também executam ações com base em seu entendimento. Um ataque adversarial a um sistema agêntico poderia, potencialmente, manipular seu processo de tomada de decisão, levando-o a realizar ações prejudiciais ou a fazer escolhas perigosas de forma autônoma. Por exemplo, um sistema agêntico que gerencia operações da cadeia de suprimentos pode ser induzido a tomar decisões de inventário catastróficas, ou um agente de trading pode ser induzido a executar transações financeiras prejudiciais. No setor de viagens, considere um cenário em que um sistema de IA agêntico é usado por uma agência de viagens não apenas para fornecer recomendações de viagem personalizadas, mas também para reservar automaticamente voos, hotéis e atividades. Um ataque adversarial

Casos de uso e aplicações comuns

Com base em nosso exame anterior dos riscos e desafios em sistemas de agentes baseados em LLMs, de ataques adversariais a preocupações éticas, voltamos agora nossa atenção para suas aplicações práticas. Este capítulo explora como os sistemas agênticos estão transformando diversos domínios ao combinar LLMs com comportamento orientado a objetivos e capacidades de tomada de decisão autônoma. Veremos como esses agentes podem compreender o contexto, formular planos e agir para alcançar objetivos específicos, ao mesmo tempo que mantêm interações significativas com humanos. Ao explorar essas aplicações, focaremos em como os agentes alavancam os LLMs não apenas como processadores de linguagem, mas também como motores centrais de raciocínio que possibilitam planejamento e execução sofisticados em diferentes domínios. Isso representa uma mudança fundamental em relação aos sistemas de IA tradicionais, uma vez que esses agentes agora podem adaptar seu comportamento, aprender com interações e operar com níveis crescentes de autonomia, mantendo alinhamento com as intenções humanas. O capítulo começa examinando o impacto transformador dos agentes baseados em LLMs em domínios criativos e artísticos, seguido por seus avanços em processamento de linguagem natural e sistemas conversacionais. Em seguida, aprofunda-se na integração desses agentes em robótica e sistemas autônomos, culminando em seu papel em suporte à decisão e otimização. O capítulo está estruturado em quatro seções principais: •

Aplicações criativas e artísticas

•

Processamento de linguagem natural e agentes conversacionais

•

Robótica e sistemas autônomos

•

Suporte à decisão e otimização

230 Construindo sistemas de IA agêntica

Ao final deste Capítulo, você entenderá como agentes baseados em LLM estão remodelando nossa abordagem à automação e à colaboração humano-IA em diferentes domínios. Esse conhecimento ajudará você a identificar oportunidades para implantar sistemas agênticos em suas próprias áreas, ao mesmo tempo em que se mantém ciente das capacidades e considerações exclusivas que acompanham esses sistemas de IA mais autônomos e interativos.

Aplicações criativas e artísticas A integração de agentes baseados em LLM em áreas criativas marca uma evolução significativa além de ferramentas simples de IA generativa. Esta seção explora como sistemas agênticos estão transformando fluxos de trabalho criativos por meio de sua capacidade de compreender o contexto, manter a direção criativa e colaborar ativamente com artistas humanos. Ao contrário das ferramentas tradicionais de IA que simplesmente geram conteúdo, esses agentes podem engajar-se em diálogos criativos contínuos, adaptar-se a requisitos em mudança e equilibrar simultaneamente múltiplas restrições artísticas e técnicas.

Evolução de agentes criativos e artísticos O desenvolvimento de agentes criativos e artísticos representa uma mudança de paradigma na forma como os sistemas de IA contribuem para o processo criativo. As primeiras ferramentas de IA generativa focavam principalmente em produzir saídas estáticas baseadas em prompts predefinidos, oferecendo interação e adaptabilidade limitadas. Os sistemas agênticos modernos, no entanto, evoluíram para participar ativamente de processos criativos dinâmicos e iterativos. Eles alavancam capacidades avançadas, como retenção de contexto, aprendizado adaptativo e integração multimodal, para atuar como verdadeiros colaboradores, em vez de ferramentas passivas. Esses agentes não apenas geram conteúdo, mas também entendem a intenção artística, refinam as saídas com base em feedback e se alinham à visão dos colaboradores humanos. Essa evolução ressalta uma tendência mais ampla no desenvolvimento de IA, passando da geração estática para sistemas interativos, sensíveis ao contexto e adaptativos, que servem de complemento e aprimoram a criatividade humana de maneiras sem precedentes. As áreas-chave em que os sistemas agênticos estão causando impacto incluem as seguintes: •

Colaboração artística: Agentes que podem auxiliar artistas mantendo um estilo consistente, intenção artística e coerência temática ao longo de múltiplas iterações, viabilizando a integração fluida da criatividade humana com aprimoramentos gerados por IA.

•

Composição musical: Sistemas projetados para compreender e aplicar teoria musical, adaptar-se a diferentes gêneros e colaborar em tempo real com intérpretes ou compositores para criar composições harmoniosas e inovadoras.

•

Escrita e desenvolvimento de narrativas: Agentes que podem cocriar com autores, mantendo a consistência dos personagens, a coerência do enredo e a fluidez narrativa, oferecendo sugestões criativas enquanto preserva a voz única do autor e seu estilo de escrita.

Conclusão e perspectivas futuras

Este capítulo final reúne tudo o que aprendemos neste livro sobre sistemas com tecnologia de IA que podem agir de forma autônoma (sistemas agênticos). Começaremos revisando as principais ideias que abordamos, garantindo que você tenha um entendimento sólido de como esses sistemas funcionam. Em seguida, veremos o que há de novo e empolgante neste campo, explorando novas ideias e pesquisa que podem mudar como pensamos e usamos essas tecnologias. Também falaremos sobre inteligência artificial geral (AGI) – a ideia de criar IA que possa pensar e aprender como os humanos em muitas tarefas diferentes. Embora a AGI permaneça um conceito sem implementação prática até o momento, os atuais sistemas de IA são IA estreita, o que significa que eles se destacam em tarefas específicas, mas carecem de habilidades de raciocínio geral. Apesar de avanços significativos em deep learning e modelos de linguagem de grande porte, a verdadeira AGI exige avanços em raciocínio, adaptabilidade e autoaprendizado além de tarefas predefinidas. Vamos explorar os avanços recentes, os desafios que tornam a AGI difícil de alcançar e quais desenvolvimentos futuros podem nos aproximar dessa visão. Mas com grandes avanços surgem questões importantes. Discutiremos desafios reais, como fazer esses sistemas funcionarem em maior escala, entender como tomam decisões e como podem afetar a sociedade. Ao olhar tanto para os problemas quanto para as oportunidades, você estará melhor preparado para trabalhar com e refletir sobre essas tecnologias. Este capítulo está estruturado em quatro seções principais: •

Recapitulação dos principais conceitos

•

Tendências emergentes e direções de pesquisa

•

Inteligência artificial geral

•

Desafios e oportunidades

248 Construindo sistemas de IA agêntica

Ao final deste Capítulo, você terá uma visão clara de onde os sistemas de IA estão hoje e para onde estão se encaminhando. Você compreenderá tanto o potencial quanto as limitações desses sistemas, o que ajudará você a fazer parte do debate sobre como desenvolver essas tecnologias de forma responsável.

Recapitulação dos principais conceitos Nossa jornada pelo mundo dos agentes de IA começou com os blocos de construção de IA generativa. Aprendemos como esses sistemas podem criar novo conteúdo, de imagens a texto, usando diferentes abordagens como redes generativas adversariais (GANs) e modelos autorregressivos. Esta base nos ajudou a entender não apenas como esses sistemas de IA funcionam, mas também suas limitações atuais. Em seguida, exploramos o que torna um sistema de IA agencial – ou seja, que pode agir por conta própria. Esses sistemas precisam de três capacidades essenciais: devem reagir ao seu ambiente, tomar iniciativa para alcançar objetivos e trabalhar bem com outros agentes. Pense nisso como ensinar um computador a ser ao mesmo tempo independente e um bom integrante de equipe. Em seguida, o livro nos mostrou como esses agentes pensam e tomam decisões. Eles precisam de maneiras de armazenar conhecimento, aprender com a experiência e planejar suas ações. Assim como os humanos usam sua memória e experiências passadas para fazer escolhas, os agentes de IA precisam de capacidades semelhantes para trabalhar de forma eficaz. Um dos aspectos mais interessantes que abordamos foi como os agentes podem pensar sobre suas próprias ações – o que chamamos de reflexão e introspecção. Essa autoconsciência os ajuda a melhorar ao longo do tempo e a tomar melhores decisões. Também aprendemos como os agentes podem usar ferramentas e fazer planos, assim como os humanos usam calculadoras ou fazem listas de tarefas para resolver problemas com mais eficiência. Um framework prático fundamental que apresentamos foi o modelo Coordenador-Executor-Delegador. Essa abordagem divide tarefas entre diferentes tipos de agentes: •

Coordenadores que gerenciam o processo como um todo

•

Executores que lidam com tarefas específicas

•

Delegadores que decidem quem deve fazer o quê

Dedicamos tempo a entender como construir esses sistemas de forma responsável, com foco em confiança e segurança. Isso incluiu garantir que os sistemas de IA possam explicar suas decisões, proteger a privacidade e seguir diretrizes éticas. Essas considerações são cruciais à medida que a IA se torna mais integrada ao nosso dia a dia. Por fim, exploramos aplicações do mundo real em diferentes áreas – desde tarefas criativas, como arte e música, até usos práticos em robótica e sistemas de tomada de decisão. Esses exemplos mostraram como agentes de IA já estão fazendo a diferença em diversos setores.

CONSTRUINDO SISTEMAS DE IA AGÊNTICA GPT/LLMS ■ INTELIGÊNCIA ARTIFICIAL ■ MACHINE LEARNING ■ DEEP LEARNING ■ DATA SCIENCE

Conheça mais livros em:

tech .

Capa Packt - BISWAS - Construindo sistemas de IA agêntica 16x23.indd Todas as páginas

. com.br

“Diferentemente de outros livros, focados na teoria, esta obra enfatiza a implementação no mundo real, com exemplos de código, casos de uso e orientação passo a passo.”

Prefácio PARTE 1: FUNDAMENTOS DE IA GENERATIVA

E SISTEMAS AGÊNTICOS 1. Fundamentos de IA generativa 2. Princípios de sistemas agênticos 3. Componentes essenciais de agentes inteligentes PARTE 2: P ROJETANDO E IMPLEMENTANDO

AGENTES BASEADOS EM IA GENERATIVA

— Dr. Alex Acero, membro da National Academy of Engineering e IEEE Fellow

4. Reflexão e introspecção em agentes

Anjanava Biswas

Wrick Talukdar

Construindo sistemas de IA agêntica

SUMÁRIO

BISWAS ·TALUKDAR

CONHEÇA OUTROS TÍTULOS SOBRE PROGRAMAÇÃO E INTELIGÊNCIA ARTIFICIAL

5. Habilitando o uso de ferramentas e planejamento

em agentes 6. Explorando a abordagem coordenador, executor

e delegador 7. Técnicas eficazes de projeto de sistemas agênticos

Construindo sistemas de

PARTE 3: C ONFIANÇA, SEGURANÇA, ÉTICA

E APLICAÇÕES 8. Construindo confiança em sistemas de IA generativa 9. Gerenciando segurança e considerações éticas 10. Casos de uso e aplicações comuns

IA agêntica

11. Conclusão e perspectivas futuras

Índice remissivo

Crie agentes de IA inteligentes e autônomos que podem raciocinar, planejar e se adaptar

ANJANAVA BISWAS WRICK TALUKDAR

22/09/2026 15:13