Antes de construir um agente de IA, programe as habilidades individuais que ele vai precisar usar. É o que defende Ambarish Majumdar, Marketing Science Partner da Meta, em artigo no Forbes Technology Council, alinhado às práticas de Anthropic e OpenAI.
O que é uma habilidade de IA e por que ela vem antes do agente
Uma habilidade de IA é um componente que faz uma única coisa bem feita, como recuperar informação, resumir um documento, classificar uma solicitação ou validar uma saída. Segundo Majumdar, times costumam começar pelo nível errado: imaginam o agente completo antes de definir as capacidades que ele realmente precisa.
A distinção segue a linha que a Anthropic propõe ao separar workflows, onde modelos e ferramentas seguem caminhos predefinidos, de agentes, onde o modelo determina dinamicamente como cumprir a tarefa. Programar habilidades focadas permite compor comportamento agêntico sem um agente monolítico.
Leia também
Anthropic: Dario Amodei propõe plano em 3 passos para travar o ritmo da IA de fronteira
Majumdar cita a própria experiência na Microsoft, onde trabalhou com medição de relevância de anúncios do Bing Ads. Usando experimentação e análise, problemas amplos como relevância e qualidade de anúncio foram decompostos em componentes mensuráveis e melhoráveis de forma independente. O mesmo princípio se aplica à IA hoje: construir capacidades focadas, testáveis isoladamente, e depois orquestrá-las.
- Habilidade: executa uma tarefa específica com entrada e saída previsíveis
- Agente: decide quais habilidades usar, em que ordem e o que fazer com os resultados
- Workflow: sequência predefinida de modelos e ferramentas, sem decisão dinâmica do modelo
Como desenhar habilidades que trabalham juntas
Uma habilidade útil tem trabalho claro, entradas definidas e saída previsível, e essa saída precisa ser utilizável por outra habilidade. O raciocínio é o mesmo de desenhar uma API: o que ela precisa receber, o que retorna, o que acontece quando falha e se outro componente consegue usar o resultado de forma confiável.
O exemplo do atendimento ao cliente
No suporte ao cliente, uma habilidade identifica o problema do cliente, outra recupera informações da conta, uma terceira propõe uma resolução e uma quarta valida a proposta contra as políticas da empresa. Nenhuma delas precisa ser um agente. Uma camada de orquestração conecta essas habilidades, repassa as saídas relevantes entre elas e permite reutilização em diferentes workflows.
Avaliação fica mais simples com componentes isolados
Quando tudo vive dentro de um único prompt gigante, identificar o que falhou fica muito mais difícil. Com habilidades separadas, cada uma pode ser medida no seu critério: recuperação pela capacidade de encontrar a informação certa, classificação contra exemplos conhecidos e validação pela detecção de erros específicos.
Orquestração é o que torna o sistema agêntico
Um orquestrador que executa cinco habilidades numa sequência predeterminada está apenas rodando um workflow. O sistema começa a se comportar como agente quando o orquestrador examina um resultado intermediário e decide o próximo passo: chamar outra habilidade, tentar de novo, pedir mais informação ao usuário ou acionar uma validação adicional.
A Anthropic descreve um padrão relacionado chamado orquestrador-trabalhadores, em que um modelo central divide dinamicamente o problema em subtarefas, delega a execução e combina os resultados. Com uma biblioteca pequena de habilidades reutilizáveis, esse mesmo princípio suporta diversos workflows, dependendo apenas de como as peças são orquestradas.
Essa arquitetura também dá controle sobre o grau de autonomia. Partes previsíveis do processo podem permanecer determinísticas, enquanto o modelo decide apenas onde o julgamento agrega valor. O sistema inteiro não precisa ser autônomo para se beneficiar de comportamento agêntico.
Mas vale a pergunta: todo sistema precisa de autonomia máxima desde o primeiro dia? Não, segundo o texto. A arquitetura pode evoluir junto com o problema, em vez de começar com agência máxima. Alguns problemas pedem só workflow fixo; poucos justificam autonomia substancial.
Janelas de contexto grandes mudam o desenho das habilidades
Modelos modernos suportam janelas de contexto cada vez maiores, e a tentação é empurrar tudo para frente: histórico da conversa, documentos, instruções e saídas de etapas anteriores. Mas, alerta o artigo de Majumdar, o fato de a informação caber na janela não significa que cada habilidade precise dela.
A engenharia de contexto da Anthropic trata o contexto como um recurso finito que precisa ser curado ativamente. A OpenAI chega a conclusão parecida no relato sobre seu agente interno de dados: o contexto é central para o desempenho do agente, e fornecer menos contexto, porém mais relevante, pode produzir resultados melhores.
Num workflow de seis etapas, a próxima habilidade provavelmente precisa só do pedido original do usuário e da saída da etapa anterior, não de todos os documentos e respostas intermediárias geradas no caminho. Contexto desnecessário consome tokens, aumenta latência e dá ao modelo mais material para processar.
A recomendação prática: trate o contexto como parte da interface da habilidade. Ao desenhá-la, defina não só entradas e saídas, mas também o contexto necessário. O orquestrador mantém o estado mais amplo do workflow e entrega a cada habilidade apenas o relevante; resultados anteriores viram estado estruturado ou resumos concisos, em vez de histórico completo retransmitido.
Atenção: contexto desnecessário consome tokens, pode aumentar a latência e força o modelo a vasculhar mais informação do que precisa. Cada habilidade deve receber apenas o que vai usar.
Separe instruções, estado e conhecimento
Três coisas costumam ser amontoadas num único prompt grande e deveriam ficar separadas: instruções, que definem o que a habilidade deve fazer; estado, que registra o que já aconteceu no workflow atual; e conhecimento, que fornece a informação externa necessária para completar a tarefa.
Manter essa separação deixa os sistemas mais fáceis de manter e depurar. O conhecimento de negócio pode mudar sem redesenhar a habilidade; cada habilidade pode ser avaliada de forma independente; e problemas de orquestração podem ser investigados sem reescrever todas as capacidades subjacentes. Esses limites ficam mais valiosos conforme o sistema cresce.
Comece pelas habilidades, depois adicione agência
A pergunta inicial certa não é "como construímos um agente para este processo?", mas "de quais capacidades este processo realmente precisa?". A partir daí, o caminho é construir essas capacidades como habilidades focadas, definir entradas e saídas, decidir o contexto de cada uma, testá-las independentemente e só então conectá-las.
Na avaliação do Mercado de TI, o argumento conversa diretamente com a realidade de equipes brasileiras brasileiras pressionadas a "colocar agentes em produção": o artigo funciona como um antídoto contra arquiteturas sobredimensionadas. O objetivo não deve ser construir o maior número possível de agentes, mas capacidades de IA confiáveis que possam ser compostas em sistemas mais sofisticados quando o problema exigir.
O artigo foi publicado no Forbes Technology Council, comunidade exclusiva por convite para CIOs, CTOs e executivos de tecnologia. Majumdar atua como Marketing Science Partner na Meta, onde aplica conhecimento em Marketing Science para aprimorar modelos de IA.
| Nível | O que faz | Grau de autonomia |
|---|---|---|
| Habilidade | Executa uma tarefa específica, como recuperar, resumir, classificar ou validar | Nenhum: entrada e saída previsíveis |
| Workflow | Encadeia habilidades em sequência predeterminada | Baixo: caminhos predefinidos |
| Agente | Decide quais habilidades usar, em que ordem e o que fazer com os resultados | Alto: modelo determina dinamicamente como cumprir a tarefa |
Arraste para o lado para ver toda a tabela.
Dica: antes de qualquer framework de agentes, liste as habilidades do processo com entradas, saídas e contexto necessário. Teste cada uma isoladamente e só então orquestre.
Leia também:
Fonte: Forbes Technology Council
