Afinal, o que é um agente?

A palavra "agente" virou o "blockchain" de 2026.

Toda startup tem um. Todo SaaS lançou o seu. Todo chatbot com dois tools virou "AI agent". E quando você pergunta o que é, ninguém concorda.

Antes de continuar caindo nesse vácuo de definição, vale parar e responder a pergunta com honestidade técnica:

Afinal, o que é um agente?

Esse artigo é uma síntese pragmática de três leituras que considero as melhores sobre o tema:

• Chip Huyen — Agents
• Anthropic — Building effective agents
• Cedric Chee — The DNA of AI Agents

Os três chegam, por caminhos diferentes, em conclusões muito parecidas. É isso que torna a definição confiável.

A definição mínima

Chip Huyen recupera a definição clássica de Russell & Norvig:

"Anything that can be viewed as perceiving its environment through sensors and acting upon that environment through actuators."

Em português simples: um agente percebe um ambiente e age sobre ele.

Isso é o mínimo. Sem percepção, é só um script. Sem ação, é só um classificador. Sem ambiente, é só um chat de uma rodada.

Quando você troca "sensores" por "input de texto, ferramentas e leitura de arquivos", e "atuadores" por "tool calls que mexem em sistemas reais", você tem a versão moderna: um LLM com olhos e mãos.

Agente não é modelo

Esse é o erro mais comum.

O modelo (GPT-5, Claude Opus 4.7, Gemini) é só o cérebro. Sozinho, ele responde texto e para.

Um agente é:

agente = modelo + ambiente + tools + loop de decisão (+ memória)

Cedric Chee chama isso de "augmented LLM": o modelo base mais retrieval, tools e memória. É o tijolo fundamental — e é o que a Anthropic também aponta como o building block central de qualquer sistema agêntico sério.

Agente vs. workflow (a distinção da Anthropic)

Essa é a parte que mais limpa confusão.

A Anthropic separa dois mundos:

• Workflow: o LLM e as tools são orquestrados por caminhos de código predefinidos.
• Agente: o LLM decide dinamicamente o próximo passo e como usar as tools.

Tradução prática:

• Se quem decide "agora chama o tool X, depois o Y, depois retorna" é o seu código, é um workflow.
• Se quem decide o próximo passo é o modelo, observando o resultado anterior e replanejando, é um agente.

Isso explica por que "agente" virou um espectro, não um botão. Você pode ter:

1. LLM puro — uma resposta, sem tools.
2. LLM aumentado — tools, retrieval, memória, mas sequência fixa.
3. Workflows — múltiplos LLMs orquestrados por código (chaining, routing, parallelization, orchestrator-workers, evaluator-optimizer).
4. Agentes — o modelo controla seu próprio loop.

A Anthropic lista cinco padrões de workflow que cobrem a maior parte dos casos de produção:

• Prompt chaining — saída de um vira entrada do próximo.
• Routing — classifica o input e direciona para um handler especializado.
• Parallelization — tarefas em paralelo (sectioning ou voting).
• Orchestrator-workers — um LLM central delega para workers.
• Evaluator-optimizer — um LLM avalia e refina a saída de outro.

A maior parte do que está em produção hoje é workflow, não agente. E está tudo bem — workflows são mais previsíveis e mais baratos.

O DNA: as quatro peças que aparecem em todas as definições

Cruzando Huyen, Anthropic e Chee, sempre aparecem quatro componentes:

1. Ambiente. O que o agente consegue ver e mexer. Um coding agent vive no filesystem + terminal + Git. Um agente de suporte vive no CRM + base de conhecimento. Sem ambiente, não há agência.

2. Tools. As mãos. Huyen separa em três famílias:

• Augmentação de conhecimento: retrievers, APIs, web search.
• Extensão de capacidade: calculadora, code interpreter, tradutor.
• Write actions: atualizar banco, mandar e-mail, fazer pagamento.

A última família é a que dá medo — e a que mais multiplica o valor.

3. Planejamento. Decompor a tarefa em passos, validar, executar, refletir, corrigir. Cedric Chee defende explicitamente separar isso em papéis: Planner, Evaluator, Executor. Só plano validado executa.

4. Memória. O que sobrevive entre passos e entre sessões. Curto prazo (contexto), médio (scratchpad, working memory) e longo (vector store, arquivos, banco). Sem memória, todo passo recomeça do zero.

Por que erros compõem (a matemática que todo mundo ignora)

Huyen joga uma conta cruel:

Um modelo com 95% de acurácia por passo cai para ~60% em 10 passos.

0.95^10 ≈ 0.598

É por isso que "só plugar mais um tool" raramente resolve. Agentes longos compõem erro de forma exponencial. As três defesas conhecidas são:

• Loops curtos — quanto menos passos, menos chance de cair na cascata.
• Verificação — checar a saída antes de continuar (evaluator, types, testes, lints, human-in-the-loop).
• Idempotência e undo — desfazer barato é melhor que acertar de primeira.

Isso conecta com a outra ideia que escrevi em Agent Harness Engineering na prática: o harness — ambiente, regras, tools, loops de verificação — costuma importar mais que o modelo.

Quando usar agente, quando usar workflow

A regra da Anthropic é desconfortavelmente simples:

Comece simples. Só aumente a complexidade quando o ganho medido justificar.

Tradução:

• Workflow para tarefas bem definidas, passos previsíveis, alto volume, baixo custo de erro acumulado.
• Agente para problemas abertos, em que os passos não podem ser pré-decididos, e onde a flexibilidade compensa o custo extra e o risco.

Na prática:

• "Extrair campos de um PDF e jogar no banco" → workflow.
• "Resolver esse ticket de suporte que veio do nada, com 4 sistemas envolvidos" → talvez agente.
• "Refatorar esse repositório seguindo essa convenção" → agente, com harness forte.

Quase ninguém precisa de um agente onde um workflow resolve. E quase todo mundo está pagando custo de agente para resolver workflow.

A convergência

O ponto mais interessante do Cedric Chee é meta: ele mostra que Anthropic e Huyen, vindo de lugares diferentes, chegam nos mesmos blocos — augmented LLM, tools, memória, planejamento, loops de avaliação. Isso deixou de ser "uma teoria do laboratório X" e virou prática estabelecida.

O que significa, na prática:

• Se você está desenhando um sistema agêntico hoje, pode parar de inventar vocabulário e adotar o que já convergiu.
• Os trade-offs são os mesmos: autonomia × previsibilidade, flexibilidade × custo, abertura × segurança.
• A pergunta não é "vou usar agente?" e sim "onde no espectro de autonomia esse problema vive?"

Resumindo em uma frase

Agente é um LLM que percebe um ambiente, decide dinamicamente o próximo passo, age via tools e fecha o loop com memória e verificação.

Tudo abaixo disso é workflow. Tudo acima disso ainda não existe direito.

Quando alguém te disser que tem um "agente", pergunte três coisas:

1. Quem decide o próximo passo — o código ou o modelo?
2. Quais tools ele tem, e o que elas escrevem no mundo real?
3. Como o sistema verifica que o passo deu certo antes de continuar?

Se as respostas forem vagas, provavelmente é um chatbot com marketing melhor.

---

Leituras-base:

• Chip Huyen — Agents
• Anthropic — Building effective agents
• Cedric Chee — The DNA of AI Agents