A Trajetória: Chatbot, Assistente e Agente

Para contextualizar o momento atual, vale analisar a evolução da IA generativa em três fases distintas:

Nível	Dinâmica	Capacidade Central	Comportamento no Mundo Real
1. Chatbot (~2023)	Reativa (Prompt Resposta)	Geração probabilística de texto	Responde a perguntas diretas, redige textos e resume conteúdos sem interagir com sistemas externos.
2. AI Assistant (2024–2025)	Assistiva (Apoio ao fluxo de trabalho)	Recuperação de contexto (RAG) e plugins	Sugere ações e complementações dentro do ambiente do usuário, consultando bases de dados sob demanda.
3. AI Agent (2026)	Autônoma (Orientada a objetivos)	Planejamento em etapas, uso de ferramentas e memória	Recebe uma meta complexa, decompõe em subtarefas, opera APIs/terminais e entrega o resultado validado.

A mudança essencial introduzida pelos agentes é a capacidade de operar em loops cognitivos contínuos: Percepção Planejamento Execução de Ferramentas Avaliação de Resultados.

graph LR
    A[Objetivo do Usuário] --> B[Agente Inteligente]
    B --> C{Planejamento & Raciocínio}
    C --> D[Execução de Ferramentas / APIs]
    D --> E[Avaliação do Resultado & Memória]
    E -->|Meta atingida?| F[Conclusão da Tarefa]
    E -->|Reajuste necessário| C

O Ceticismo do Mercado e o Paralelo com a Nuvem

O debate em torno da viabilidade dos agentes segue um roteiro conhecido no setor de tecnologia.

No início dos anos 2000, durante a emergência da computação em nuvem (Cloud Computing), os argumentos céticos eram frequentes: dizia-se que a nuvem era apenas “o computador de outra pessoa”, que empresas consolidadas jamais terceirizariam seus servidores e que a instabilidade de custos inviabilizaria o modelo. Duas décadas depois, a infraestrutura em nuvem sustenta praticamente toda a economia digital.

Com os agentes de IA, a discussão se repete. Argumentos apontando custos computacionais, taxas de erro ou rotulando a tecnologia como “apenas um loop sobre um modelo de linguagem” refletem as dores naturais de um ecossistema em fase de consolidação. O valor prático, contudo, já começa a ser demonstrado em dados e métricas de produção.

Casos Reais: Do Varejo Físico à Escala de 100 Milhões de Usuários

A maturidade dos agentes pode ser observada tanto na aproximação com o usuário final quanto nas arquiteturas corporativas de alta escala.

A Importância do Human-in-the-Loop na Governança

Conferir autonomia a um sistema de software exige salvaguardas claras. Para ações de alto impacto — como movimentações financeiras, alterações em bancos de dados de produção ou comunicações institucionais —, a presença do Human-in-the-Loop (HITL) permanece um requisito fundamental de engenharia.

[Agente: Planeja e Realiza Pré-etapas]
                  │
                  ▼
[Checkpoint Crítico: Aprovação Humana Obrigatória]
                  │
          ┌───────┴───────┐
          ▼               ▼
     [Aprovado]      [Rejeitado / Ajustado]
          │               │
          ▼               ▼
   [Execução Final]  [Replanejamento]

O mecanismo de HITL assegura que o agente execute o trabalho operacional intensivo (triagem, busca de dados e proposição de soluções), mantendo a autoridade de decisão crítica sob supervisão humana.

A Mudança no Papel do Engenheiro de Software

A capacidade dos modelos de gerar código sintático em alta velocidade altera as prioridades da carreira técnica:

O diferencial profissional deixa de ser a memorização de sintaxe e passa a ser a capacidade de projetar arquiteturas de sistemas, modelar fluxos de dados e orquestrar componentes inteligentes.

Entre as competências essenciais para essa nova fase, destacam-se: 1. Engenharia de Contexto: estruturação de dados e histórico para evitar ruídos e manter a fidelidade das respostas em janelas de atenção limitadas. 2. Integração de Ferramentas (APIs, Protocolos e MCP): padronização de interfaces para conectar agentes a bancos de dados, terminais e serviços corporativos. 3. Observabilidade e Avaliação: monitoramento de trajetórias de execução, contenção de loops e auditoria de decisões tomadas por modelos probabilísticos.

Estudos em IA e os Próximos Passos

Aprofundar esses fundamentos motivou o início dos meus estudos formais em Agentes Inteligentes na FIAP, no primeiro curso superior do país com graduação tecnológica especificamente voltada à Inteligência Artificial.

Aqui no felixruntime, o objetivo é documentar a aplicação prática dessa jornada: desde os blocos fundamentais de raciocínio (como ReAct e Plan-and-Solve) até implementações locais em hardware dedicado.

Nos próximos artigos desta série, abordaremos: - Anatomia dos Agentes: o ciclo de percepção, planejamento e memória em detalhes. - Comparativo de Frameworks: cenários de uso para LangGraph, CrewAI e padrões nativos. - Construção de Agentes com MCP: conectando ferramentas com o Model Context Protocol.

Ao explorar novos paradigmas tecnológicos, é prudente lembrar que soluções consolidadas de engenharia continuam indispensáveis para a maioria dos problemas de negócio. Essa postura reflete a filosofia japonesa do Onko Chishin (温故知新): estudar e respeitar os fundamentos do passado para compreender e construir o novo.

Acompanhe as próximas publicações por aqui e fique à vontade para se conectar pelo GitHub.

📚 Índice da Série: Fullstack Open

Esta postagem serve como o hub central da minha jornada no curso Fullstack Open. Abaixo, os módulos que compõem a série (os links serão adicionados conforme eu for completando e postando):

• Part 0: Fundamentos de Aplicações Web
• Part 1: Introdução ao React
• Part 2: Comunicando com o Servidor
• Part 3: Programação no backend com Node.js e Express
• Part 4: Testando aplicações Express, administração de usuários
• Part 5: Testando aplicações React
• Part 6: Gerenciamento de estado avançado
• Part 7: React router, custom hooks, estilização da aplicação e webpack
• Part 8: GraphQL
• Part 9: TypeScript
• Part 10: React Native
• Part 11: CI/CD
• Part 12: Containers (Docker)
• Part 13: Bancos de dados relacionais

O que você encontra aqui

• Home — uma visão rápida do meu foco em dados e inteligência artificial
• Projetos — Sinapse API, Pi Council, Iris KNN Optimization e o que vier a seguir
• Blog — notas técnicas, experimentos e reflexões sobre o caminho

Venho da 42 São Paulo (C e Linux), curso Tecnólogo em Agentes Inteligentes na FIAP e busco estágio em dados ou machine learning. Quero usar este espaço para documentar o processo — de APIs na AWS a agentes locais no Raspberry Pi.

Se quiser conversar ou ver o código, estou no GitHub e em felixruntime.lab@gmail.com.