Skip to main content

Visão Geral

O Agente LLM é o componente central do Evo AI, atuando como a parte “pensante” da sua aplicação. Ele aproveita o poder de um Large Language Model (LLM) para raciocínio, compreensão de linguagem natural, tomada de decisões, geração de respostas e interação com ferramentas. Diferentemente dos agentes de workflow determinísticos que seguem caminhos de execução predefinidos, o comportamento do Agente LLM é não-determinístico. Ele usa o LLM para interpretar instruções e contexto, decidindo dinamicamente como proceder, quais ferramentas usar (se houver) ou se deve transferir controle para outro agente.
Baseado no Google ADK: Esta implementação segue os padrões estabelecidos pelo Google Agent Development Kit, garantindo compatibilidade e melhores práticas.

Características Principais

Raciocínio Dinâmico

Usa LLMs para interpretação contextual e tomada de decisões inteligentes

Uso de Ferramentas

Integra com APIs, bancos de dados e serviços externos através de tools

Multi-turn

Mantém contexto em conversas longas e complexas

Flexibilidade

Adapta-se a diferentes cenários sem reprogramação

Criando seu Primeiro Agente LLM

Passo a Passo na Plataforma

Vamos criar um agente LLM completo usando a interface do Evo AI:
  1. Na tela principal do Evo AI, clique em “New Agent”
  2. Você será direcionado para o formulário de criação
Clicando em New Agent
Type: Selecione “LLM Agent”Name: Nome único e descritivo
Exemplo: assistente_vendas_tech
Description: Resumo das capacidades (usado por outros agentes)
Exemplo: Especialista em vendas de produtos de tecnologia, 
com foco em notebooks, smartphones e acessórios
Role: Papel específico que o agente desempenhará
Exemplo: Consultor de vendas especializado em tecnologia
Goal: Objetivo principal e mensurável
Exemplo: Ajudar clientes a encontrar produtos tecnológicos 
adequados às suas necessidades e orçamento, maximizando 
a satisfação e conversão de vendas
Formulário de Criação do Agente
API Key: Selecione uma das API Keys já cadastradasModel: Escolha o modelo de IA baseado nas necessidades:
ModeloCaracterísticasMelhor para
GPT-4Raciocínio avançado, criativoTarefas complexas, análise
GPT-3.5-turboRápido, econômicoConversas gerais, suporte
Claude-3-SonnetEquilibrado, seguroAnálise de documentos
Gemini-ProMultimodal, rápidoProcessamento de imagens
Llama2-70bOpen source, customizávelCasos específicos
Recomendação: GPT-4 para agentes de vendas complexos
Instructions: O coração do seu agente - seja específico e claro
# Assistente de Vendas Especializado em Tecnologia

Você é um consultor de vendas experiente e amigável, especializado em produtos de tecnologia.

## Seu processo de atendimento:

1. **Cumprimente** o cliente de forma calorosa e profissional
2. **Identifique necessidades** através de perguntas estratégicas:
   - Que tipo de produto está procurando?
   - Qual o orçamento disponível?
   - Para que finalidade será usado?
   - Há preferências de marca ou especificações?
3. **Analise o perfil** do cliente (iniciante, intermediário, avançado)
4. **Apresente opções** adequadas com justificativas claras
5. **Destaque benefícios** específicos para cada necessidade
6. **Ofereça alternativas** dentro do orçamento
7. **Finalize** com próximos passos claros

## Tom de voz:
- Profissional mas amigável
- Educado e prestativo
- Focado em soluções
- Transparente sobre limitações
- Evite jargões técnicos excessivos

## Diretrizes importantes:
- Sempre pergunte antes de assumir necessidades
- Seja honesto sobre prós e contras dos produtos
- Ofereça opções em diferentes faixas de preço
- Mantenha foco na satisfação do cliente
Seção Agent Settings - Configure funcionalidades avançadas:Para nosso assistente de vendas, recomendamos:✅ Load Memory:
  • Ative para lembrar preferências dos clientes
  • Permite personalização ao longo do tempo
  • Melhora experiência de clientes recorrentes
❌ Preload Memory:
  • Não recomendado inicialmente (alto custo de tokens)
  • Considere apenas para clientes VIP com histórico longo
✅ Planner:
  • Ative para processos de vendas estruturados
  • Ajuda a dividir tarefas complexas (análise + recomendação + fechamento)
  • Melhora organização do atendimento
✅ Load Knowledge:
  • Ative para acesso ao catálogo de produtos
  • Configure tags: produtos, tecnologia, precos
  • Permite respostas atualizadas sobre especificações
✅ Output Schema:
  • Configure para capturar dados estruturados do cliente:
{
  "cliente_nome": {
    "type": "string",
    "description": "Nome do cliente"
  },
  "categoria_interesse": {
    "type": "string", 
    "description": "Categoria de produto de interesse"
  },
  "orcamento_range": {
    "type": "string",
    "description": "Faixa de orçamento (ex: 1000-3000)"
  },
  "urgencia": {
    "type": "string",
    "description": "Nível de urgência: baixa, média, alta"
  },
  "proximos_passos": {
    "type": "array",
    "description": "Lista de ações recomendadas"
  }
}
💡 Dica: Comece com configurações básicas e ajuste conforme necessidade. Monitore custos especialmente com Preload Memory ativado.
  1. Revise todas as configurações cuidadosamente
  2. Clique em “Save” ou “Criar Agente”
  3. Aguarde a confirmação de criação
  4. Seu agente estará disponível na lista de agentes
  5. Status deve aparecer como “Ativo”

Sistemas Multi-Agente (Sub-Agents)

Conceitos Fundamentais

Baseado no Google Agent Development Kit, sistemas multi-agente permitem criar aplicações complexas através da composição de múltiplos agentes especializados.
Função transfer_to_agent: Quando você configura sub-agentes para um agente LLM, automaticamente uma ferramenta transfer_to_agent é disponibilizada. Esta função permite que o agente principal delegue a execução da sessão para um dos seus sub-agentes especializados, transferindo o controle completo da conversa.

Hierarquia de Agentes

Estrutura pai-filho onde agentes coordenam sub-agentes especializados

Agentes de Workflow

Orquestradores que gerenciam fluxo de execução entre sub-agentes

Comunicação

Mecanismos para compartilhar estado e delegar tarefas entre agentes

Especialização

Cada agente foca em uma responsabilidade específica

Configurando Sub-Agentes na Plataforma

Como configurar na interface:
  1. Crie os agentes especializados primeiro:
    • Agente de cumprimentos
    • Agente de qualificação
    • Agente de demonstração
    • Agente de fechamento
  2. Configure o agente coordenador:
    • No formulário do agente principal
    • Seção “Sub-Agents”
    • Selecione os agentes criados anteriormente
    • Defina a ordem de prioridade
  3. Defina as instruções de coordenação:
    # Coordenador de Vendas
    
    Você gerencia uma equipe de especialistas:
    - greeter: Para cumprimentos iniciais
    - qualifier: Para qualificação de leads
    - demo_specialist: Para demonstrações
    - closer: Para fechamento de vendas
    
    Analise cada solicitação e direcione para o especialista adequado usando a função transfer_to_agent.
    
    Exemplo de uso:
    - Para cumprimentos e boas-vindas → transfer_to_agent("greeter")
    - Para qualificar necessidades → transfer_to_agent("qualifier") 
    - Para demonstrar produtos → transfer_to_agent("demo_specialist")
    - Para finalizar vendas → transfer_to_agent("closer")
    
Regras importantes:
  • Cada agente pode ter apenas um pai
  • Configure hierarquia clara de responsabilidades
  • Use nomes descritivos para facilitar referências
Estrutura recomendada:Agente 1: Qualificador de Leads
  • Name: lead_qualifier
  • Description: Qualifica leads e identifica orçamento e necessidades
  • Instructions:
Faça perguntas para qualificar o lead:
1. Orçamento disponível
2. Urgência da compra
3. Autoridade de decisão
4. Necessidades específicas

Salve as informações coletadas para os próximos agentes.
Agente 2: Demonstrador de Produtos
  • Name: product_demo
  • Description: Demonstra produtos e explica benefícios técnicos
  • Instructions:
Com base nas informações do qualificador:
1. Selecione produtos adequados ao perfil
2. Explique benefícios específicos
3. Faça demonstração virtual detalhada
4. Responda objeções técnicas
Agente 3: Especialista em Fechamento
  • Name: closer
  • Description: Especialista em fechamento e negociação
  • Instructions:
Finalize a venda:
1. Resuma benefícios apresentados
2. Crie senso de urgência apropriado
3. Negocie condições quando necessário
4. Guie para próximos passos concretos
Coordenador Principal:
  • Name: sales_team_coordinator
  • Sub-Agents: lead_qualifier, product_demo, closer
  • Instructions:
Gerencie o processo de vendas:
1. Avalie qual especialista deve atender
2. Use transfer_to_agent() para delegar para o especialista adequado
3. Monitore progresso de cada etapa
4. Decida quando transferir entre agentes
5. Mantenha contexto unificado

Delegação por especialidade:
- lead_qualifier: Para identificar necessidades e orçamento
- product_demo: Para apresentar soluções e demonstrações
- closer: Para negociação e fechamento final

Exemplo: transfer_to_agent("lead_qualifier") quando cliente solicitar informações

Mecanismos de Comunicação

Como funciona:
  • Disponibilizada automaticamente quando sub-agentes são configurados
  • Permite transferir controle completo da sessão para um sub-agente específico
  • O sub-agente assume a conversa e pode interagir diretamente com o usuário
  • Contexto e histórico são mantidos durante a transferência
Configuração na plataforma:
  1. Configure Sub-Agents no agente coordenador
  2. Use nas Instructions orientações claras sobre quando transferir
  3. Identifique por name o sub-agente de destino
Sintaxe de uso:
transfer_to_agent("nome_do_agente")
Exemplo prático:
# Nas instruções do coordenador
Quando identificar que o cliente quer:
- Informações de produtos → transfer_to_agent("vendas_specialist")
- Suporte técnico → transfer_to_agent("tech_support")
- Questões financeiras → transfer_to_agent("billing_agent")
Vantagens:
  • Especialização completa por área
  • Reduz complexidade das instruções
  • Melhora qualidade das respostas especializadas
  • Facilita manutenção e atualizações
Como funciona:
  • Agentes compartilham informações via estado da sessão
  • Dados persistem durante toda a conversa
  • Permite continuidade entre diferentes agentes
Configuração na plataforma:
  1. Output Key: Defina chave para salvar resultado
  2. Instructions: Use {{user_input}} para input inicial e {{output_key}} para dados salvos
  3. Context: Configure quais dados compartilhar
Exemplo prático:
  • Agente 1 salva: customer_name, budget, preferences
  • Agente 2 usa: “Analise o pedido do usuário: {{user_input}} e use dados do cliente: {{customer_data}}
  • Agente 3 acessa: Histórico completo da conversa
Como funciona:
  • Agente coordenador analisa solicitação
  • Decide automaticamente qual especialista acionar
  • Transfere contexto completo para o agente escolhido
Configuração na plataforma:
  1. Sub-Agents: Configure especialistas disponíveis
  2. Instructions: Defina critérios de roteamento
  3. Descriptions: Descreva bem cada especialista
Exemplo de instruções:
Analise a solicitação e direcione para:

- TÉCNICO: problemas, configurações, instalação
- VENDAS: produtos, preços, recomendações  
- SUPORTE: reclamações, dúvidas, ajuda
- FINANCEIRO: faturas, pagamentos, cobranças

Use transfer_to_agent() quando necessário.
Como funciona:
  • Um agente pode usar outro agente como ferramenta
  • Permite especialização ainda maior
  • Mantém responsabilidades bem definidas
Configuração na plataforma:
  1. Tools: Adicione outros agentes como ferramentas
  2. Instructions: Explique quando usar cada agente-ferramenta
  3. Permissions: Configure acesso entre agentes
Exemplo:
  • Agente de vendas usa “calculadora de preços” (outro agente)
  • Agente de suporte usa “consultor técnico” (especialista)
  • Agente principal usa “validador de dados” (verificador)

Padrões Comuns de Multi-Agente

1. Padrão Coordenador/Dispatcher

Objetivo: Agente central que roteia solicitações para especialistasPasso 1: Criar Especialistas
  • Agente Financeiro: Questões de faturamento e cobrança
  • Agente Técnico: Suporte técnico e configurações
  • Agente Comercial: Vendas e produtos
Passo 2: Configurar Dispatcher
  • Name: customer_service_dispatcher
  • Sub-Agents: Adicionar todos os especialistas
  • Instructions:
Analise a solicitação do cliente e determine o especialista adequado:

🏦 FINANCEIRO: faturas, pagamentos, cobranças, preços
🔧 TÉCNICO: problemas técnicos, configurações, instalação  
💼 COMERCIAL: produtos, vendas, recomendações

Transfira para o agente apropriado ou responda diretamente se for simples.
Vantagens:
  • Roteamento inteligente automático
  • Especialização por área
  • Escalabilidade fácil

2. Padrão Pipeline Sequencial

Objetivo: Processamento estruturado em etapas sequenciaisExemplo: Pipeline de Análise de LeadsEtapa 1: Enriquecimento de Dados
  • Name: data_enricher
  • Instructions: “Enriqueça dados do lead com informações públicas”
  • Output Key: enriched_data
Etapa 2: Scoring
  • Name: lead_scorer
  • Instructions: “Analise o pedido: {{user_input}} e calcule score baseado em: {{enriched_data}}
  • Output Key: lead_score
Etapa 3: Classificação
  • Name: lead_classifier
  • Instructions: “Classifique como HOT/WARM/COLD baseado em: {{lead_score}}
  • Output Key: lead_classification
Etapa 4: Roteamento
  • Name: lead_router
  • Instructions: “Direcione para vendedor adequado: {{lead_classification}}
  • Output Key: assignment_result
Configuração do Pipeline:
  • Type: Sequential Agent
  • Sub-Agents: Na ordem das etapas
  • Instructions: Critérios de passagem entre etapas

3. Padrão Gerador-Crítico

Objetivo: Melhoria iterativa através de geração e críticaAgente 1: Gerador de Conteúdo
  • Name: content_generator
  • Instructions:
Gere conteúdo de marketing baseado em:
Baseado no pedido do usuário: `{{user_input}}`

Use informações do produto salvas em: `{{product_info}}`
Considere o público-alvo definido em: `{{target_audience}}`
Mantenha o tom da marca configurado em: `{{brand_voice}}`
  • Output Key: generated_content
Agente 2: Crítico/Revisor
  • Name: content_critic
  • Instructions:
Analise o conteúdo gerado em {{generated_content}} e avalie:
1. Clareza e persuasão (1-10)
2. Adequação ao público-alvo (1-10)
3. Consistência com marca (1-10)
4. Gramática e estilo (1-10)

Forneça feedback específico e score geral.
  • Output Key: feedback
Agente 3: Refinador
  • Name: content_refiner
  • Instructions:
Refine o conteúdo baseado no feedback recebido: {{feedback}}
Mantenha pontos fortes, melhore pontos fracos.
  • Output Key: refined_content
Configuração do Loop:
  • Type: Loop Agent
  • Max Iterations: 3
  • Sub-Agents: Gerador → Crítico → Refinador
  • Stop Condition: Score > 8 ou máximo de iterações

Testando seu Agente

Primeira Conversa

  1. Vá para a tela de chat no menu principal
  2. Clique em “New Chat” para iniciar uma nova conversa
Iniciando Novo Chat
  1. Selecione o agente que você acabou de criar
  2. A interface de chat será carregada com o agente escolhido
Selecionando Agente para Chat
Teste 1: Necessidade básica
"Olá! Preciso de um notebook para trabalho, orçamento até R$ 3000."
Teste 2: Necessidade complexa
"Estou montando um setup gamer completo. Tenho R$ 8000 para gastar. 
Quero jogar em 4K com alta qualidade."
Teste 3: Comparação
"Qual a diferença entre iPhone 15 e Samsung Galaxy S24? 
Qual você recomenda para fotografia?"
Teste 4: Orçamento limitado
"Preciso de um smartphone bom mas barato, até R$ 800. 
O que você tem?"
Conversando com o Agente
Critérios de avaliação:Compreensão: Entende corretamente as necessidades? ✅ Perguntas: Faz perguntas relevantes para qualificar? ✅ Recomendações: Sugere produtos adequados ao orçamento? ✅ Explicações: Justifica suas recomendações? ✅ Tom: Mantém tom profissional e amigável? ✅ Estrutura: Segue processo definido nas instruções?Se algo não estiver funcionando:
  • Ajuste as instruções na interface
  • Adicione exemplos específicos
  • Refine o tom de voz
  • Teste novamente

Componentes Essenciais na Interface

1. Identidade e Propósito

Campo Name na interface:
  • Identificador único do agente
  • Usado para referências internas e comunicação entre agentes
  • Deve ser descritivo e refletir a função do agente
  • Evite nomes reservados como user
Exemplos:
  • assistente_vendas
  • suporte_tecnico
  • analista_financeiro
Campo Description na interface:
  • Resumo conciso das capacidades do agente
  • Usado por outros agentes para determinar roteamento de tarefas
  • Deve ser específico o suficiente para diferenciá-lo de outros agentes
Exemplos:
  • “Especialista em consultas sobre faturas e cobranças atuais”
  • “Analisa dados financeiros e gera relatórios de performance”
  • “Resolve problemas técnicos de conectividade e configuração”
Campo Model na interface:
  • Especifica o LLM que alimentará o raciocínio do agente
  • Impacta capacidades, custo e performance
  • Selecione da lista de modelos disponíveis
Opções comuns:
  • gpt-4 - Raciocínio avançado
  • claude-3-sonnet - Equilibrado e seguro
  • gemini-2.0-flash - Rápido e multimodal

2. Instruções (Instructions)

Campo Instructions na interface:
  • Tarefa principal ou objetivo
  • Personalidade ou persona
  • Restrições comportamentais
  • Formato de saída desejado
  • Processo passo a passo
Melhores práticas na interface:
  • Seja claro e específico: Evite ambiguidades
  • Use Markdown: Melhore a legibilidade com cabeçalhos, listas
  • Forneça exemplos: Para tarefas complexas
  • Defina tom de voz: Profissional, amigável, técnico
Template recomendado:
# [Título do Agente]

Você é um [papel/função] especializado em [área].

## Suas responsabilidades:
1. [Responsabilidade 1]
2. [Responsabilidade 2]
3. [Responsabilidade 3]

## Tom de voz:
- [Característica 1]
- [Característica 2]

## Processo:
1. [Passo 1]
2. [Passo 2]
3. [Passo 3]
Uso de variáveis na interface:Use a sintaxe {{var}} para inserir valores dinâmicos nas instruções do agente:Variáveis automáticas disponíveis:
  • {{user_input}} - A mensagem completa do usuário que iniciou a conversa
  • {{output_key_name}} - Resultado salvo por outros agentes (onde output_key_name é o nome da chave configurada)
Como funciona o compartilhamento de estado:
  • Quando um agente tem um Output Key configurado, sua resposta é automaticamente salva no estado compartilhado
  • Outros agentes podem usar essa informação nas suas instruções através de placeholders
  • O estado persiste durante toda a conversa ou workflow
  • Permite que agentes trabalhem em conjunto, cada um contribuindo com sua especialidade
  • É especialmente útil em workflows sequenciais, loops e sistemas multi-agente
Exemplo prático: Se um agente anterior salvou dados com Output Key “analise_cliente”, você pode usar: “Baseado na análise do cliente: {{analise_cliente}}, agora faça uma recomendação personalizada.”

3. Configurações Avançadas

Seção Agent Settings na interface:Load Memory:
  • Quando ativado, o agente carregará e usará sua memória de longo prazo
  • Mantém contexto e informações aprendidas nas sessões anteriores
  • Permite continuidade e personalização ao longo do tempo
  • Útil para agentes que precisam “lembrar” preferências do usuário
Preload Memory:
  • Carrega automaticamente o histórico de conversas ao iniciar nova sessão
  • Fornece acesso imediato às interações e conhecimentos anteriores
  • ⚠️ Aviso de consumo: Aumenta significativamente o uso de tokens
  • Monitore custos da API ao usar este recurso
  • Recomendado apenas para sessões que realmente precisam do contexto completo
Planner:
  • Ativa recursos avançados de planejamento para tarefas complexas
  • O agente divide automaticamente tarefas grandes em etapas menores
  • Melhora a organização e execução de processos multi-etapas
  • Ideal para agentes que lidam com workflows complexos
Load Knowledge:
  • Habilita acesso à base de conhecimento da organização
  • Adiciona automaticamente uma ferramenta de busca no conhecimento
  • Filtro de Tags: Seleciona documentos específicos por tags
  • Se nenhuma tag for especificada, usa todos os documentos disponíveis
  • Melhora qualidade das respostas com informações organizacionais
Output Schema:
  • Define estrutura específica para as respostas do agente
  • Garante formato consistente e padronizado de saídas
  • Configura campos com nome, tipo e descrição
  • Tipos disponíveis: string, number, boolean, array, object
  • Útil para integrações e processamento automático de respostas
Exemplo de Output Schema:
{
  "cliente_nome": {
    "type": "string",
    "description": "Nome completo do cliente"
  },
  "necessidade_identificada": {
    "type": "string", 
    "description": "Necessidade principal identificada"
  },
  "orcamento_estimado": {
    "type": "number",
    "description": "Orçamento em reais"
  },
  "produtos_recomendados": {
    "type": "array",
    "description": "Lista de produtos sugeridos"
  },
  "urgencia": {
    "type": "boolean",
    "description": "Se a necessidade é urgente"
  }
}
Seção Advanced Settings na interface:Temperature (0.0 - 1.0):
  • 0.0: Respostas determinísticas
  • 0.7: Balanceado (recomendado)
  • 1.0: Máxima criatividade
Max Tokens:
  • Limite de tokens na resposta
  • Controla tamanho da resposta
  • Considere custo vs. completude
Top P (0.0 - 1.0):
  • 0.1: Respostas focadas
  • 0.9: Mais diversidade
Campo Output Key na interface:O Output Key permite que o agente LLM salve sua resposta em uma variável específica no estado compartilhado, tornando o resultado disponível para outros agentes ou iterações futuras.Como funciona:
  • Configure o campo Output Key com um nome descritivo
  • A resposta do agente será salva automaticamente nessa variável
  • Outros agentes podem acessar usando placeholders {{output_key_name}}
  • Funciona em workflows, loops e sistemas multi-agente
Exemplos de configuração:
Output Key: "resultado_vendas"
→ Salva em state.resultado_vendas

Output Key: "analise_tecnica" 
→ Salva em state.analise_tecnica

Output Key: "proposta_final"
→ Salva em state.proposta_final
Uso em outros agentes:
# Nas instruções de agentes subsequentes:
"Baseado na análise anterior: {{analise_tecnica}}"
"Refine esta proposta: {{proposta_final}}"
"Considere os resultados: {{resultado_vendas}}"
Controle automático de loops:
  • Quando um agente LLM é usado dentro de um Loop Agent, o sistema automaticamente adiciona a ferramenta exit_loop
  • O agente pode usar essa ferramenta para sinalizar quando o loop deve parar
  • Isso é útil para processos iterativos como refinamento de conteúdo ou análise até atingir qualidade desejada
Boas práticas:
  • Use snake_case: resultado_analise, dados_processados
  • Seja descritivo: feedback_qualidade em vez de feedback
  • Evite conflitos com variáveis existentes no estado
  • Documente o formato esperado nas instruções
  • Em loops, instrua claramente quando o agente deve usar exit_loop

Casos de Uso Comuns

Atendimento ao Cliente

Configuração recomendada:
  • Model: GPT-3.5-turbo (rápido)
  • Temperature: 0.3 (consistente)
  • Sub-agents: Especialistas por área
  • Tools: Base de conhecimento
  • Agent Settings:
    • Load Memory: ✅ (lembrar preferências)
    • Load Knowledge: ✅ (FAQ e políticas)
    • Output Schema: ✅ (tickets estruturados)

Assistente de Vendas

Configuração recomendada:
  • Model: GPT-4 (raciocínio avançado)
  • Temperature: 0.7 (criativo)
  • Sub-agents: Qualificador, demonstrador
  • Tools: Catálogo de produtos
  • Agent Settings:
    • Load Memory: ✅ (histórico cliente)
    • Planner: ✅ (processo vendas)
    • Output Schema: ✅ (dados estruturados)

Análise de Dados

Configuração recomendada:
  • Model: Claude-3-Sonnet (analítico)
  • Temperature: 0.2 (preciso)
  • Sub-agents: Coletores de dados
  • Tools: APIs de dados
  • Agent Settings:
    • Planner: ✅ (análises complexas)
    • Output Schema: ✅ (relatórios padronizados)
    • Load Knowledge: ✅ (metodologias)

Assistente Pessoal

Configuração recomendada:
  • Model: Gemini-Pro (multimodal)
  • Temperature: 0.5 (equilibrado)
  • Sub-agents: Agenda, tarefas
  • Tools: Calendário, email
  • Agent Settings:
    • Load Memory: ✅ (preferências pessoais)
    • Preload Memory: ✅ (contexto completo)
    • Planner: ✅ (organização tarefas)

Melhores Práticas

Na interface da plataforma:
  • Seja específico no campo Description
  • Defina limites claros nas Instructions
  • Estabeleça critérios mensuráveis no Goal
  • Documente casos de uso no campo Notes
Configurações recomendadas:
  • Use Output Keys para rastrear progresso
  • Configure Sub-Agents para especialização
  • Implemente fallbacks nas instruções
  • Monitore performance via logs
Load Memory:
  • ✅ Use para agentes de atendimento personalizado
  • ✅ Ative para assistentes que precisam lembrar preferências
  • ❌ Evite para agentes que processam dados sensíveis
  • ❌ Não use se a privacidade for crítica
Preload Memory:
  • ✅ Ideal para continuação de sessões complexas
  • ⚠️ Cuidado: Monitore custos - aumenta uso de tokens significativamente
  • ✅ Use apenas quando contexto histórico for essencial
  • ❌ Evite para agentes de alta frequência/baixo contexto
Planner:
  • ✅ Essencial para tarefas multi-etapas complexas
  • ✅ Use em agentes de análise e relatórios
  • ✅ Ideal para workflows de vendas estruturados
  • ❌ Desnecessário para respostas simples/diretas
Load Knowledge:
  • ✅ Configure tags específicas para filtrar conhecimento relevante
  • ✅ Use para agentes que precisam de informações organizacionais
  • ✅ Combine com instruções claras sobre quando buscar conhecimento
  • ❌ Sem tags pode tornar respostas lentas em bases grandes
Output Schema:
  • ✅ Essencial para integrações com outros sistemas
  • ✅ Use para padronizar dados estruturados
  • ✅ Defina descrições claras para cada campo
  • ✅ Teste o schema antes de usar em produção
  • ❌ Não use para conversas naturais simples
Configurações de segurança:
  • Valide entradas nas instruções
  • Limite escopo de cada agente
  • Configure rate limiting se disponível
  • Monitore custos via dashboard
  • ⚠️ Atenção especial: Preload Memory aumenta custos significativamente
  • Gerencie acesso à base de conhecimento via tags apropriadas

Próximos Passos


Os agentes LLM são a base para criar experiências de IA verdadeiramente inteligentes e adaptáveis. Com a configuração adequada via interface da plataforma, você pode construir assistentes poderosos que atendem às necessidades específicas do seu negócio.
I