> ## Documentation Index
> Fetch the complete documentation index at: https://docs.evo-ai.co/llms.txt
> Use this file to discover all available pages before exploring further.
# Tipos de Agentes
> Conheça todos os tipos de agentes disponíveis na plataforma Evo AI e escolha o ideal para seu caso de uso
## Visão Geral
A plataforma **Evo AI** oferece diferentes tipos de agentes, cada um otimizado para cenários específicos de uso. Desde agentes simples baseados em LLM até workflows complexos com múltiplas etapas, você pode escolher a abordagem que melhor se adapta às suas necessidades.
**Escolha Inteligente**: Cada tipo de agente foi projetado para resolver problemas específicos. Use este guia para identificar qual tipo melhor atende ao seu caso de uso.
## Tipos Disponíveis
### Agentes Fundamentais
**Agente base com LLM**
Agente fundamental baseado em Large Language Models, ideal para conversas, análises de texto e tarefas que requerem compreensão de linguagem natural.
**Quando usar:**
* Conversas inteligentes
* Análise de texto
* Geração de conteúdo
* Tarefas de NLP
**Características:**
* Interface de chat
* Múltiplos modelos LLM
* Configuração de personalidade
* Sistema de sub-agentes
**Integração com protocolo A2A**
Integra agentes externos que implementam o protocolo Agent-to-Agent (A2A) do Google, permitindo interoperabilidade com sistemas externos.
**Quando usar:**
* Integração com sistemas legados
* Agentes especializados externos
* Microserviços de IA
* APIs de terceiros
**Características:**
* Protocolo JSON-RPC 2.0
* Comunicação padronizada
* Health checks automáticos
* Circuit breakers
### Agentes de Orquestração
**Execução sequencial ordenada**
Executa múltiplos sub-agentes em sequência ordenada, onde cada agente recebe o output do anterior como input.
**Quando usar:**
* Pipelines de processamento
* Workflows lineares
* Dependências entre etapas
* Transformação de dados
**Características:**
* Execução passo a passo
* Passagem de dados entre agentes
* Controle de falhas
* Logs detalhados
**Execução paralela simultânea**
Executa múltiplos sub-agentes simultaneamente, ideal para tarefas independentes que podem ser processadas em paralelo.
**Quando usar:**
* Análises independentes
* Processamento distribuído
* Otimização de tempo
* Tarefas não relacionadas
**Características:**
* Execução simultânea
* Agregação de resultados
* Controle de concorrência
* Speedup significativo
**Execução iterativa com refinamento**
Executa sub-agentes em loop iterativo, refinando resultados a cada iteração até atingir critérios de convergência.
**Quando usar:**
* Refinamento iterativo
* Otimização de parâmetros
* Melhoria progressiva
* Convergência de resultados
**Características:**
* Iterações controladas
* Critérios de parada
* Monitoramento de convergência
* Prevenção de loops infinitos
**Workflows visuais complexos**
Cria workflows complexos com interface visual usando LangGraph e React Flow, oferecendo máximo controle e flexibilidade.
**Quando usar:**
* Lógica de negócio complexa
* Condições e ramificações
* Workflows visuais
* Controle granular
**Características:**
* Interface drag-and-drop
* Múltiplos tipos de nodes
* Condições e delays
* Teste integrado
### Agentes Especializados
**Tarefas específicas e estruturadas**
Inspirado no CrewAI, permite atribuir tarefas específicas a agentes com prompts estruturados e outputs esperados bem definidos.
**Quando usar:**
* Tarefas bem definidas
* Responsabilidade única
* Output estruturado
* Especialização de agentes
**Características:**
* Uma tarefa por agente
* Prompt estruturado
* Expected output definido
* Validação automática
## Comparação Rápida
| Tipo | Complexidade | Casos de Uso | Execução | Configuração |
| -------------- | ------------ | ---------------------- | ------------------ | ---------------- |
| **LLM Agent** | Baixa | Chat, análise de texto | Única | Simples |
| **A2A Agent** | Média | Integração externa | Única | Moderada |
| **Sequential** | Média | Pipelines lineares | Sequencial | Moderada |
| **Parallel** | Média | Análises independentes | Paralela | Moderada |
| **Loop** | Alta | Refinamento iterativo | Iterativa | Complexa |
| **Workflow** | Muito Alta | Lógica complexa | Visual/Condicional | Muito Complexa |
| **Task** | Baixa-Média | Tarefas específicas | Única | Simples-Moderada |
## Guia de Escolha
### Por Complexidade do Problema
**Para tarefas diretas e conversas:**
* **LLM Agent**: Chat, análise de texto, geração de conteúdo
* **Task Agent**: Tarefas específicas com output estruturado
**Características:**
* Configuração rápida
* Execução direta
* Ideal para começar
**Para processos com múltiplas etapas:**
* **Sequential Agent**: Quando etapas dependem umas das outras
* **Parallel Agent**: Quando etapas são independentes
* **A2A Agent**: Quando precisa integrar sistemas externos
**Características:**
* Orquestração de múltiplos agentes
* Controle de fluxo básico
* Reutilização de agentes existentes
**Para lógica de negócio sofisticada:**
* **Loop Agent**: Quando precisa refinar resultados iterativamente
* **Workflow Agent**: Quando precisa de controle granular e condições
**Características:**
* Lógica condicional avançada
* Controle de fluxo sofisticado
* Monitoramento detalhado
### Por Padrão de Execução
**Agentes que executam uma vez:**
* **LLM Agent**: Resposta direta a uma pergunta
* **A2A Agent**: Chamada para sistema externo
* **Task Agent**: Execução de tarefa específica
**Ideal para:**
* Consultas pontuais
* Análises simples
* Integrações diretas
**Agentes que executam em ordem:**
* **Sequential Agent**: Pipeline com dependências
**Ideal para:**
* Transformação de dados
* Workflows lineares
* Processamento em etapas
**Agentes que executam simultaneamente:**
* **Parallel Agent**: Análises independentes
**Ideal para:**
* Otimização de tempo
* Análises comparativas
* Processamento distribuído
**Agentes que executam em loop:**
* **Loop Agent**: Refinamento progressivo
**Ideal para:**
* Otimização de parâmetros
* Melhoria iterativa
* Convergência de resultados
**Agentes com lógica complexa:**
* **Workflow Agent**: Fluxos com condições e ramificações
**Ideal para:**
* Lógica de negócio complexa
* Decisões condicionais
* Workflows visuais
## Exemplos de Casos de Uso
### E-commerce
**Cenário:** Análise completa de produtos para otimização
**Solução recomendada:** **Parallel Agent**
* Análise de preços (sub-agente especializado)
* Análise de reviews (sub-agente de sentimento)
* Análise de especificações (sub-agente técnico)
* Análise de concorrência (sub-agente de mercado)
**Por que Parallel?** Análises independentes que podem ser executadas simultaneamente para otimizar tempo.
**Cenário:** Pipeline de qualificação de leads de vendas
**Solução recomendada:** **Sequential Agent**
* Enriquecimento de dados (dados públicos)
* Scoring de leads (algoritmo de pontuação)
* Classificação de prioridade (alta/média/baixa)
* Roteamento para vendedor (baseado em especialização)
**Por que Sequential?** Cada etapa depende da anterior para funcionar corretamente.
### Conteúdo e Marketing
**Cenário:** Geração de artigo de blog otimizado
**Solução recomendada:** **Loop Agent**
* Geração inicial do conteúdo
* Análise de SEO e otimização
* Revisão de qualidade e legibilidade
* Refinamento baseado em feedback
**Por que Loop?** Melhoria iterativa até atingir qualidade desejada.
**Cenário:** Relatório de performance de campanhas
**Solução recomendada:** **Task Agent**
* Tarefa específica: gerar relatório de métricas
* Input: dados de campanhas
* Output: relatório estruturado com insights
**Por que Task?** Tarefa bem definida com output estruturado específico.
### Atendimento ao Cliente
**Cenário:** Sistema de atendimento com escalação
**Solução recomendada:** **Workflow Agent**
* Classificação inicial da solicitação
* Tentativa de resolução automática
* Condição: resolvido? → Fim : Escalação
* Roteamento para agente humano especializado
**Por que Workflow?** Lógica condicional complexa com múltiplos caminhos.
**Cenário:** Chat simples para dúvidas frequentes
**Solução recomendada:** **LLM Agent**
* Conversa direta com cliente
* Base de conhecimento integrada
* Respostas contextuais
**Por que LLM?** Interação direta e simples, sem necessidade de orquestração.
## Output Keys - Compartilhamento de Estado
**Novidade**: Todos os tipos de agente agora suportam **Output Key** para compartilhamento de estado entre agentes e processos.
### O que são Output Keys?
O **Output Key** é um campo disponível em todos os tipos de agente que permite salvar o resultado da execução em uma variável específica no estado compartilhado. Isso facilita a comunicação entre agentes e a construção de sistemas complexos.
**Salva resposta do modelo**
A resposta gerada pelo LLM é salva na variável especificada, permitindo que outros agentes acessem o conteúdo gerado.
```markdown theme={null}
Output Key: "resposta_analise"
→ state.resposta_analise
```
**Salva resultado da tarefa**
O resultado estruturado da tarefa é salvo na variável, permitindo uso em tarefas subsequentes ou workflows.
```markdown theme={null}
Output Key: "dados_processados"
→ state.dados_processados
```
**Salva resposta externa**
A resposta do sistema externo via protocolo A2A é salva na variável, permitindo integração com outros agentes.
```markdown theme={null}
Output Key: "resultado_externo"
→ state.resultado_externo
```
**Salva resultado do workflow**
O resultado final do workflow (Sequential, Parallel, Loop, Workflow) é salvo na variável especificada.
```markdown theme={null}
Output Key: "workflow_resultado"
→ state.workflow_resultado
```
### Como Usar
**Na interface da plataforma:**
1. **Configure o Output Key** em qualquer agente
2. **Use um nome descritivo** em snake\_case
3. **O resultado é salvo automaticamente** no estado
4. **Outros agentes acessam** via placeholders `{{output_key_name}}`
**Exemplo:**
```markdown theme={null}
Agente 1 - Output Key: "analise_inicial"
Agente 2 - Instructions: "Analise o pedido: {{user_input}} e baseie-se na análise: {{analise_inicial}}"
```
**Como os dados fluem entre agentes:**
```markdown theme={null}
Estado inicial:
{
"input_usuario": "Analise este produto"
}
Após Agente 1 (output_key: "analise"):
{
"input_usuario": "Analise este produto",
"analise": "Produto de alta qualidade..."
}
Após Agente 2 (output_key: "recomendacao"):
{
"input_usuario": "Analise este produto",
"analise": "Produto de alta qualidade...",
"recomendacao": "Recomendo a compra porque..."
}
```
**Dicas para usar Output Keys efetivamente:**
* **Nomenclatura clara**: Use nomes que descrevem o conteúdo
* **Snake\_case**: `resultado_analise`, `dados_processados`
* **Seja específico**: `analise_sentimento_reviews` em vez de `analise`
* **Documente formato**: Explique estrutura esperada nas instruções
* **Evite conflitos**: Não use nomes já existentes no estado
* **Considere hierarquia**: Use prefixos para agrupar dados relacionados
## Gerenciamento de Agentes
### Exportação e Importação
**Funcionalidade de backup e compartilhamento:**
Na listagem de agentes, você pode **exportar qualquer agente** para um arquivo JSON que contém toda a configuração:
**O que é exportado:**
* ✅ **Configurações completas** do agente principal
* ✅ **Sub-agentes incluídos** automaticamente no mesmo arquivo
* ✅ **Todas as dependências** e configurações aninhadas
* ✅ **Estrutura hierárquica** preservada
* ✅ **Tools e integrações** configuradas
**Como exportar:**
1. Na lista de agentes, localize o agente desejado
2. Clique no **menu de ações** (⋯) do agente
3. Selecione **"Export"** ou **"Exportar"**
4. Arquivo JSON será baixado automaticamente
**Exemplo de estrutura exportada:**
```json theme={null}
{
"name": "copywriter",
"description": "Creative writer specialized in innovative copywriting.",
"role": null,
"goal": null,
"type": "llm",
"model": "openai/gpt-4.1-nano",
"instruction": "You are a senior copywriter with absolute mastery of persuasion techniques",
"config": {
"output_key": "new_copy",
"tools": null,
"custom_tools": null,
"mcp_servers": null,
"custom_mcp_servers": null,
"agent_tools": null,
"sub_agents": null,
"workflow": null
},
"id": "7fd77e46-dfcb-40a2-b71f-d2bac56956ac"
}
```
**Restaurando configurações completas:**
**Como importar:**
1. Na lista de agentes, clique em **"Import Agent"** ou **"Importar Agente"**
2. **Selecione o arquivo JSON** exportado anteriormente
3. **Sistema valida** a estrutura e dependências
4. **Agente principal e sub-agentes** são criados automaticamente
5. **Configurações aplicadas** exatamente como exportadas
**Vantagens da importação:**
* 🚀 **Setup instantâneo** de agentes complexos
* 🎯 **Replicação exata** de configurações testadas
* 👥 **Compartilhamento** entre equipes
* 🔄 **Backup e restore** de configurações
* 📦 **Migração** entre ambientes
**Validações automáticas:**
* Verificação de estrutura JSON
* Validação de tipos de agente
* Checagem de dependências
* Confirmação de modelos disponíveis
* Verificação de permissões necessárias
**Casos de uso:**
```
✅ Backup de agentes críticos
✅ Replicação em ambiente de produção
✅ Compartilhamento de templates
✅ Migração entre organizações
✅ Versionamento de configurações
```
### Sistema de Pastas
**Organização hierárquica:**
O sistema de pastas permite organizar seus agentes de forma hierárquica e colaborativa:
**Funcionalidades principais:**
* 📁 **Organização visual** dos agentes
* 👥 **Compartilhamento** com outros usuários
* 🔐 **Controle de permissões** (visualização/edição)
* 🏷️ **Categorização** por projeto, cliente ou função
* 🔍 **Busca dentro de pastas** específicas
**Como criar pastas:**
1. Na tela de agentes, clique em **"New Folder"** ou **"Nova Pasta"**
2. **Nome da pasta**: Use nome descritivo
3. **Descrição**: Resumo do conteúdo da pasta
4. **Configurações de acesso**: Defina quem pode acessar
5. Clique em **"Create"** para criar
**Exemplos de organização:**
```
📁 Vendas
├── 🤖 lead_qualifier
├── 🤖 product_demo
└── 🤖 closer_specialist
📁 Suporte Técnico
├── 🤖 troubleshooter
├── 🤖 documentation_helper
└── 🤖 escalation_manager
📁 Marketing
├── 🤖 content_creator
├── 🤖 social_media_manager
└── 🤖 campaign_analyzer
```
**Colaboração entre usuários:**
**Como compartilhar uma pasta:**
1. **Acesse a pasta** que deseja compartilhar
2. Clique no ícone de **"Share"** ou **"Compartilhar"** (👥)
3. **Formulário de compartilhamento** será aberto
**Configurando permissões:**
1. **Digite o email** do usuário da Evo AI
2. **Selecione o nível de acesso:**
* **👁️ Viewer (Visualizador)**: Pode ver e usar agentes, mas não editar
* **✏️ Editor**: Pode ver, usar, editar e criar novos agentes na pasta
3. **Adicione mensagem** opcional explicando o compartilhamento
4. Clique em **"Share"** para enviar convite
**Níveis de permissão:**
**Viewer (Visualizador):**
```
✅ Ver lista de agentes na pasta
✅ Usar agentes em conversas
✅ Ver configurações (somente leitura)
❌ Editar configurações de agentes
❌ Criar novos agentes
❌ Deletar agentes
❌ Compartilhar pasta com outros
```
**Editor:**
```
✅ Todas as permissões de Viewer
✅ Editar configurações de agentes
✅ Criar novos agentes na pasta
✅ Deletar agentes (que criou)
✅ Mover agentes entre pastas
❌ Compartilhar pasta com outros (apenas dono)
❌ Deletar a pasta
```
**Casos de uso para compartilhamento:**
**Por departamento:**
```
📁 Pasta "Vendas Empresa ABC"
Compartilhado com: equipe-vendas@empresa.com
Permissão: Editor
Uso: Toda equipe pode criar/editar agentes de vendas
```
**Por projeto:**
```
📁 Pasta "Projeto Cliente XYZ"
Compartilhado com: gestor-projeto@empresa.com
Permissão: Viewer
Uso: Gestor acompanha agentes do projeto
```
**Por especialidade:**
```
📁 Pasta "Agentes de IA Técnicos"
Compartilhado com: time-ia@empresa.com
Permissão: Editor
Uso: Equipe técnica desenvolve agentes especializados
```
**Para clientes:**
```
📁 Pasta "Agentes Cliente Final"
Compartilhado com: cliente@empresacliente.com
Permissão: Viewer
Uso: Cliente testa agentes desenvolvidos
```
**Vantagens da colaboração:**
* 🤝 **Trabalho em equipe** facilitado
* 🔄 **Sincronização automática** de atualizações
* 📊 **Visibilidade** do trabalho da equipe
* 🎯 **Especialização** por área/projeto
* 📈 **Escalabilidade** de desenvolvimento
* 🔐 **Controle granular** de acesso
**Administrando permissões:**
**Como dono da pasta, você pode:**
* ✅ **Ver todos os usuários** com acesso
* ✅ **Alterar permissões** de qualquer usuário
* ✅ **Remover acesso** de usuários específicos
* ✅ **Transferir propriedade** da pasta
* ✅ **Deletar pasta** (remove acesso de todos)
**Notificações automáticas:**
* 📧 **Email de convite** quando pasta é compartilhada
* 🔔 **Notificação** quando agente é modificado por outro usuário
* 📊 **Relatório** de atividades na pasta compartilhada
**Auditoria e controle:**
* 📝 **Log de atividades** de todos os usuários
* 👤 **Histórico de modificações** com responsável
* ⏰ **Timestamps** de todas as ações
* 🔍 **Rastreabilidade** completa de mudanças
**Boas práticas:**
* Use permissão **Viewer** por padrão
* Conceda **Editor** apenas quando necessário
* **Documente o propósito** da pasta no nome/descrição
* **Revise permissões** periodicamente
* **Remova acesso** de usuários inativos
***
**Dica:** Comece sempre com o tipo mais simples que atende ao seu caso de uso. Você pode evoluir para tipos mais complexos conforme suas necessidades crescem.
## Próximos Passos
Ideal para quem está começando - crie seu primeiro agente conversacional
Para casos complexos - construa workflows visuais avançados
Entenda o protocolo para integração com sistemas externos
Configure seu primeiro agente em menos de 2 minutos