Agente LLM

Entenda como funcionam os agentes LLM e como configurá-los para diferentes casos de uso

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. Iniciar criação do agente

1. Na tela principal do Evo AI, clique em “New Agent”
2. Você será direcionado para o formulário de criação

2. Configurar informações básicas

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

3. Selecionar modelo e API Key

API Key: Selecione uma das API Keys já cadastradas

Model: Escolha o modelo de IA baseado nas necessidades:

Modelo	Características	Melhor para
GPT-4	Raciocínio avançado, criativo	Tarefas complexas, análise
GPT-3.5-turbo	Rápido, econômico	Conversas gerais, suporte
Claude-3-Sonnet	Equilibrado, seguro	Análise de documentos
Gemini-Pro	Multimodal, rápido	Processamento de imagens
Llama2-70b	Open source, customizável	Casos específicos

Recomendação: GPT-4 para agentes de vendas complexos

4. Definir instruções detalhadas

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

5. Configurar Agent Settings

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.

6. Salvar e ativar

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

1. Hierarquia de Agentes (Parent-Child)

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

2. Exemplo Prático: Equipe de Vendas

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

Função transfer_to_agent

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

Estado Compartilhado

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

Delegação Inteligente

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.

Agentes como Ferramentas

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

Configuração na Plataforma

Objetivo: Agente central que roteia solicitações para especialistas

Passo 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

Configuração na Plataforma

Objetivo: Processamento estruturado em etapas sequenciais

Exemplo: Pipeline de Análise de Leads

Etapa 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

Configuração na Plataforma

Objetivo: Melhoria iterativa através de geração e crítica

Agente 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

Acessar interface de chat

1. Vá para a tela de chat no menu principal
2. Clique em “New Chat” para iniciar uma nova conversa

Selecionar o agente

1. Selecione o agente que você acabou de criar
2. A interface de chat será carregada com o agente escolhido

Testar cenários diversos

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?"

Avaliar performance

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

Nome (Obrigatório)

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

Descrição (Recomendado)

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”

Modelo (Obrigatório)

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)

Elementos essenciais

Campo Instructions na interface:

• Tarefa principal ou objetivo
• Personalidade ou persona
• Restrições comportamentais
• Formato de saída desejado
• Processo passo a passo

Dicas para instruções eficazes

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]

Variáveis dinâmicas e compartilhamento de estado

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

Agent Settings

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"
  }
}

Parâmetros de Geração

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

Output Key - Compartilhamento de Estado

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

Definição clara de objetivos

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

Otimização de conversas

Configurações recomendadas:

• Use Output Keys para rastrear progresso
• Configure Sub-Agents para especialização
• Implemente fallbacks nas instruções
• Monitore performance via logs

Agent Settings - Boas Práticas

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

Segurança e confiabilidade

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

Agentes de Workflow

Aprenda sobre agentes determinísticos para processos estruturados

Configurações Avançadas

Explore configurações avançadas de agentes e ferramentas

Protocolo A2A

Integre com outros sistemas usando o protocolo Agent-to-Agent

Ferramentas Personalizadas

Crie ferramentas específicas para suas necessidades

---

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.