Task Agent - Evo AI

Visão Geral

O Task Agent é inspirado na funcionalidade de tarefas do CrewAI, permitindo atribuir tarefas específicas e bem definidas a agentes individuais. Cada Task Agent encapsula uma única tarefa com prompt estruturado, expected output e agente responsável, criando uma unidade de trabalho clara e focada. Este padrão é fundamental para criar sistemas de agentes organizados, onde cada agente tem responsabilidades específicas e bem definidas, similar ao conceito de “tasks” no CrewAI que permite orquestração eficiente de equipes de agentes especializados.

Inspirado no CrewAI: Implementação baseada no conceito de Tasks do CrewAI para atribuição estruturada de tarefas a agentes especializados.

Características Principais

Uma Tarefa por Agent

Cada Task Agent encapsula exatamente uma tarefa específica

Prompt Estruturado

Prompt de tarefa claro e detalhado para o agente atribuído

Expected Output

Definição clara do resultado esperado da tarefa

Agente Atribuído

Seleção de agente específico responsável pela execução

Quando Usar Task Agent

Cenários Ideais

✅ Use Task Agent quando:

Tarefas bem definidas: Você tem uma tarefa específica e clara
Responsabilidade única: Um agente deve ser responsável por uma tarefa
Output estruturado: Você sabe exatamente o que esperar como resultado
Especialização: Agente tem expertise específica para a tarefa
Orquestração simples: Tarefa faz parte de um processo maior

Exemplos práticos:

Análise de sentimento de um texto específico
Geração de resumo executivo de um relatório
Validação de dados de entrada
Tradução de conteúdo para idioma específico
Extração de informações de documentos

Quando NÃO usar

❌ Evite Task Agent quando:

Múltiplas tarefas: Precisa executar várias tarefas relacionadas
Workflow complexo: Requer lógica condicional ou loops
Interação entre agentes: Agentes precisam colaborar diretamente
Processo dinâmico: Fluxo de trabalho muda baseado em resultados
Tarefa muito simples: Pode ser resolvida com prompt direto

Criando um Task Agent

Passo a Passo na Plataforma

1. Iniciar criação

Na tela principal do Evo AI, clique em “New Agent”
No campo “Type”, selecione “Task Agent”
Você verá campos específicos para configuração de tarefa

2. Configurar informações básicas

Name: Nome descritivo da tarefa

Exemplo: analise_sentimento_reviews

Description: Resumo da tarefa específica

Exemplo: Analisa sentimento de reviews de produtos para 
identificar satisfação dos clientes e pontos de melhoria

Goal: Objetivo específico da tarefa

Exemplo: Fornecer análise precisa de sentimento com score 
numérico e insights acionáveis sobre reviews de produtos

3. Selecionar agente responsável

Assigned Agent: Escolha o agente que executará a tarefaOpções disponíveis:

Agentes LLM existentes na plataforma
Agentes A2A configurados
Agentes especializados criados anteriormente

Critérios de seleção:

Especialização do agente na área da tarefa
Capacidades técnicas necessárias
Performance histórica em tarefas similares
Disponibilidade e recursos

Exemplo:

Assigned Agent: sentiment_analysis_specialist
- Especializado em análise de sentimento
- Treinado em dados de e-commerce
- Alta precisão em classificação emocional

4. Definir prompt da tarefa

Task Prompt: Prompt detalhado e específico para a tarefaEstrutura recomendada:

# Análise de Sentimento de Reviews

## Contexto:
Você é um especialista em análise de sentimento focado em reviews de produtos.

## Tarefa:
Analise o sentimento dos reviews fornecidos e forneça insights detalhados.

## Input:
- Reviews de produtos em formato texto
- Metadados do produto (categoria, preço, etc.)

## Processo:
1. Leia cada review cuidadosamente
2. Identifique sentimentos: positivo, negativo, neutro
3. Calcule score de sentimento (-1 a +1)
4. Identifique temas principais mencionados
5. Extraia insights acionáveis

## Critérios de qualidade:
- Precisão na classificação de sentimento
- Identificação de nuances emocionais
- Insights relevantes para melhoria do produto
- Análise contextual considerando categoria do produto

## Formato de análise:
Para cada review, forneça:
- Score de sentimento
- Classificação (positivo/negativo/neutro)
- Temas principais
- Aspectos específicos mencionados

5. Definir expected output

Expected Output: Descrição clara e detalhada do resultado esperadoEstrutura do output esperado:

{
  "task_summary": {
    "total_reviews": 150,
    "analysis_date": "2024-01-15",
    "product_category": "electronics"
  },
  "sentiment_analysis": {
    "overall_sentiment": {
      "score": 0.65,
      "classification": "positive",
      "confidence": 0.89
    },
    "distribution": {
      "positive": 65,
      "neutral": 20,
      "negative": 15
    }
  },
  "detailed_insights": {
    "positive_themes": [
      "qualidade do produto",
      "entrega rápida",
      "bom custo-benefício"
    ],
    "negative_themes": [
      "problemas de durabilidade",
      "atendimento ao cliente"
    ],
    "improvement_suggestions": [
      "Melhorar controle de qualidade",
      "Treinamento da equipe de suporte"
    ]
  },
  "individual_reviews": [
    {
      "review_id": "rev_001",
      "sentiment_score": 0.8,
      "classification": "positive",
      "key_aspects": ["qualidade", "preço"],
      "summary": "Cliente satisfeito com qualidade e preço"
    }
  ]
}

Especificações do output:

Formato: JSON estruturado
Campos obrigatórios: Todos os campos principais devem estar presentes
Tipos de dados: Especificar tipos (string, number, array, object)
Validação: Critérios para validar se output está correto
Exemplos: Exemplos concretos do formato esperado

6. Configurações avançadas

Timeout: Tempo limite para execução da tarefa

Recomendado: 120-300 segundos (dependendo da complexidade)

Retry Policy: Política de tentativas em caso de falha

Opções:
- No Retry (para tarefas críticas)
- Retry Once (padrão)
- Retry with Validation (retry se output não atender expected)

Output Validation: Validação automática do resultado

- Schema Validation (JSON Schema)
- Content Validation (verificar campos obrigatórios)
- Quality Checks (verificar qualidade do conteúdo)

Context Injection: Injeção de contexto adicional

- Previous Task Results (resultados de tarefas anteriores)
- System Context (informações do sistema)
- User Context (dados do usuário)

7. Output Key - Compartilhamento de Estado

Campo Output Key na interface:O Output Key permite que o Task Agent salve o resultado da tarefa em uma variável específica no estado compartilhado, tornando-o disponível para outros agentes ou tarefas subsequentes.Como funciona:

Configure o campo Output Key com um nome descritivo
O resultado da tarefa será salvo 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: "analise_sentimento"
→ Salva resultado em state.analise_sentimento

Output Key: "resumo_executivo"
→ Salva resultado em state.resumo_executivo

Output Key: "dados_validados"
→ Salva resultado em state.dados_validados

Uso em tarefas subsequentes:

# Em Task Prompts de outras tarefas:
"Analise o pedido: {{user_input}} e baseie-se na análise: {{analise_sentimento}}"
"Use este resumo: {{resumo_executivo}}"
"Processe os dados: {{dados_validados}}"

Boas práticas:

Use snake_case: resultado_tarefa, dados_processados
Seja específico: validacao_formulario em vez de validacao
Evite conflitos com outras variáveis no estado
Documente o formato do output nas instruções
Use nomes que reflitam o conteúdo da tarefa

Exemplos Práticos

1. Análise de Sentimento de Reviews

Configuração Completa

Cenário: Analisar sentimento de reviews de produtos para e-commerceConfiguração do Task Agent:Basic Information:

Name: sentiment_analysis_task
Description: Análise detalhada de sentimento em reviews de produtos
Goal: Fornecer insights acionáveis sobre satisfação dos clientes

Agent Assignment:

Assigned Agent: sentiment_specialist_v2
Agent Type: LLM Agent especializado
Specialization: Análise de sentimento em português

Task Prompt:

# Tarefa: Análise de Sentimento de Reviews

Você é um especialista em análise de sentimento para e-commerce.

## Input recebido:
- Lista de reviews de produtos
- Metadados do produto (nome, categoria, preço)

## Sua missão:
1. Analise cada review individualmente
2. Calcule score de sentimento (-1 a +1)
3. Classifique como positivo/neutro/negativo
4. Identifique aspectos específicos mencionados
5. Extraia insights para melhoria do produto

## Foque em:
- Precisão na classificação
- Identificação de nuances
- Insights acionáveis
- Análise contextual

Expected Output:

{
  "summary": {
    "total_reviews": "number",
    "overall_sentiment": "number (-1 to 1)",
    "classification": "positive|neutral|negative"
  },
  "insights": {
    "positive_aspects": ["array of strings"],
    "negative_aspects": ["array of strings"],
    "improvement_suggestions": ["array of strings"]
  },
  "detailed_analysis": [
    {
      "review_id": "string",
      "sentiment_score": "number",
      "classification": "string",
      "key_aspects": ["array"],
      "summary": "string"
    }
  ]
}

2. Geração de Resumo Executivo

Configuração Completa

Cenário: Gerar resumo executivo de relatórios longosConfiguração do Task Agent:Basic Information:

Name: executive_summary_task
Description: Geração de resumos executivos concisos e informativos
Goal: Criar resumos que capturem pontos-chave para tomada de decisão

Agent Assignment:

Assigned Agent: document_summarizer_pro
Specialization: Sumarização de documentos corporativos

Task Prompt:

# Tarefa: Geração de Resumo Executivo

Você é um especialista em criar resumos executivos para liderança corporativa.

## Input:
- Relatório completo (texto longo)
- Contexto do negócio
- Audiência-alvo (C-level, gerentes, etc.)

## Objetivo:
Criar resumo executivo que permita tomada de decisão rápida e informada.

## Estrutura obrigatória:
1. **Situação Atual** (2-3 frases)
2. **Principais Descobertas** (3-5 pontos)
3. **Recomendações** (2-4 ações específicas)
4. **Próximos Passos** (timeline e responsáveis)

## Critérios:
- Máximo 300 palavras
- Linguagem executiva (clara e direta)
- Foco em ações e resultados
- Dados quantitativos quando relevantes

Expected Output:

{
  "executive_summary": {
    "current_situation": "string (2-3 sentences)",
    "key_findings": [
      "string (finding 1)",
      "string (finding 2)",
      "string (finding 3)"
    ],
    "recommendations": [
      {
        "action": "string",
        "priority": "high|medium|low",
        "impact": "string",
        "effort": "string"
      }
    ],
    "next_steps": [
      {
        "action": "string",
        "timeline": "string",
        "responsible": "string"
      }
    ]
  },
  "metadata": {
    "word_count": "number",
    "reading_time": "string",
    "confidence_score": "number"
  }
}

3. Validação de Dados de Entrada

Configuração Completa

Cenário: Validar dados de formulários antes do processamentoConfiguração do Task Agent:Basic Information:

Name: data_validation_task
Description: Validação inteligente de dados de entrada
Goal: Garantir qualidade e completude dos dados antes do processamento

Agent Assignment:

Assigned Agent: data_validator_agent
Specialization: Validação e limpeza de dados

Task Prompt:

# Tarefa: Validação de Dados de Entrada

Você é um especialista em validação e qualidade de dados.

## Input:
- Dados de formulário (JSON)
- Schema de validação
- Regras de negócio específicas

## Validações obrigatórias:
1. **Formato**: Verificar tipos de dados e formatos
2. **Completude**: Identificar campos obrigatórios faltantes
3. **Consistência**: Verificar lógica entre campos
4. **Qualidade**: Detectar dados suspeitos ou inválidos
5. **Segurança**: Identificar possíveis ameaças

## Para cada erro encontrado:
- Identifique o campo específico
- Descreva o problema
- Sugira correção quando possível
- Classifique severidade (crítico/alto/médio/baixo)

Expected Output:

{
  "validation_result": {
    "is_valid": "boolean",
    "overall_score": "number (0-100)",
    "total_errors": "number",
    "total_warnings": "number"
  },
  "field_validation": {
    "field_name": {
      "is_valid": "boolean",
      "errors": ["array of error messages"],
      "warnings": ["array of warning messages"],
      "suggestions": ["array of suggestions"]
    }
  },
  "errors": [
    {
      "field": "string",
      "type": "format|required|consistency|quality|security",
      "severity": "critical|high|medium|low",
      "message": "string",
      "suggestion": "string"
    }
  ],
  "cleaned_data": {
    "description": "Data with automatic fixes applied",
    "data": "object with cleaned values"
  }
}

Integração com Outros Agentes

Usando Task Agents em Workflows

Em Sequential Workflows

Exemplo: Pipeline de Processamento de Conteúdo

Sequential Workflow:

1. **Task Agent: Extração de Dados**
   - Agent: data_extractor
   - Task: Extrair informações de documento
   - Output: structured_data

2. **Task Agent: Validação**
   - Agent: data_validator
   - Task: Validar dados extraídos
   - Input: {{structured_data}}
   - Output: validation_result

3. **Task Agent: Enriquecimento**
   - Agent: data_enricher
   - Task: Enriquecer com dados externos
   - Input: {{structured_data}}
   - Output: enriched_data

4. **Task Agent: Geração de Relatório**
   - Agent: report_generator
   - Task: Gerar relatório final
   - Input: {{enriched_data}}
   - Output: final_report

Em Parallel Workflows

Exemplo: Análise Completa de Produto

Parallel Workflow:

Executar simultaneamente:

- **Task Agent: Análise de Preços**
  - Agent: price_analyzer
  - Task: Analisar competitividade de preços

- **Task Agent: Análise de Reviews**
  - Agent: sentiment_analyzer
  - Task: Analisar sentimento dos clientes

- **Task Agent: Análise de Especificações**
  - Agent: spec_analyzer
  - Task: Comparar especificações técnicas

- **Task Agent: Análise de Disponibilidade**
  - Agent: availability_checker
  - Task: Verificar estoque e disponibilidade

Resultados são agregados em relatório unificado.

Em Workflow Agents

Exemplo: Workflow Visual Complexo

Workflow com Task Agents como nodes:

Start → Task Agent (Extração) → Condition (Dados Válidos?)
  ↓                                    ↓
Task Agent (Validação)           Task Agent (Correção)
  ↓                                    ↓
Task Agent (Processamento) ← ← ← ← ← ← ← ←
  ↓
Task Agent (Relatório) → End

Cada Task Agent tem responsabilidade específica e bem definida.

Monitoramento e Performance

Acompanhando Task Agents

Métricas de Performance

Métricas específicas para Task Agents:Execution Metrics:

Task Agent: sentiment_analysis_task

Performance Overview:
├── Total Executions: 2,847
├── Success Rate: 97.2%
├── Avg Execution Time: 4.3s
├── Avg Output Quality: 8.7/10
└── Last 24h: 156 executions

Output Validation:
├── Schema Compliance: 99.1%
├── Content Quality: 94.5%
├── Expected Format: 98.8%
└── Validation Failures: 2.8%

Agent Performance:
├── Agent: sentiment_specialist_v2
├── Specialization Match: 95%
├── Task Completion Rate: 97.2%
└── Quality Consistency: 92.1%

Debugging e Troubleshooting

Problemas comuns com Task Agents:1. Output Format Mismatch

Sintoma: Agent retorna formato diferente do esperado
Causa: Prompt não específico o suficiente
Solução: Refinar prompt com exemplos concretos

2. Task Scope Creep

Sintoma: Agent executa além do escopo da tarefa
Causa: Prompt muito amplo ou ambíguo
Solução: Definir limites claros na tarefa

3. Quality Inconsistency

Sintoma: Qualidade varia entre execuções
Causa: Agent não especializado ou prompt inconsistente
Solução: Usar agent mais especializado ou melhorar prompt

4. Performance Degradation

Sintoma: Tempo de execução aumentando
Causa: Agent sobrecarregado ou tarefa muito complexa
Solução: Otimizar tarefa ou usar agent mais poderoso

Melhores Práticas

Design de Tarefas Eficazes

Princípios para Task Agents eficazes:

Responsabilidade única: Uma tarefa específica e bem definida
Prompt claro: Instruções precisas e sem ambiguidade
Output estruturado: Formato de saída bem especificado
Agent adequado: Escolha agent com especialização apropriada
Validação robusta: Critérios claros para validar resultado

Especialização de Agentes

Matching tarefa-agente:

Análise de texto: Use agents especializados em NLP
Processamento de dados: Use agents com capacidades analíticas
Geração de conteúdo: Use agents criativos e especializados
Validação: Use agents focados em qualidade e precisão
Tradução: Use agents multilíngues especializados

Qualidade e Confiabilidade

Garantindo execução consistente:

Testing: Teste tarefas com diferentes inputs
Validation: Implemente validação automática de outputs
Monitoring: Monitore performance e qualidade continuamente
Feedback loop: Use resultados para melhorar prompts
Version control: Mantenha histórico de mudanças em tarefas

Casos de Uso Comuns

Análise de Conteúdo

Tarefas Analíticas:

Análise de sentimento
Extração de entidades
Classificação de texto
Sumarização de documentos

Processamento de Dados

Tarefas de Dados:

Validação de entrada
Limpeza de dados
Transformação de formatos
Enriquecimento de informações

Geração de Conteúdo

Tarefas Criativas:

Geração de resumos
Criação de relatórios
Tradução de textos
Formatação de documentos

Verificação e Qualidade

Tarefas de Controle:

Verificação de compliance
Controle de qualidade
Auditoria de dados
Validação de regras

Próximos Passos

Workflow Agent

Use Task Agents em workflows visuais complexos

Sequential Agent

Combine Task Agents em sequências ordenadas

Agente LLM

Entenda os agentes que executam as tarefas

A2A Agent

Use agentes externos como executores de tarefas

O Task Agent é perfeito para criar unidades de trabalho bem definidas e especializadas. Use-o quando quiser atribuir responsabilidades específicas a agentes especializados, seguindo o padrão do CrewAI para organização eficiente de equipes de agentes.

Get Started

​Visão Geral

​Características Principais

Uma Tarefa por Agent

Prompt Estruturado

Expected Output

Agente Atribuído

​Quando Usar Task Agent

​Criando um Task Agent

​Passo a Passo na Plataforma

​Exemplos Práticos

​1. Análise de Sentimento de Reviews

​2. Geração de Resumo Executivo

​3. Validação de Dados de Entrada

​Integração com Outros Agentes

​Usando Task Agents em Workflows

​Monitoramento e Performance

​Acompanhando Task Agents

​Melhores Práticas

​Casos de Uso Comuns

Análise de Conteúdo

Processamento de Dados

Geração de Conteúdo

Verificação e Qualidade

​Próximos Passos

Workflow Agent

Sequential Agent

Agente LLM

A2A Agent

Visão Geral

Características Principais

Quando Usar Task Agent

Criando um Task Agent

Passo a Passo na Plataforma

Exemplos Práticos

1. Análise de Sentimento de Reviews

2. Geração de Resumo Executivo

3. Validação de Dados de Entrada

Integração com Outros Agentes

Usando Task Agents em Workflows

Monitoramento e Performance

Acompanhando Task Agents

Melhores Práticas

Casos de Uso Comuns

Próximos Passos