Agentes de IA em 19 Minutos: O Que Ninguém Te Explica
Publicado no IA Dots ·
Agentes de IAAI Signaldot-ai_agentsdot-artificial_intelligenceidioma-ptPortuguêsyt-ma4adpXEx0U
Vídeo em Português, publicado pelo canal Macks Wendhell I Inteligência Aplicada.
Sobre este conteúdo: O resumo, os principais pontos e os temas abaixo são gerados automaticamente a partir da transcrição do vídeo. Eles refletem o conteúdo, opiniões, afirmações e previsões apresentadas no vídeo e não representam posicionamento, validação ou verificação de fatos pelo IA Dots.
Resumo do vídeo
O vídeo explica o conceito de harness, a estrutura externa que envolve os modelos de inteligência artificial para direcionar suas ações, fornecendo contexto, memória, ferramentas, verificação e permissões. O palestrante detalha cada uma dessas cinco camadas com exemplos práticos, demonstrando como elas permitem que os agentes de IA executem tarefas complexas no mundo real de forma segura e eficiente.
Principais pontos
- O modelo de IA funciona como o cérebro, enquanto o harness é a estrutura ao redor que direciona sua força e permite a execução de tarefas práticas.
- O harness é dividido em cinco camadas principais: contexto, memória, ferramentas, verificação e permissões.
- O contexto engloba o conjunto de informações necessárias para o agente tomar decisões durante a sessão, como objetivos, público e identidade visual.
- A memória, muitas vezes registrada em arquivos como o handoff, permite manter o histórico e a continuidade do projeto ao longo de várias sessões.
- As ferramentas e os MCPs (Model Context Protocols) capacitam o agente a interagir com arquivos, navegadores e aplicações externas.
- Camadas de segurança, como sandboxes e permissões de aprovação, garantem que o agente teste e execute alterações sem afetar diretamente o ambiente de produção.
Temas
Harness de IAAgentes de IAContexto e MemóriaFerramentas e MCPsVerificação e TestesPermissões e Segurança
Transcrição do vídeo
Texto das legendas disponíveis; pode conter erros.
Quando você pede para uma IA criar uma página, organizar os arquivos ou terminar um relatório, o modelo é só uma parte do que realmente está trabalhando ali. Em volta dele existe uma estrutura que entrega os arquivos certos, deixa ele agir, confere o resultado e segura aquilo que precisa ser aprovado. Essa estrutura tem um nome, é o harness. Em inglês, harness significa arreio, a sela e as rédeas que a gente coloca no cavalo. O cavalo tem a força de sobra, mas sozinho vai para onde quiser. O arreio leva a força para onde a gente gostaria que ela fosse. Com a IA é da mesma forma. O modelo é a força e o harness, ele dá essa direção para onde a gente quer que a IA siga. Eu uso agentes de IA todos os dias no meu trabalho. Entender essas peças não exige saber programar. Então, nesse vídeo, eu vou abrir cada uma delas, o que significa, dando exemplos para quem não é técnico conseguir entender e fazer melhor uso dos seus agentes de IA. Então, nesse vídeo, eu vou abrir cada uma delas, o que significa, dando exemplos para quem não é técnico conseguir entender e fazer melhor uso dos seus agentes de IA. O Claude Code e o Codex são produtos que colocam um modelo dentro de um sistema de trabalho. O modelo interpreta o pedido, decide e o próximo passo. O sistema, ele organiza essa conversa, oferece as ferramentas e executa o que é permitido e devolve para o modelo o que aconteceu. Até uma janela de chat tem uma estrutura dessas. Só que no agente que cria arquivos e mexe em aplicativo, por exemplo, ela pesa muito mais porque ela que executa cada um desses passos. Tem um exemplo que mostra bem isso. Se você pegar o Claude e colocar ele para rodar dentro do harness do Codex, por exemplo, que é da OpenAI. O desenho, ele muda bastante. O modelo é o mesmo. O que mudou foi a estrutura em volta dele. Ou seja, o mesmo modelo trabalha de jeitos diferentes dependendo do harness que ele tá trabalhando. A informação que chega, as ferramentas que ele tem, se exige revisão ou então se ele precisa parar de trabalhar em um determinado momento. Então quando você compara os dois agentes, está comparando também o sistema em volta do modelo. Então vamos ver o que o modelo entrega sozinho. Ele produz uma resposta a partir do que recebeu, consegue explicar como seria a página do curso até escrever aquele texto daquela página. Mas sem acesso aos seus arquivos, ele não conhece a identidade visual daquela marca. As ferramentas, ele não mexe na página. Sem ver o navegador também, ele não sabe se o botão funciona. E sem uma regra de aprovação, ele não sabe onde parar. Essas são capacidades diferentes. O Harness é o que junta todas essas capacidades em torno do modelo. E para entender esse sistema sem entrar em código, eu vou dividir em cinco camadas. Contexto, que é o que a IA precisa saber nesse momento, memória, que ela precisa para poder continuar disponível ao longo daquele trabalho, ferramentas, o que ela consegue fazer, verificação, como saber se aquilo deu certo e as permissões para ela saber até onde ela pode ir sozinha. A partir daqui, cada camada entra na mesma tarefa, a página de inscrição. No final, você vai ver as cinco funcionando juntas num ciclo só. Começando então pelo contexto. Você pede, cria uma página de inscrição. Só que falta quase tudo. Falta dizer o que é aquele curso, para quem que aquele curso foi feito, com que tom você vai criar aquela página de inscrição, por exemplo. Contexto então é o conjunto de informações que o agente entrega para o modelo para tomar aquelas decisões que ele precisa ao longo de todas aquelas etapas durante aquela sessão. Nesse nosso exemplo, entram o objetivo, o curso, o público, a identidade visual, o texto, se aquilo já foi aprovado ou não, se você tem os arquivos dentro de uma pasta, ou seja, todo o contexto que envolve as pastas, tudo aquilo que você já enviou dentro daquela sessão. Alguns agentes também leem instruções fixas do produto longa. Funciona então da seguinte forma: pede para guardar as notas de um projeto, compactar aquela conversa, você pode usar o {barra} compact para isso ou criar um arquivo handoff para levar isso ao longo de todas as sessões. E você precisa fazer isso desde a primeira sessão onde você começa aquele novo projeto, fazendo escolhas e o próprio agente vai gerenciando essa memória ao longo do desenvolvimento daquele sistema. Então, o que é importante, ele precisa ficar registrado no projeto, num arquivo, como eu mencionei, chamado handoff, é como eu faço aqui nos meus projetos. Na minha leitura, uma boa memória é aquela que consegue abrir, conferir e você consegue ajustar depois de meses daquele sistema pronto, você consegue ter aquilo ali dentro desse arquivo handoff, já comitado, com toda a árvore daquele projeto, para você não perder o fio da meada e não conseguir revisar ou refazer aquele projeto depois de um bom tempo. Com um contexto, então, agora e essa memória, o modelo, ele já consegue, então, decidir o que ele precisa fazer. Então, veja que a IA, ela é esse cérebro, mas meio que dentro de uma garrafa. Agora nós demos contexto e já demos também memória, mas a gente precisa saber gerenciar esse contexto e essa memória do nosso agente. Mas então, para executar, ela precisa também, além de contexto e de memória, das ferramentas. Ler um arquivo, editar a página, abrir uma prévia, consultar uma planilha, todas essas são ações externas. O caminho, então, é esse. O modelo, ele pede uma ação, o harness, ele controla a ferramenta certa e ele executa e desenvolve e aquele resultado, ele sai na sua tela. Então, é aí que está o motor agêntico do Cloud Code, do Codex, quando você pede para ele fazer uma ação externa, ele consegue entrar dentro da web, do Chrome, navegar, clicar nos botões, preencher formulário. Então, aqui ele consegue fazer isso graças a essas ferramentas externas que a gente tem visto, os MCPs, por exemplo. Aí o modelo consegue decidir e formular o passo seguinte. No nosso caso, ele lê as referências da marca, cria um rascunho, abre uma página no seu navegador e esse retorno, ele faz toda a diferença, porque sem ele, sem essas ferramentas, a IA só conseguiria imaginar e sugerir para você o que você deveria fazer, ela não conseguiria desenvolver. E aqui os principais conectores, eles são, de fato, os MCPs, que são como cabos, você conecta a diferentes ferramentas, onde a tarefa, o trabalho, o contexto, ele, de fato, mora. Agora, mais ferramenta também não significa que a tarefa, ela vai ser executada melhor automaticamente. Para criar um rascunho de uma página, o agente, ele precisa editar os arquivos, ver as prévias, ele não precisa da sua lista de clientes, nem enviar um e-mail, nem publicar direto. Cada conexão precisa ter um motivo e quanto mais justo esse acesso, menor é o estrago potencial que o agente poderia causar. A página aparece na tela, o título ficou bonito, isso ainda não diz que aquilo está pronto e funcionando de fato. O agente, ele pode abrir a versão de celular, clicar no botão, preencher formulário, ver aqueles dados, se aquilo chegou de fato, se está tudo ali no lugar certo. Essa é a verificação, é conferir o resultado com um critério específico e ele não pode ser um critério subjetivo. Lá atrás, quando o ChatGPT ficou popular, ele podia responder que 17 x 3 é 48, ainda insistir no erro quando você corrigia. O modelo, ele não tem uma calculadora dentro dele. Isso só se resolveu quando deram uma calculadora para ele poder utilizar. Na página é a mesma lógica e o teste, ele precisa cobrir o que foi prometido, porque ele pode carregar sem erro nenhum e estar com preço errado, porque falta essas ferramentas para ele poder definir se aquilo de fato está funcionando. Ele precisa ter um meio objetivo para ver isso funcionando e é aqui que houve esse maior avanço dos modelos agênticos aqui. Lá na demonstração, eu só publiquei depois da revisão. Naquele momento, a página deixou de ser um rascunho e ficou visível para qualquer pessoa. Então, a camada de permissões, ela define o que o agente pode fazer direto e o que ele precisa esperar você dar aprovação. Para esse exemplo, uma configuração razoável seria ler as referências, editar um rascunho liberado, publicar ou disparar uma mensagem, apagar aquele material, artigo, só que a sua aprovação precisa acontecer para que aquilo aconteça. Isso também envolve e influencia bastante no bom funcionamento do agente nessa estrutura que a gente está chamando de Harness. Ou seja, antes da ferramenta agir, o pedido do modelo, ele passa por esse filtro, esse salvaguarda que todos os agentes têm. E quem autoriza essas ações é você. E tem ainda mais uma camada de proteção dentro desse ambiente. O Sandbox, ele é um espaço fechado onde o agente, ele pode testar e editar com acesso só aquilo que foi autorizado. Se ele errar ali dentro, o erro, ele tende a ficar ali dentro daquele ambiente fechado. Na nossa página, por exemplo, ele mexe numa cópia de trabalho, ele roda os testes sem tocar no site, sem que aquilo vá para produção. Algumas ferramentas também rodam verificações automáticas toda vez que o agente ele edita alguma coisa. Essas regras automáticas, elas são chamadas de hooks. No fim, o agente, ele trabalha, mas só naquele ambiente, com aquelas regras definidas, com aquelas autorizações pré-definidas naquele ambiente, vamos dizer assim, seguro para que aquilo não afete aquilo que já está em produção. É um ambiente de teste e em todos os projetos, talvez você não perceba, o Cloud Code, ele sempre trabalha dentro desse ambiente antes de levar aquilo para produção. Se você não viu ainda nenhum algum projeto seu, pede para ele abrir o ambiente de teste, o ambiente de execução, você vai ver, ele sempre tem isso desenvolvido, é um salvaguarda padrão, é um hook padrão, é no processo de desenvolvimento web ou de sistemas como aplicativos também. Agora, dá para entender melhor também, então, o papel do modelo no meio de tudo isso, o modelo de IA. Cada passo, ele recebe um pedido, um contexto, o resultado mais recente daquilo que está dentro da memória dele e a partir daí, então, ele escolhe o que ele deve fazer: responder, usar uma ferramenta, pedir uma informação ou continuar analisando aquela tarefa. E esse continuar analisando, ele tem uma técnica bem simples por trás. O Harness, ele pega primeiro a primeira ideia do modelo e devolve para ele uma objeção no final. Aí o modelo, ele precisa ler aquilo e colocar um mas naquilo que ele pensou inicialmente em desenvolver. Esse mas é o que a gente vê dentro dos modelos de IA aparecendo para nós como o modelo de pensamento ativo. Sempre o modelo, ele vai pensar uma primeira execução e ver o que ele pode, o aquilo que ele pensou inicialmente fazer, pode dar errado. Se a prévia mostrou o formulário quebrado dentro desse pensamento, depois que ele colocou esse mas, então, ele corrige antes de executar. Ou ele já executa a partir daquele plano reformulado depois do modelo de pensamento ativado. Se faltou, por exemplo, alguma coisa dentro desse processo, nessa criação da página, ele volta e já corrige e entrega aquela tarefa pronta. Por isso que os modelos se tornaram tão mais eficientes quando foi lançado. E na verdade, é uma engenharia de Harness, basicamente. É você fazer uma pergunta para o agente antes dele te entregar aquilo, para ele verificar o que precisa ser revisitado antes dele entregar aquela tarefa. Então, um bom agente, ele também erra. A diferença aqui é que ele corrige isso antes de te entregar aquele resultado. Então, se toda essa conversa ainda não fez totalmente sentido para você, se você ainda não entendeu, eu acho que agora vai ficar tudo mais claro. O ciclo inteiro aqui nesse slide, ele se fecha. Você define o objetivo, o modelo decide o próximo passo, se precisar agir, o Harness, ele checa aquelas permissões, executa as ferramentas disponíveis dentro daquele ambiente que já foram liberadas. O resultado, ele volta, o agente, ele lê e consegue verificar aquilo que dá para decidir, ele já executa, aquilo que tem algum porém, ele já faz a correção e vai para a próxima ação. Isso se repete até se cumprir aquilo que foi estabelecido no objetivo dentro daquela sessão. Na página do curso, que é o nosso exemplo, esse ciclo, ele roda várias vezes. Monta uma estrutura, abre uma prévia, corrige o formulário, confere no celular, entrega um rascunho para a sua aprovação. Então, a IA evoluiu em duas frentes. O modelo ficando mais inteligente e o harness em volta dele ficando melhor também. Então, quando um modelo, ele dá um salto num teste de desempenho, parte desse salto, ele pode ter vindo basicamente da estrutura do harness, que é esse motor que embala ali o agente para que ele execute melhor as ações. E as próximas mudanças, então, nessa estrutura, elas vão beneficiar também o agente, o modelo de IA ali por trás. Por exemplo, mais conexões com as plataformas ligadas por MCP e levando o agente dentro desses aplicativos para que eles sejam utilizados. Esses MCPs, no caso de conexões com aplicativos, eles são como um mapa para o agente saber navegar ali dentro daquele aplicativo. Inclusive, o novo SEO, é, tem se falado muito sobre isso, todo mundo que desenvolve sistemas SaaS, eles estão muito atentos a isso porque eles precisam criar um ambiente para que os agentes de IA consigam acessar, porque a maioria das tarefas hoje em dia, elas estão sendo desenvolvidas por esses agentes de IA trabalhando de forma via CLI dentro de um terminal. Então, se o seu sistema, ele não está preparado para receber esses agentes de IA, você acaba ficando de fora daquela busca, daquela pesquisa, o seu aplicativo, ele acaba ficando de fora. Então, para a gente fechar essa aula de hoje, o modelo de IA, ele é o cérebro e o harness, ele é aquilo que dá capacidade desse cérebro entregar de fato. Sem o harness, um modelo de IA é só um cérebro dentro de uma garrafa. Ele não consegue acessar o ambiente onde o trabalho de fato acontece. E aqui tem uma divisória que eu acho interessante nessa discussão, para você poder treinar um modelo de IA demanda muita energia, processador, GPU, ou seja, é um processo muito mais caro e custoso. Já o Harness, ele demanda engenharia, é você entregar para um agente de IA ações externas, criar um MCP. Não sei se você já desenvolveu algum aplicativo, mas hoje está extremamente simples você criar um MCP para o Cloud Code ter acesso ao seu software. Eu recentemente tô lançando o meu próprio produto de editor de vídeo, eu já tenho uma página, tô começando a fazer agora o processo de captação. Se você quiser entrar inclusive na lista de espera, vou deixar o link na descrição. É a forma que eu edito os meus vídeos hoje, é o Hack Movie, tem uma página. E a etapa que eu achei que ia ser mais custosa de criar um MCP para esse aplicativo foi uma etapa de uma tarde. O Cloud Code conseguiu criar, lógico que precisou de alguns refinamentos, porque cada função que você tem dentro de um aplicativo, você precisa criar uma configuração, é um caminho. O MCP nesse universo, por exemplo, de software de edição de vídeo, ele dá o mapa das funcionalidades. Então, se um aplicativo, por exemplo, ele tem uma ferramenta de remover o fundo do vídeo, para você poder dar esse caminho para o Cloud Code conseguir acessar, você cria aquele bypass para essa funcionalidade, para o Cloud Code não ter que ficar tirando print, clicando e fazendo teste, ou seja, perdido ali. É muito mais eficiente a conexão entre esses ambientes. Então, aqui é muito interessante você ver essa evolução. Então, a gente já tá num momento do universo de inteligência artificial onde a evolução do Harness, que é muito mais fácil, consegue ser feita pelo próprio agente de IA, que é o que a gente viu agora com os mods, podendo o próprio agente configurar o seu ambiente de trabalho e isso dando um benefício, um ganho real de produtividade muito grande. Então, essa foi a ideia daquilo que eu queria compartilhar no vídeo de hoje. Espero que você tenha gostado, que alguma coisa que tenha te inspirado a fazer o melhor uso de inteligência artificial, para você ser mais produtivo, intencional no uso de IA. Se você não é inscrito, se inscreva aqui nesse canal, deixe o like nesse vídeo e nós iremos nos ver no próximo.
Assistir ao vídeo original no YouTube
Assuntos: Agentes de IA. Publicado no YouTube em 2026-10-18.
Seleção automática por assunto e idioma. O vídeo pertence ao canal de origem.