Do modelo que responde ao modelo que age

Pensar, agir, observar

Um agente não é necessariamente um modelo mais inteligente. É um modelo colocado dentro de um ciclo em que pode decidir uma ação, chamar uma ferramenta, observar o resultado e continuar.

Observe o loop: o modelo pensa, escolhe uma ferramenta, lê o resultado, recomeça. Cada ciclo é uma nova predição de token — o «agente» emerge de um LLM ao qual ensinaram a chamar funções, não de uma nova arquitetura.

O que é preciso reter dessas tarefas: em nenhum momento o modelo executa o que quer que seja. Ele produz texto — uma reflexão, depois uma chamada de ferramenta bem formada — e é o sistema ao redor dele que executa de fato a chamada e lhe devolve o resultado. A outra coisa visível na tela é que o contexto só faz crescer: cada volta acrescenta a ele o pensamento, a chamada e a observação. Um agente não é, portanto, um novo tipo de modelo. É um loop de predição de tokens no qual reinjetamos o mundo exterior a cada volta — e essas duas propriedades explicam todo o resto do capítulo, do formato das ferramentas até os riscos.

O ciclo ReAct

O padrão clássico se chama ReAct: Reason + Act.

1. O modelo raciocina sobre o próximo passo.
2. Produz uma ação estruturada: chamar uma ferramenta, buscar, calcular.
3. O sistema executa essa ação.
4. O resultado volta para o contexto.
5. O modelo decide se precisa de outro passo ou se pode responder.

O modelo não executa a ferramenta dentro dos pesos. Ele escreve uma chamada que o programa ao redor interpreta.

Por que funciona

Um LLM é bom com linguagem, planejamento aproximado e transformação de informação. É ruim com aritmética exata, dados em tempo real e ações externas.

Ferramentas compensam essas fraquezas:

• calculadora para números exatos
• busca para informação recente
• banco de dados para dados internos
• API para agir em um sistema

O agente combina linguagem e execução.

Riscos

Dar ferramentas a um modelo também aumenta o risco:

• ele pode escolher a ferramenta errada
• pode interpretar mal uma observação
• pode entrar em ciclos
• pode executar ações amplas demais
• pode fazer reward hacking: se o objetivo está mal especificado, encontrar atalhos inesperados para maximizar sua pontuação sem fazer o que realmente se queria

Por isso um agente sério precisa de limites: permissões, validações, logs, confirmações humanas para ações sensíveis.

MCP: rumo a um padrão para ferramentas

No começo, cada fornecedor definia seu próprio formato de tool use: a OpenAI tinha function calling, a Anthropic seus blocos tool_use / tool_result, cada framework agêntico reinventava a roda. Formatos públicos e documentados, mas cada um o seu. Resultado: incompatibilidades, integrações refeitas para cada modelo, ecossistema fragmentado.

Em novembro de 2024, a Anthropic publicou o Model Context Protocol (MCP): um padrão aberto para descrever ferramentas, recursos e prompts de forma independente do modelo. Um servidor MCP expõe um conjunto de ferramentas (por exemplo, "leia este arquivo", "consulte este banco de dados"). Qualquer cliente compatível com MCP — Claude Desktop, Cursor, extensões do VSCode, frameworks agênticos — pode se conectar a ele.

A analogia que aparece com frequência: o MCP está para os LLMs como o USB-C está para os periféricos. Uma porta comum.

A adoção foi rápida: OpenAI, Microsoft e a maioria dos fornecedores principais anunciaram suporte ao MCP em 2025. Tornou-se de fato o protocolo padrão para tool use.

Code interpreter, sandboxes, computer use

Algumas classes de ferramentas particularmente importantes:

Code interpreter. Um sandbox Python (às vezes JavaScript) onde o modelo pode executar código arbitrário. Cálculos precisos, manipulação de dados, geração de gráficos — tudo o que os LLMs fazem mal nativamente, eles podem delegar ao Python. Disponível na OpenAI, Claude, Google.

Browser / web automation. Uma ferramenta que torna o modelo capaz de clicar, rolar, preencher formulários em páginas web. A Anthropic chama isso de computer use, e a OpenAI abriu caminho no início de 2025 com o Operator — um produto separado, desde então incorporado ao ChatGPT. Hoje todos os grandes fornecedores oferecem um modo desse tipo. Ainda frágil, mas evolui rápido.

File system & shell. Uma ferramenta que dá acesso a um disco virtual e a um terminal. O coração dos "coding agents" como Cursor, Cline, Aider, Claude Code.

Memória de longo prazo

O contexto de um agente cresce, mas continua limitado. Como um assistente reconhece você na próxima conversa? Com uma memória de longo prazo externa.

Várias abordagens:

• Memória vetorial — cada interação importante é resumida e armazenada como embedding. A cada nova conversa, recuperam-se as memórias relevantes (RAG, versão memória).
• Perfil de usuário estruturado — o agente mantém um dossiê sobre o usuário (preferências, projetos em andamento, histórico).
• Memória procedural — o agente guarda receitas que funcionaram ("para resumir um paper, siga estes passos").

ChatGPT introduziu memória em 2024, Claude em 2025. É uma das áreas mais ativas no desenho de agentes.

O próximo passo

Ferramentas ou não, tudo o que o modelo faz continua sendo comandado pelo texto que você lhe dá. Antes de mexer nos pesos, vale dominar essa alavanca: é o prompt engineering.

Atualizado em 2 de agosto de 2026