Antes de dar mais ferramentas ao seu agente de IA, veja se ele sabe usar as que já tem

Dar mais ferramentas para um agente de IA↳Agentes de IA42 conteúdosOpera passa a integrar ChatGPT, Claude e outros agentes de IADev (Back & Front) · mar 2026Operações mais inteligentes, decisões mais rápidas: o impacto da IA agêntica na rotina de TIAI · abr 2026Adobe aposta em orquestração de agentes de IA: o que muda para devsDev (Back & Front) · abr 2026Ver tudo em AI → não significa necessariamente torná-lo melhor. Parece óbvio, mas achei interessante revisitar um material da Lilian Weng sobre agentes autônomos que traz um exemplo bem simples disso.

Um modelo tinha uma calculadora disponível e, mesmo assim, falhava em alguns problemas básicos de matemática. A calculadora funcionava perfeitamente, mas o problema era o modelo saber quando usar a ferramenta e quais informações passar para ela.

E acho que essa discussão ficou ainda mais interessante agora, com tanta gente construindo agentes.

Estamos conectando cada vez mais ferramentas, sistemas, APIs e dados… mas antes de aumentar esse catálogo é importante entender o quanto o agente já consegue usar bem aquilo que colocamos à disposição dele.

Mais ferramentas também significam mais decisões para o agente tomar. E nem sempre mais opções significam um agente melhor…

Sobre o artigo de Lilian Weng

No artigo LLM Powered Autonomous Agents (junho de 2023), Lilian apresenta a ideia de usar um LLM como o “cérebro” de um agente autônomo. Projetos como AutoGPT, GPT-Engineer e BabyAGI mostram que esses modelos podem ir além de gerar textos e código e atuar como solucionadores gerais de problemas. Segundo a autora, o sistema se apoia em três componentes: planejamento, memória e uso de ferramentas. A memória de curto prazo equivale ao aprendizado em contexto, e a de longo prazo costuma usar um banco vetorial externo com recuperação rápida. No uso de ferramentas, o agente chama APIs externas para obter o que o modelo não sabe, como informações atuais, execução de código e fontes proprietárias.

No planejamento, o texto destaca duas capacidades. A primeira é a decomposição de tarefas, em que o agente divide objetivos grandes em subobjetivos menores. Isso pode ser feito com Chain of Thought (“pense passo a passo”), com Tree of Thoughts, que explora vários caminhos de raciocínio em formato de árvore, ou com um planejador clássico externo, como no LLM+P, que usa a linguagem PDDL. A segunda é a autorreflexão, que permite ao agente corrigir erros e refinar decisões passadas, algo essencial em tarefas reais com tentativa e erro. O ReAct↳React37 conteúdos7 erros com React moderno que só aparecem em produção; e como evitarDev (Back & Front) · abr 2026React Native 0.76: o futuro do desenvolvimento mobileDev (Back & Front) · out 2024Simplificando componentes com React HooksDev (Back & Front) · mar 2019Ver tudo em Dev (Back & Front) → combina raciocínio em linguagem natural com ações no ambiente, como consultar a API da Wikipedia.

O artigo termina com três limitações/desafios:

• A primeira é o contexto finito, que restringe o histórico, as instruções e as respostas de API que o agente consegue considerar. Os bancos vetoriais ajudam, mas não têm o mesmo poder de representação da atenção completa.
• A segunda é a dificuldade com planejamento de longo prazo, já que os modelos têm dificuldade de ajustar planos diante de erros inesperados e são menos robustos que humanos.
• A terceira é a confiabilidade da interface em linguagem natural: o modelo pode errar o formato ou se recusar a seguir instruções, e por isso boa parte do código dos agentes se dedica a interpretar as saídas.