A era dos chatbots passivos de IA está chegando ao fim. Sistemas que ativamente raciocinam, planejam e executam tarefas. Agentic AI Para as organizações, isso representa um potencial salto na produtividade, mas também introduz novos desafios de engenharia. Neste artigo, vamos explorar a anatomia dos agentes de IA, como finalmente resolveu a barreira da integração, e como você pode arquitetar sistemas seguros e escaláveis onde humanos e agentes colaborem de forma eficaz. Model Context Protocol (MCP) O que é um agente AI? Alguns agentes de IA são simplesmente uma mensagem de sistema e uma coleção de ferramentas que são enviadas para um modelo que faz todo o pensamento. no entanto, há também agentes de IA mais poderosos que usam o LLM para recomendar e propor ações, então o agente de IA executa seu próprio código para executar funções como: • Execução de controle: máquinas de estado, gráficos de tarefas, retrias, timeouts • Políticas de aplicação: auth, scope, RBAC, regras de permissão/denegação • Validar ações: verificações de esquema, filtros de segurança, sandboxing • Gerenciamento de memória/estado: bancos de dados, armazéns vetoriais, estado de sessão • Agentes de coordenação: passagem de mensagens, separação de papéis, votação • Falha de manuseio: rollbacks, interruptores de circuito, human-in-the-loop Enquanto um LLM padrão (modelo de grande idioma) é passivo e espera por sua entrada para gerar uma resposta, um agente de IA é ativo. ele usa raciocínio para quebrar um objetivo em etapas, decide quais ferramentas usar e executa ações para alcançar um resultado. Os sistemas de inteligência artificial de agentes iniciam uma sessão enviando um LLM uma mensagem de sistema, que pode incluir a definição de agentes múltiplos e suas ferramentas.Algumas dessas ferramentas podem permitir que os agentes invocem outros agentes, gerenciem o contexto em si e até mesmo selecionem o modelo para o próximo passo. 
 
 
 
 
 
 
 
 
 
 LLM Chatbot 
 AI Agent 
 
 
 
 
 Flow 
 User Input -> Model -> Output 
 User Goal -> LLM -> Reasoning/Planning ->  Tool Use -> Action -> Verification -> Output 
 
 
 
 
 Summary 
 Gives you advice but you have to do the work. 
 You give the agents a goal and access to software, they come back when the job is done. Fluxo Input do usuário > Modelo > Saída Objetivo do usuário -> LLM -> Raciocínio/planejamento -> Utilização de ferramentas -> Ação -> Verificação -> Resultado Resumo Dê conselhos, mas você tem que fazer o trabalho. Você dá aos agentes um objetivo e acesso ao software, eles voltam quando o trabalho está feito. O domínio da construção de sistemas de inteligência artificial é encontrar a mistura certa de agentes, ferramentas e prompts que permitem que o LLM atinja seus objetivos, enquanto ainda fornece guarda-chuva e verificação adequadas. Para este fim, o gerenciamento das ferramentas e outros recursos disponíveis para os agentes de IA é um foco principal. Protocolo de Contexto Modelo É um padrão aberto criado por Em novembro de 2024, ele padroniza como os sistemas de IA se conectam a dados e serviços externos. MCP Antropologia A ideia por trás do MCP é que todos os provedores de API LLM permitam que o LLM invocasse ferramentas. os desenvolvedores podem se beneficiar de uma maneira estruturada para definir essas ferramentas e torná-las disponíveis para o LLM de forma uniforme e consistente. Antes do MCP, a integração de ferramentas de terceiros nos sistemas de IA da Agentic acrescentou muita fricção.Mas, ao fornecer uma interface universal para ler arquivos, executar funções e lidar com prompts contextuais, o MCP permite que modelos de IA acessem os dados de que precisam de forma segura e consistente, independentemente de onde essa informação viva. Desde o seu lançamento, o protocolo foi adotado por grandes provedores de IA, incluindo OpenAI e Google, consolidando seu papel como o padrão da indústria para a integração de sistemas de IA. O MCP opera através de uma arquitetura cliente-servidor simples com quatro componentes-chave: 
 
 
 
 
 O aplicativo hospedeiro como o Claude Desktop, os modernos IDEs ou o seu sistema de IA. O cliente MCP que estabelece conexões one-to-one do host para um servidor, muitas vezes uma capacidade incorporada de frameworks de IA. O servidor MCP que expõe ferramentas, recursos e prompts. A camada de transporte que gerencia a comunicação entre clientes e servidores. O MCP também abriu a porta para um ecossistema onde as plataformas de terceiros expõem suas capacidades aos agentes de IA, publicando seus próprios servidores oficiais de MCP. , em , em e todos os servidores MCP publicados. A Microsoft AWS Atlântico Sumo Lógica O MCP resolve um problema importante, mas é apenas um entre muitos para os agentes. Desenvolvimento de Sistemas de Agência Segura Agente de IA pode ir catastróficamente errado. Existem múltiplos riscos, tais como: 
 
 
 
 
 
 Prompt injeção que seqüestra fluxos de trabalho para exfiltrar dados ou executar ransomware. Privilege escalada através da cadeia de ferramentas que drena contas ou elimina sistemas de produção. Loops infinitos que queimam milhões em custos de API. Ações alucinadas que desencadeiam negociações irreversíveis ou violações de conformidade. **Token Torching **onde os atores maliciosos sequestram tokens gastando através do MCP. Os agentes são muitas vezes confiados com acesso a APIs, navegadores e infra-sistemas. Sem salvaguardas, isso amplifica muito seus riscos. 
 
 
 
 
 
 
 Validação de entrada, auditoria de saída e escalada humana no circuito formam a espinha dorsal da verificação. As decisões nunca são totalmente autônomas quando o raio de explosão ou o impacto financeiro é alto. Sandboxing e limites de permissão explícitos impedem o acesso não autorizado. Cada agente deve receber uma identidade distinta com credenciais de menor privilégio e tokens de alcance, em vez de herdar permissões de usuário. Tolerância de falha através da lógica de retrabalho, modelos de falha e detecção de anomalias garante que os sistemas degradem graciosamente sob falha. A observação profunda implementada através de telemetria padronizada, logging estruturado, coleta de métricas e painéis de monitoramento em tempo real permitem detecção e resposta rápidas. A engenharia de sistemas multiagentes eficazes requer um projeto de arquitetura deliberado que incorpore um ou mais padrões de coordenação: 
 
 
 
 Orquestração centralizada onde um agente supervisor coordena trabalhadores especializados e mantém o estado global. Comunicação peer-to-peer descentralizada que permite a interação agente-a-agente flexível. Delegação hierárquica que organiza agentes em níveis de abstração. Ambientes de desenvolvimento como os da Sumo Logic (uma plataforma de IA da Agência para centros de operações de segurança) pode ajudar significativamente, fornecendo infraestrutura essencial para a iteração segura em sistemas de agência antes da implantação de produção. A IA do Dojo é cuidadosamente curada de acordo com seus princípios de design e salvaguardas. Os clientes podem usar a IA do Dojo como ela é e eles podem construir seu próprio ambiente de IA da agência (semelhante a IA do Dojo) para suas próprias competências centrais baseadas em IA. permite que você execute consultas de dados e faça chamadas de agente de IA do Dojo quando necessário de seus próprios agentes de IA. Dojo o Serviço Sumo Logic MCP Em seguida, vamos ver algumas das diferentes maneiras pelas quais as pessoas interagem com os sistemas de IA da Agência. Como as pessoas colaboram com os agentes da IA Os sistemas tradicionais seguem um fluxo de trabalho bem definido e algoritmos pré-programados. as entradas e saídas do usuário são totalmente estruturadas. Mesmo em sistemas dinâmicos, a entrada do usuário pode controlar deterministicamente o fluxo. Os sistemas de IA agentes, no entanto, são diferentes. O LLM controla o fluxo (dentro de seus guardrails). Os usuários fornecem intenção e motivação iniciais, e mais tarde operam como aprovadores e uma função de gating. Então, como podemos melhor colaborar com esses agentes? Uma das maneiras mais comuns de interagir com agentes de IA é através de chatbots, onde você pode trocar texto, imagens e arquivos com LLMs e seus agentes. Claro, chatbots genéricos como ChatGPT, Gemini e Claude Desktop não estão cientes de seus agentes fora da caixa. Outra opção interessante é construir um aplicativo Slack que permita que os agentes se juntem a canais, interajam com os usuários, monitorem automaticamente os canais e respondam automaticamente a eventos. Este é um ambiente rico, pois permite que humanos e agentes colaborem sem problemas.A experiência do usuário do Slack já suporta canais de grupo e fios, para que os agentes possam adicionar detalhes como sua cadeia de pensamentos ou citações sem confundir a tela. Se você precisar de uma experiência de usuário ainda mais especializada, você pode criar um aplicativo personalizado para a web, desktop ou móvel para seus agentes. Você pode até criar um chatbot como , uma integração de aplicativos Slack, ou um conjunto personalizado de agentes como . Mobbing Dojo o O futuro dos agentes Talvez a coisa mais importante para entender sobre os agentes de IA é que eles estão vindo mais rápido do que você pensa.No passado, as grandes revoluções tecnológicas como o computador pessoal, a internet e os telefones celulares levaram décadas para se tornarem onipresentes e o ritmo da inovação era gerenciável. Muitos especialistas preveem que, nos próximos anos, os agentes de IA serão capazes de realizar qualquer trabalho de conhecimento melhor do que os melhores humanos.Eles desbloquearão descobertas científicas e proporcionarão ganhos de produtividade sem precedentes.O trabalho manual não está muito atrás, com robôs humanoides fazendo passos impressionantes alimentados por agentes de IA. Os LLMs já podem executar muitas tarefas, bem como humanos, embora não tenham a capacidade de planejar e operar em horizontes de longo prazo, lidar com a complexidade e manter a coerência. Mas com uma rede cuidadosamente construída de agentes e um conjunto curado de ferramentas que colaboram em várias iterações para realizar tarefas de longo horizonte, essas restrições estão sendo removidas. Há muita inovação neste domínio além de apenas MCP, como a orquestração de agentes, kits de ferramentas e camadas de verificação. Normalização da indústria Estamos começando agora a ver a padronização de técnicas, ferramentas e formatos para agentes de IA. é uma nova iniciativa sob a Fundação Linux para garantir que a Agência de IA evolua de forma aberta e colaborativa. inclui Anthropic, OpenAI, Amazon, Google, Microsoft e Block. Ele hospeda várias tecnologias de agentes proeminentes, incluindo MCP, goose, e . Fundação Agentic AI (AAIF) Membros Agência.md Existem outros esforços abertos proeminentes, incluindo o do Google. e (Também proveniente de Antropologia) Protocolo Agent2Agent (A2A) Habilidades do Agente Experiência de usuário dinâmica O futuro da experiência do usuário é tudo sobre a UI geradora.O LLM e os agentes gerarão uma UI apropriada no voo dependendo da consulta, usuário, histórico de conversação e muito mais. Por exemplo, se você perguntar sobre o mercado de ações, em vez de fornecer uma visão geral das notícias de negócios de hoje, o sistema de IA pode decidir mostrar uma cronologia histórica e um gráfico de bolo com suas posições atuais, bem como links para materiais educacionais relevantes. A mudança para os agentes Estamos passando da geração passiva de texto para o trabalho ativo e autônomo.Como vimos, essa mudança requer mais do que apenas novos modelos. Para ter sucesso, as organizações devem se concentrar em: 
 
 
 
 Utilização do Protocolo de Contexto Modelo (MCP). Movendo-se para além de simples prompts para uma estratégia de "defesa em profundidade". Projetar interfaces, como aplicativos Slack e UIs personalizados, onde os seres humanos fornecem a intenção e os agentes lidam com a execução. Os agentes da IA podem em breve superar os trabalhadores do conhecimento humano, desbloquear grandes ganhos científicos e de produtividade e, eventualmente, expandir-se para o trabalho físico através da robótica. Tenha um dia realmente maravilhoso!

2022 - HackerNoon Contributor of the Year - Cloud Computing

2022 - HackerNoon Contributor of the Year - Design

2022 - HackerNoon Contributor of the Year - Heroku

2022 - HackerNoon Contributor of the Year - Javascript

2022 - HackerNoon Contributor of the Year - Salesforce

2022 - Hackernoons Tech Storyteller of the Year

I ♥ writing code. Find me on GitLab.

Nominated for 2022 - HackerNoon Contributor of the Year - Javascript

Nominated for 2022 - Hackernoons Tech Storyteller of the Year

Nominated for 2022 - HackerNoon Contributor of the Year - Cloud Computing

Nominated for 2022 - HackerNoon Contributor of the Year - Heroku

Nominated for 2022 - HackerNoon Contributor of the Year - Design

Nominated for 2022 - HackerNoon Contributor of the Year - Salesforce

Este áudio é produzido no idioma original da história!

Muito longo; Para ler

MCP explicado: o protocolo que desbloqueou os ecossistemas de agentes de IA reais

MCP explicado: o protocolo que desbloqueou os ecossistemas de agentes de IA reais

About Author

COMENTARIOS

Rótulos

ESTE ARTIGO FOI APRESENTADO EM

Related Stories

Digital Nomads Ouçam: O que você precisa saber sobre o novo visto DTV da Tailândia

Crescimento de Criptomoedas: Criando Personas de Usuários Eficazes

Liberando o poder da IA. Uma revisão sistemática de técnicas de ponta: resumo e introdução

Guia do arquiteto para construir arquitetura de referência para um Datalake de IA/ML

Digital Nomads Ouçam: O que você precisa saber sobre o novo visto DTV da Tailândia

Crescimento de Criptomoedas: Criando Personas de Usuários Eficazes

Liberando o poder da IA. Uma revisão sistemática de técnicas de ponta: resumo e introdução

Guia do arquiteto para construir arquitetura de referência para um Datalake de IA/ML

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps