Agente vs. chat: o loop objetivo → planejar → agir

Tudo o que você estudou até agora foi um diálogo: você pergunta → ele responde → você decide o que fazer em seguida. Um agente assume o "o que fazer em seguida" para si mesmo. Na lição anterior, concordamos com uma definição de trabalho de um agente; agora vamos desvendar o mecanismo em que todo o curso se baseia — o loop.

O loop do agente

1. Objetivo: "encontrar 10 locais de publicidade adequados e coletar seus preços em uma tabela".
2. Plano: o agente divide o objetivo em passos: pesquisar locais → abrir cada um → encontrar a tabela de preços → anotar.
3. Ação: ele chama uma ferramenta — uma operação externa disponível para o modelo: pesquisar, ler uma página, escrever em uma planilha. Ferramentas são as "mãos" que o chat de 2022 não tinha.
4. Observação: ele obtém o resultado da ação e avalia: funcionou? há dados suficientes? O resultado de cada ação é literalmente chamado de observação.
5. Repetir — do passo 2, até que o objetivo seja alcançado (ou o limite de turnos seja atingido — uma salvaguarda contra loops infinitos, abordada no módulo de confiabilidade).

A principal diferença do chat: o modelo toma as decisões dentro do loop, não você. Você define o objetivo, os limites e as ferramentas — o agente constrói a rota por si mesmo.

Um mini-rastreamento: três turnos pelos olhos do agente

Veja como o loop se parece por dentro — na nossa tarefa de locais:

• Turno 1. Pensamento: Preciso de uma lista de locais. Ação: pesquisar "publicidade em blogs de culinária". Observação: 12 links, 7 parecem blogs.
• Turno 2. Pensamento: abrir o primeiro. Ação: abrir link #1. Observação: a página não carregou — erro.
• Turno 3. Pensamento: link quebrado — marcar, pegar o próximo. Ação: abrir link #2. Observação: há uma página "Anuncie" com um preço. Escrevendo na tabela.

Olhe o turno 2: a ferramenta retornou um erro — e o agente revisou o plano em vez de insistir teimosamente. A observação é o que mantém o loop vivo. Lembra do AutoGPT da lição anterior? Ele falhou exatamente aqui: convenceu-se de que o passo havia sido bem-sucedido e arrastou o "sucesso" inventado para os próximos turnos.

Um agente não é um novo modelo

Vamos tirar a mágica: dentro de um agente roda o mesmo modelo de linguagem que em um chat. A diferença é o "arnês" ao redor dele: o loop, as ferramentas e a memória (o que o agente mantém entre os turnos — uma lição separada à frente). Assim, o agente herda todas as fraquezas do modelo: ele pode errar, pode "ver" coisas que não estão lá. E o loop amplifica tanto as habilidades quanto os erros: uma observação errada no turno 2 se torna a entrada do turno 3.

A resposta: um chat deve entregar tudo de uma vez, enquanto um agente pode tentar, olhar o resultado e se corrigir. Não mais inteligência — mais tentativas, e cada uma delas se apoia na realidade (observações), não em um palpite.

Você já viu agentes

• Pesquisa aprofundada — um agente de busca: ele planeja consultas, lê fontes, monta um relatório. Seu loop: consulta → ler → "o que está faltando?" → nova consulta.
• Agentes de codificação (Claude Code, Replit e outros) — eles escrevem código, o executam, veem o erro, o corrigem. Executar o código é a "observação" deles.
• O nó de agente no n8n — o construtor de automação que nossa plataforma aborda em um curso separado: o próprio nó decide se deve verificar a planilha ou executar uma busca.

O mesmo padrão sempre — agora você sabe o nome e pode ver o loop.

Quando você precisa de um agente, e quando um chat ou um workflow serve

• Uma resposta de um passo → um chat.
• Uma cadeia fixa de passos → um workflow (setas no n8n): um humano escreveu a rota com antecedência — mais barato e previsível.
• Passos desconhecidos com antecedência, dependendo das descobertas → um agente.

O erro clássico de iniciante é usar um agente onde um workflow serviria. Um agente não é "mais legal" — é "mais flexível, mas com um preço": cada turno é uma chamada de modelo separada, então é mais caro, mais lento, menos previsível. Uma lição inteira é dedicada a essa escolha — logo após o mapa de aplicações.

Sandbox: sinta a diferença com as suas mãos

Envie dois prompts um após o outro e compare. Primeiro um chat comum:

Responda em um parágrafo: como planejo o lançamento de um novo produto?

Agora faça o modelo atuar como um agente:

Atue como um agente autônomo. OBJETIVO: planejar o lançamento de um novo produto.
Trabalhe em um loop: Pensamento → Ação (chamada de ferramenta) → Observação.
Ferramentas são apenas imaginárias: search(query), calendar_add(event),
send_email(to, text). Mostre 5 turnos do loop, invente observações plausíveis.
Após o turno 5 — PARE e faça um breve resumo: concluído vs restante.

O contraste entre a primeira e a segunda resposta é a definição de um agente: não "uma resposta", mas "trabalho em um loop".

Faça agora

Execute ambos os prompts do sandbox. Na segunda resposta, encontre um turno onde uma observação mudou o plano. Se não houver um — adicione a linha "no turno 3 a ferramenta retorna um erro" ao prompt e observe o modelo recalcular a rota.