Fundamentos de IA moderna: agentes, MCP, skills e orquestração

Octomay — Tue, 21 Apr 2026 21:21:13 +0000

Todos os dias surge uma IA nova, modelos novos, funcionalidades novas, um recorte de gastos daqui, menos tokens dali… e com isso, muita gente começa a se perguntar onde isso tudo vai parar. Para júnior, dizem que não há mais vagas. Para sênior, dizem que em breve também não haverá. Muito "blá blá blá". Hoje em dia, a IA é o novo JavaScript: todo dia uma biblioteca nova, "a melhor", "a revolução".

Mas vamos lá.

O princípio da IA é o mesmo de frameworks. Se você sabe lógica de programação, qualquer outra linguagem tem uma curva de aprendizagem menor. Aqui é o mesmo terreno. Se você conhece a base, independente de se vai usar Copilot, Codex, Claude, juntas ou separadas, você consegue se adaptar.
No artigo anterior, eu disse como me senti na primeira vez que usei o Copilot. E hoje, claramente, o nosso modo de trabalho mudou. Estamos passando por uma evolução na tecnologia.

Todos os dias vemos um influenciador que diz que faz meses que não escreve uma linha de código. E, de alguma maneira, isso gera um certo FOMO, principalmente para quem está começando.
E muitos pensam: "Faz sentido eu estar aprendendo isso, já que a IA faz por mim?"
Então, gafanhoto, vou te explicar com analogias, e espero que você saia deste artigo entendendo alguns fundamentos da IA, saindo do hype e passando a entender de verdade esse mundo novo.
Depois que ler, deixa aqui nos comentários o insight que você teve. Quero muito seu feedback. Boa leitura.

Imagine uma chef de cozinha.
Ela precisa servir 80 pessoas. Mas tem um pequeno detalhe: ela não sabe cozinhar. Ela sabe fazer um miojo… e é isso. e Fé. jajaja.
Agora ela contrata um chef júnior. E vem o primeiro pedido: um bolo de chocolate.
O júnior pergunta:
— O bolo vai farinha? Yes.
— O bolo vai ovo? Yes.
— O bolo vai chocolate? Yes.
— O bolo vai alho? Yes
. — O bolo vai a 400 graus? Yes.
Ela confia plenamente naquele júnior. Afinal, ele esquenta água como ninguém… então fazer um bolo deve ser tranquilo, né?

E aí que está, pequeno gafanhoto: se você não sabe fazer, como você vai orquestrar a cozinha da qual você é responsável?
Por isso é tão importante saber programar, entender fundamentos, ter visto vários contextos de código e já ter consertado muitos bugs antes de delegar qualquer coisa para uma IA.

IA não substitui entendimento, ela amplifica execução.
Quando você usa IA sem base, você vira essa chef : alguém que aprova tudo sem critério. Você não sabe o que está certo, o que está errado, o que é eficiente ou perigoso. Porque a IA não pensa. Ela prevê padrões.
Sem base, você vira refém. Com base, você vira multiplicador.
E, em um cenário que muda todos os dias, surge outra pergunta: e se as máquinas desligarem?
No fim, a questão não é se a IA vai substituir você. A questão é: você sabe trabalhar sem ela?
Porque quem entende o que está fazendo usa a IA como atalho. Quem não entende… usa como muleta. E muleta não sustenta ninguém quando o chão muda.

Se antes o problema era saber programar, agora o problema é outro: você sabe orquestrar inteligência?
Porque hoje não se trata mais só de escrever código. Se trata de coordenar agentes, definir contexto, controlar execução e saber exatamente o que delegar.
E é aqui que entram conceitos como skills, agentes, subagentes, MCP, worktrees, hooks…
Se esses nomes parecem complexos, relaxa, no fundo, todos eles resolvem o mesmo problema: dar estrutura para algo que, sozinho, só improvisa.

Voltando ao chef de cozinha.
Agora imagina que, além do júnior, ele tem uma cozinha inteira automatizada: robôs que cortam, assam, montam pratos e até sugerem receitas.
Parece perfeito… até você perceber que alguém ainda precisa: decidir quem faz o quê, organizar a ordem das tarefas, validar o resultado final.
É exatamente isso que estamos fazendo hoje com IA.

Agora essa chef fez diferente. Ela estudou. Testou receitas em casa. Errou pratos, queimou outros, ajustou temperos. Com o tempo, deixou de só seguir instruções e passou a entender o que estava fazendo. Ela construiu repertório.

E, no meio desse processo, ela percebeu que o caos da cozinha não era a falta de receita. Era falta de conexão.
E cada fornecedor, por exemplo, de farinha, trazia algo diferente.
Uma farinha já vinha com fermento, outra com mais proteína. Outras absorvem mais água.

Mesmo seguindo a mesma receita, o resultado nunca era igual.

Ela percebeu que cada fornecedor de farinha tinha o seu próprio protocolo. O de ovos, outra. O sistema de pedidos, outra. E cada ferramenta com o seu próprio padrão.

Então pensou: e se eu criasse um sistema de pedidos padronizados? Um único protocolo onde todas as partes da cozinha operassem no mesmo padrão. Fornecedores, estações, ferramentas, estoque, tudo integrado pelo mesmo sistema.

Ela chamou isso de MCP Delicious , não precisava ficar mais traduzindo, O sistema já fazia ponte.

E é exatamente isso que, tecnicamente, chamamos de MCP.
O MCP, ou Model Context Protocol, é a estrutura que organiza como a IA trabalha. Ele permite que a IA deixe de apenas responder… e passe a operar dentro de um sistema. Ela pode acessar ferramentas reais, buscar dados, interagir com APIs e executar tarefas com base em um fluxo definido.
Na prática, como apresentado na documentação do Copilot, esses conectores permitem integrar a IA com sistemas externos, dados e funcionalidades reais — indo muito além de respostas baseadas apenas em texto. Sem isso, ela responde com o que "acha". Com isso, ela trabalha com o que "acessa".

〔AGENTES〕
Você já entendeu a cozinha. Agora precisa entender quem trabalha nela.
O agente é o cozinheiro. Não o que só executa ordens, o que toma decisões. Ele recebe um objetivo, analisa o contexto, escolhe quais ferramentas usar, em que ordem, e executa. Se algo der errado no meio do caminho, ele ajusta.
Na prática: você diz "prepara o jantar para 30 pessoas". O agente não espera você listar cada passo. Ele decide o que fazer, usa o que tem disponível e entrega o resultado.
É isso que diferencia um agente de um simples prompt: ele não responde. Ele opera.

〔SKILLS〕
Para operar bem, o agente precisa de habilidades.
No nosso cenário: Saber fazer um molho, cortar um ingrediente corretamente, assar um bolo no ponto certo. São capacidades reutilizáveis.
Na IA, skills são habilidades específicas que combinam instruções, contexto e acesso a ferramentas para resolver tarefas. Mas o que isso significa na prática?
A partir de um prompt como "dado um repositório, analise o histórico de commits e identifique gargalos de performance". O agente não precisa que você explique tudo do zero, ele carrega a skill que encapsula o como fazer: quais ferramentas usar, qual contexto carregar, qual formato entregar. Você define uma vez. O agente reutiliza.
No GitHub Copilot, por exemplo, é possível configurar instruções personalizadas que funcionam como skills: direcionamentos específicos sobre como o agente deve se comportar em determinados contextos, quais ferramentas pode acionar e qual formato de resposta entregar. Porque não adianta ter todas as receitas do mundo… se ninguém souber quando usar cada uma.

〔SUBAGENTES〕
E quando a cozinha cresce, surge outra necessidade. Você não pode ter todo mundo trabalhando no mesmo espaço. Vira caos.
E aqui tem um detalhe que parece óbvio mas não é: subagente não é um tipo diferente entidade. É um agente. A diferença está no papel que ele ocupa e na especialidade que ele desenvolve.
É aí que entram os subagentes, os especialistas.
Um cuida da sobremesa, outro dos molhos, outro da finalização. Cada um assume uma parte específica do processo. Eles não fazem tudo. Mas fazem uma coisa muito bem feita.
Na prática: imagine que você tem um agente principal responsável por fazer o deploy de uma aplicação. Ele pode acionar um subagente para rodar os testes, outro para verificar vulnerabilidades de segurança e outro para documentar as mudanças. Cada subagente tem seu escopo e o agente principal apenas orquestra os resultados.
No GitHub Copilot em modo agente, isso se reflete na capacidade de encadear tarefas: o agente principal quebra um objetivo complexo em subtarefas e as delega, aguardando os resultados antes de prosseguir. Isso aumenta a qualidade do resultado porque cada parte é tratada com foco, não com generalidade.

〔WORKTREE 〕
E conforme a operação cresce ainda mais, você precisa de organização.
A cozinha deixa de ser uma só. Ela passa a ter estações separadas. Cada uma com seu contexto, seu preparo, seu momento.
Um prato pode estar sendo criado do zero em uma estação, enquanto outro já está sendo finalizado em outra, sem interferência.
Isso é worktree.
O conceito vem do Git, git worktree é um recurso que permite ter múltiplos checkouts do mesmo repositório em diretórios diferentes, ao mesmo tempo. Na prática: você pode estar corrigindo um bug crítico na branch hotfix enquanto desenvolve uma nova feature em feat/nova-tela, sem precisar fazer stash, sem trocar de branch, sem risco de misturar contexto.

Mas, rapidinho:
Uma branch é como uma linha paralela de trabalho. Você “copia” o projeto naquele momento e pode fazer alterações sem mexer na versão principal. É como criar uma versão separada só para testar ou desenvolver algo novo.
Já o stash é como guardar alterações temporariamente. Imagine que você começou algo, mas precisa mudar de tarefa: você “guarda” essas mudanças sem finalizar e pode recuperá-las depois exatamente de onde parou.
No universo de agentes de IA, o conceito é o mesmo: isolamento de contexto. Cada agente (ou subagente) opera em seu próprio espaço de trabalho, sem interferir no que o outro está fazendo. É trabalhar em paralelo sem quebrar o que já funciona.

No fim, nada disso é sobre tecnologia isolada. É sobre estrutura.
Porque quem só usa IA pede. Quem entende, organiza. E, quando o cenário muda, porque muda o tempo todo, quem depende trava. Quem entende, se vira.
E sendo bem honesta: eu também estou aprendendo. Esse mundo é novo pra mim, pra você, pra todo mundo.
A diferença não está em quem já sabe tudo. Está em quem está tentando entender enquanto tudo ainda está sendo construído.

Mas a verdade é que isso ainda é só o começo. A gente falou sobre estrutura, agentes, contexto e organização. Mas ainda falta uma peça importante dessa cozinha: o que faz tudo isso funcionar sozinho.
Porque até agora, ainda existe alguém decidindo cada passo. E quando você escala isso… você não quer só organizar. Você quer automatizar. Quer que o sistema reaja, tome decisões simples e continue funcionando sem você precisar intervir o tempo todo.
E é exatamente aí que entram os hooks. Mas isso… é assunto pro próximo artigo. 👀

〔CONCLUSÃO 〕
Antes de ir: o que você acabou de ler não é teoria de ficção científica. É o esqueleto real de como sistemas com IA se organizam hoje.
MCP como estrutura de conexão. Skills como habilidades reutilizáveis. Agentes como orquestradores. Subagentes como especialistas. Worktree como isolamento de contexto.
Cada um desses conceitos resolve um problema específico, e juntos, eles formam a base de qualquer sistema de IA que vai além do "chat com o bot".
Se você entendeu isso, você já saiu na frente de muita gente que ainda está discutindo se a IA vai ou não substituir devs. Enquanto eles debatem, você está aprendendo.

Nos vemos no próximo commit

Fique por dentro da OctoMay — minha série de artigos sobre Git, GitHub e a evolução da profissão no ecossistema do GitHub.

Aqui estão alguns textos já publicados:

🔹 A sensação curiosa de usar o GitHub Copilot

https://www.linkedin.com/pulse/sensa%C3%A7%C3%A3o-curiosa-de-usar-o-github-copilot-mayza-ynara-rodrigues-pi8lf/

🔹 Quando o CEO do GitHub sai, quem salva seu código? Aprenda Git!

https://www.linkedin.com/pulse/quando-o-ceo-do-github-sai-quem-salva-seu-c%C3%B3digo-git-rodrigues-ynhyf/

Referências
Se você quiser continuar se aprofundando, esses foram alguns dos materiais que usei como base:

Mentoria com Pedro Lacerda

Documentação do GitHub Copilot (customização de agentes): https://docs.github.com/en/enterprise-cloud@latest/copilot/reference/customization-cheat-sheet

Model Context Protocol (MCP) – Anthropic: https://www.anthropic.com/news/model-context-protocol

DEV Community: Octomay

Fundamentos de IA moderna: agentes, MCP, skills e orquestração