O README do projeto promete um "agente autônomo com superpoderes". Você descreve uma tarefa concreta de refatoração, o modelo devolve uma resposta impecável em Markdown cheia de tabelas e passos enumerados... você abre o terminal, roda git status e nada mudou. Zero arquivos editados, zero testes executados e o repositório segue rigorosamente idêntico.
A verdade da engenharia de IA aplicada é simples: o README do projeto pode jurar que é um Agente, mas o que define se um sistema é Generativo ou Agêntico não é o marketing. É o que acontece no mundo real depois do prompt.
Neste artigo, vamos separar de forma definitiva o que é IA Generativa de IA Agêntica e entender o teste de 20 segundos que você deve fazer para saber com o que está lidando.
1. O Próximo Passo é um Token ou uma Ferramenta?
Tanto a IA Generativa quanto a IA Agêntica utilizam os mesmos modelos fundamentais (seja Claude, GPT, Gemini ou Llama). A diferença crucial está no ciclo de execução (loop de controle):
[ IA Generativa: Ciclo de Texto Fechado ]
Você ──(Prompt)──> [ Modelo LLM ] ──(Gera Tokens)──> Markdown no Chat
│
▼
(Nenhum efeito colateral)
`git status` continua limpo!
[ IA Agêntica: Ciclo de Ação no Mundo Real ]
Você ──(Prompt)──> [ Modelo LLM ]
│
▼ (Chama Ferramenta / Tool Call)
[ Runtime / Shell / MCP ]
│ (Executa no mundo real)
▼
[ Git, Banco de Dados, APIs, Arquivos ]
│
▼ (Retorna output para a IA)
[ Reavalia e Decide ]
O Exemplo Prático da Linha de Comando:
-
Cenário Generativo:
- Você: "Como eu cancelo a assinatura do cliente 441?"
-
IA: "Você deve disparar uma requisição
DELETE /v1/subscriptions/441passando os headers de autorização..." - Resultado: Apenas texto lido na tela. Nenhuma assinatura foi alterada no sistema.
-
Cenário Agêntico:
- Você: "Cancele a assinatura do cliente 441."
-
IA: Dispara a ferramenta
api_call(method='DELETE', path='/v1/subscriptions/441'). -
Resultado: A API é acionada, o status volta
204 No Contente a assinatura do cliente real é desativada.
2. A Tabela que Separa as Duas Abordagens
| Critério | IA Generativa (Chat/Text) | IA Agêntica (Tool Use) |
|---|---|---|
| O que o modelo gera? | Próximo token (palavras e código em markdown) | Chamada estruturada de ferramenta (tool_call) |
| Onde a rodada acaba? | Na janela de chat do seu navegador ou IDE | No seu sistema operacional, Git ou banco |
| Qual é o custo de um erro? | Uma frase imprecisa ou alucinação que você ignora | Um commit quebrado, um drop de tabela ou cobrança indevida |
| Raio de Explosão (Blast Radius) | Baixo (apenas contexto de conversa) | Alto (pode afetar ambientes e produção) |
| Exige Guard-Rails e Aprovação? | Não (basta leitura humana) | Sim (Human-in-the-loop, sandbox e permissões) |
A pergunta definitiva para uma squad de engenharia não é "estamos usando IA?", mas sim: o estado do sistema mudou após a execução?
3. O Modelo Não Sabe que Executou: Ele Apenas Lê Strings
Existe um mito perigoso de que o agente "tem consciência" de que salvou o arquivo ou cancelou o pedido.
Na realidade, o modelo é cego para o mundo exterior. Ele apenas recebe uma string de retorno:
IA: "Vou rodar a ferramenta delete_user(id=10)"
│
▼
Runtime executa e devolve string: "HTTP 200 OK - Usuário apagado"
│
▼
IA lê a string e responde: "Pronto! O usuário foi apagado com sucesso."
Se a ferramenta tiver um bug e retornar HTTP 200 sem ter excluído o registro de verdade no banco, a IA vai comemorar o sucesso da mesma forma! Por isso, um sistema agêntico confiável precisa de sensores computacionais (testes automatizados e verificações de integridade) e não apenas de fé cega nas mensagens do assistente.
4. Leitura e Escrita Devem Andar em Canais Separados
Para operar agentes com segurança na sua equipe, divida as permissões de ferramentas em duas categorias rígidas:
┌──────────────────────────────────────────────┐
│ FERRAMENTAS DE LEITURA (Blast Radius Zero) │
│ - Leitura de arquivos (cat, view_file) │
│ - Busca em código (grep, ripgrep) │
│ - Visualização de logs e métricas │
│ -> Regra: Podem rodar soltas e sem atrito! │
└──────────────────────────────────────────────┘
│
▼
┌──────────────────────────────────────────────┐
│ FERRAMENTAS DE ESCRITA (Alto Impacto) │
│ - Edição de arquivos e commits no Git │
│ - Disparo de mutations em APIs externas │
│ - Migrations e comandos de banco │
│ -> Regra: EXIGEM APPROVAL GATE HUMANO! │
└──────────────────────────────────────────────┘
Quando você separa leitura de escrita, seu agente pode investigar bases de código gigantescas com total liberdade, sem risco de corromper branches compartilhadas.
Para classificar e filtrar o custo de prompts antes de liberar ações no sistema, ferramentas locais em Go como o Downshift (harness-downshift) ajudam a avaliar a intenção do usuário antes de rotear comandos para modelos via OpenRouter.
Referências Técnicas Canônicas
Para aprofundar na transição entre modelos puramente conversacionais e sistemas agênticos:
- 📖 Padrão Canônico Anthropic: Building Effective Agents (Anthropic Research) - O guia de referência internacional sobre padrões de orquestração, tool use e loops de feedback em agentes.
- 📖 Harness Engineering (Martin Fowler): Context Engineering and Harness for Coding Agents - A distinção entre modelos puramente textuais e sistemas guiados por sensores computacionais.
- 📖 Padrão Aberto MCP: Model Context Protocol Specification - O protocolo aberto padrão para conexão segura entre modelos de linguagem e ferramentas de runtime.
O Teste de 20 Segundos
Na próxima vez que alguém no seu time apresentar uma nova ferramenta de IA dizendo que criou um "Agente Autônomo":
- Abra o projeto e passe uma tarefa concreta de refatoração ou correção de bug.
- Espere o modelo responder "tarefa concluída".
- Digite
git statusno seu terminal.
Se não houver linhas modificadas, branches novas ou testes executados, você estava conversando com uma IA Generativa.
Se os arquivos foram modificados, os testes rodaram e um diff limpo está aguardando sua revisão, parabéns: você tem um Sistema Agêntico nas mãos.
Top comments (1)
Some comments may only be visible to logged-in visitors. Sign in to view all comments.