Explore the key components — workflow engines, AI agents, LLMs, and MCP servers — and how they work together
No módulo anterior apresentei o assistente de triagem de suporte que eu construí inicialmente como um painel interno de suporte. Agora vamos abri-lo. Conhecer as partes é como entender as partes de um carro — você não precisa ser mecânico para dirigir bem, mas saber o que cada parte faz ajuda você a raciocinar sobre o todo.
Quatro componentes fazem a maior parte do trabalho no assistente — e em quase todo Sistema de IA que você encontrará:
Como ler este módulo: apresentamos cada componente por si só, depois mostramos como eles passam trabalho entre si. Mantenha a analogia do carro em mente — cada parte tem um trabalho, e o sistema funciona porque elas cooperam.
Quando uma mensagem de cliente chega ao assistente de triagem, várias coisas precisam acontecer em ordem: ler a mensagem, buscar na base de conhecimento, decidir uma ação e então responder ou escalar. O motor de fluxo de trabalho é a parte que executa essa sequência de forma confiável. Pense nele como o maestro de uma orquestra — ele não toca um instrumento, ele decide quem toca quando.
1. Definir o processo — mapear os passos (ler → buscar → decidir → agir) e quais podem rodar ao mesmo tempo.
2. Gerenciar o fluxo — iniciar cada passo no momento certo e passar informação entre eles, para que o passo "decidir" realmente veja o que o passo "buscar" encontrou.
3. Acompanhar o progresso — saber o que está pronto, o que está rodando e o que fazer quando um passo falha (para o assistente de triagem, uma busca falha na base de conhecimento deve escalar, não travar).
Se o motor de fluxo de trabalho é o maestro, os agentes de IA são os músicos. Cada agente tem um trabalho focado e as ferramentas para fazê-lo. No assistente de triagem eu penso em termos de pequenos agentes: um que busca na base de conhecimento, um que rascunha uma resposta, um que decide o encaminhamento.
1. Entendimento — um agente lê instruções em linguagem natural e conhece as próprias capacidades e limites.
2. Planejamento — ele divide uma tarefa em passos e decide quais ferramentas usar, adaptando-se quando algo não funciona.
3. Ação — ele de fato usa essas ferramentas, observa o resultado e reporta de volta.
A diferença-chave em relação a uma função comum: um agente pode decidir como atingir um objetivo, não apenas executar uma receita fixa. O agente de encaminhamento no meu assistente não segue palavras-chave fixas no código — ele raciocina sobre para onde uma mensagem deve ir.
Grandes Modelos de Linguagem são a inteligência por trás do assistente. Um LLM é o que lê "minha exportação fica falhando toda manhã" e entende isso como um problema técnico recorrente — não apenas um amontoado de palavras. É como ter um colega muito bem informado que consegue entender e produzir linguagem sob demanda.
1. Entender o contexto — captar a intenção, lembrar de turnos anteriores em uma conversa e ler nuances.
2. Gerar respostas — escrever em linguagem natural e adaptar o tom, de uma resposta curta a uma explicação completa.
3. Raciocinar e analisar — decompor um problema e explicar o raciocínio por trás de uma decisão.
No assistente de triagem, o LLM é o componente que transforma uma mensagem bruta em uma classificação sobre a qual o resto do sistema pode agir. Ele é poderoso — mas, por si só, não consegue buscar nada nem enviar nada. É por isso que precisa das outras três partes.
Servidores MCP (Model Context Protocol) são como o assistente alcança o mundo externo — a base de conhecimento, o sistema de chamados, os canais das equipes. Pense no MCP como um adaptador universal: em vez de fazer uma integração diferente à mão para cada ferramenta, o sistema fala um único protocolo padrão com todas elas.
1. Padronização — uma forma consistente de conectar a muitos serviços, então eu não reaprendo uma nova API para cada ferramenta que o assistente toca.
2. Segurança — controle explícito sobre o que o sistema pode ler e fazer, com permissões e autenticação na fronteira.
3. Flexibilidade — adicionar uma nova fonte de dados ao assistente vira uma questão de conectar outro servidor MCP, não de reescrever o núcleo.
Agora observe os quatro cooperando em uma única tarefa real: um cliente escreve dizendo que sua exportação de dados está falhando toda manhã.
Nenhum componente sozinho poderia fazer isso. O cérebro entende, os conectores buscam, os agentes agem e o maestro mantém tudo em ordem.
Antes do quiz, raciocine sobre um trade-off: o que aconteceria com o assistente de triagem se o LLM fosse extremamente capaz, mas a conexão MCP com a base de conhecimento caísse? Qual passo acima falharia primeiro, e o que um motor de fluxo de trabalho bem projetado deveria fazer a respeito?
1. No passo a passo da falha de exportação, qual componente é responsável por executar os passos na ordem certa e passar resultados entre eles?
Correct Answer: B
O motor de fluxo de trabalho orquestra a sequência e entrega a saída de cada passo ao próximo — o papel de maestro. O LLM apenas fornece o entendimento.
2. Por que o LLM não consegue lidar com a solicitação do cliente totalmente sozinho?
Correct Answer: B
O LLM é o cérebro — entendimento e geração. Agir sobre o mundo (buscar, enviar) requer agentes e conectores MCP. Inteligência sem mãos não consegue concluir a tarefa.
3. O que distingue um agente de IA de uma função comum que segue passos fixos?
Correct Answer: B
Agentes raciocinam sobre como alcançar um objetivo e se adaptam. O agente de encaminhamento raciocina sobre onde uma mensagem pertence em vez de casar palavras-chave fixas.
4. Uma nova fonte de dados precisa ser adicionada ao assistente de triagem. Por que usar MCP facilita isso?
Correct Answer: B
O MCP padroniza conexões. Novas ferramentas se conectam pelo mesmo protocolo, então o sistema central não precisa de código de integração customizado para cada uma.
5. Se a conexão MCP com a base de conhecimento falha no meio de uma solicitação, qual é o comportamento mais bem projetado para o motor de fluxo de trabalho?
Correct Answer: C
Um bom motor de fluxo de trabalho lida com falhas de passo de forma elegante. Sem um resultado confiável da base de conhecimento, escalar para uma pessoa é mais seguro do que adivinhar ou travar.
Ótimo trabalho. Você agora conhece os quatro blocos de construção e, mais importante, como eles cooperam dentro de um sistema real. A seguir, veremos onde sistemas como este aparecem no mundo real.