[100% Off] Ia Agêntica: De Chatbots A Agentes Que Fazem O Trabalho
Entenda como agentes de IA funcionam, crie-os em n8n e Python com MCP, e avalie, proteja e calcule o custo. Labs locais.
What you’ll learn
- Diferenciar chatbot, copiloto, fluxo de trabalho e agente, e identificar o agent washing nas promessas de fornecedores
- Explicar o loop do agente e acompanhar passo a passo uma execução real de um agente
- Escolher um nível de autonomia e um padrão de fluxo para uma tarefa, e saber quando não usar um agente
- Descrever como a chamada de ferramentas, o Model Context Protocol (MCP) e o uso do computador permitem que agentes ajam
- Fundamentar um agente nos seus próprios documentos com recuperação, e controlar o que entra no contexto dele
- Escrever a especificação de um agente antes de construir, para o design sobreviver a uma troca de plataforma
- Construir um agente no-code no n8n e um pequeno agente em Python, os dois rodando num modelo local
- Conectar um agente a um servidor MCP e usar traces para descobrir por que ele deu uma resposta errada
- Decidir entre um agente único e um design multiagente, e explicar transferências e o A2A
- Montar um pequeno conjunto de avaliação, acrescentar pontos de aprovação humana e reconhecer modos de falha comuns de agentes
- Estimar o custo por tarefa, escolher KPIs e rascunhar um roteiro de piloto de 90 dias e um caso de negócio
Requirements
- Uso frequente de um assistente de chat como o ChatGPT, o Claude, o Gemini ou o Copilot
- Nenhuma experiência com machine learning ou agentes é necessária; cada conceito é ensinado do zero
- Para os laboratórios de construção: um computador em que você possa instalar ferramentas gratuitas (Python 3.11 ou mais recente, Ollama, Docker Desktop para o n8n)
- Cerca de 6 GB de memória livre para o modelo local usado nos laboratórios
- Nenhuma chave de API paga é necessária; os laboratórios rodam num modelo local
- Para a seção opcional de Python: saber rodar um script e instalar um pacote
- O Lab 1 usa o modo agente de um assistente, que depende do seu plano e da sua região; você pode acompanhar as sessões gravadas no lugar
Description
Este curso contém o uso de inteligência artificial.
Todo mundo está vendendo “agentes” agora. Alguns desses produtos realmente planejam, chamam ferramentas e concluem trabalhos de vários passos. Muitos são chatbots ou fluxos fixos com um rótulo novo. Este curso dá a você uma forma clara e neutra em relação a fornecedores de perceber a diferença, e depois leva você de entender agentes a construir, testar e calcular o custo de um.
É uma introdução ampla para profissionais e para quem está começando a construir. Você não precisa de formação em machine learning. Se você usa o ChatGPT, o Claude, o Gemini ou o Copilot com frequência e quer saber o que muda quando o modelo começa a agir, este é o ponto de partida certo.
Uma empresa, um piloto, do início ao fim
Acompanhamos a Harborline Logistics, um agente de cargas fictício com uma fila de e-mails de status de remessa e papelada aduaneira atrasada. A equipe de operações roda um piloto de agente de 90 dias chamado Relay. Cada conceito do curso é aplicado a esse piloto, então você vê o mesmo agente crescer de um primeiro loop a um sistema testado, supervisionado e com custo calculado.
O que o curso cobre
- Seção 1, O que a IA agêntica é de fato: chatbot, copiloto, fluxo de trabalho e agente; o loop do agente; cinco níveis de autonomia; como identificar o agent washing
- Seção 2, Como agentes pensam: modelo, ferramentas e instruções; ReAct, planejamento e reflexão; cinco padrões de fluxo e quando não usar um agente
- Seção 3, Ferramentas, MCP e uso do computador: chamada de ferramentas, o Model Context Protocol, uso do navegador e do computador, e os modos agente do ChatGPT, do Claude e do Gemini
- Seção 4, Memória, conhecimento e contexto: engenharia de contexto, recuperação (RAG), habilidades e a fundamentação de um agente nos procedimentos da empresa
- Seção 5, Agentes sem programar: o panorama no-code, escrever primeiro a especificação do agente e construir um agente de status de remessa no n8n
- Seção 6, Agentes em Python: escolher um SDK sem ficar preso, um agente funcional em cerca de cinquenta linhas, conectá-lo a um servidor MCP e ler traces
- Seção 7, Sistemas multiagente: quando um agente não basta, orquestradores e transferências, o protocolo A2A e uma mesa aduaneira de dois agentes
- Seção 8, Confiança, valor e adoção: avaliação, modos de falha comuns e barreiras de proteção, aprovação humana, custo por tarefa, KPIs e um roteiro de adoção de 90 dias
Laboratórios práticos que rodam no seu próprio computador
Os laboratórios de construção rodam localmente com ferramentas gratuitas: Python, Ollama para modelos locais e n8n no Docker. Nenhuma chave de API paga é necessária. A pasta inicial inclui uma API simulada de rastreamento de remessas, um servidor MCP, doze procedimentos da Harborline e os e-mails de teste e casos aduaneiros usados nos vídeos.
- Lab 1: rode a mesma tarefa nos modos agente do ChatGPT, do Claude e do Gemini e leia os registros de ações
- Lab 2: indexe os procedimentos da Harborline e compare respostas com e sem recuperação
- Lab 3: construa um agente de status no-code no n8n e rode-o com dez e-mails de teste
- Lab 4: refaça esse agente em Python, coloque a ferramenta atrás de um servidor MCP e ache um bug plantado pelo trace
- Lab 5: acrescente um segundo agente com uma transferência e compare resultados e uso de tokens com o agente único
Algumas observações honestas. O Lab 1 usa o modo agente de um assistente de chat no seu navegador, e os modos agente disponíveis dependem do seu plano e da sua região. Se o seu não oferecer um, você ainda pode acompanhar as sessões gravadas. Modelos locais não são determinísticos, então as suas respostas e taxas de acerto vão variar um pouco em relação aos vídeos. O modelo local usado nos laboratórios precisa de cerca de 6 GB de memória livre. A seção de Python é opcional se você só quiser os conceitos e o caminho no-code.
Prática e avaliação
Cada uma das oito seções tem um quiz e uma tarefa prática com uma resposta modelo comentada. O projeto final pede que você escolha uma tarefa do seu próprio trabalho e produza uma especificação de agente, um nível de autonomia com pontos de aprovação, um conjunto de avaliação de dez casos e uma estimativa de custo com um roteiro de 90 dias. Um exame prático final de 60 perguntas cobre as oito seções.
O que este curso não é
Não é um curso aprofundado de engenharia sobre um único framework, e não promete emprego, certificação nem um resultado específico. É um mapa da área, com prática suficiente para você avaliar propostas de agentes, rodar um piloto pequeno e decidir o que aprender em seguida. As ferramentas desta área mudam rápido, então o curso ensina peças portáteis (especificação, prompts, ferramentas e avaliações) que continuam valendo quando uma plataforma muda.
Author(s): Dr. Amar Massoud
