Termos de I.A. explicados sem enrolação.

Um agente de I.A. é um sistema baseado em um modelo de linguagem que decide e executa ações (como consultar ferramentas, acessar arquivos ou chamar APIs) para completar uma tarefa, em vez de apenas responder perguntas.

Diferente de um chatbot tradicional, que só gera texto em resposta a uma pergunta, um agente de I.A. tem acesso a ferramentas (tools) e pode planejar múltiplos passos até atingir um objetivo: buscar informação, preencher um formulário, enviar uma mensagem, rodar um script. Exemplos práticos: um agente de atendimento que consulta o CRM antes de responder, ou um agente de qualificação que decide sozinho se um lead está pronto para vendas.

Um squad de agentes é um conjunto de agentes de I.A. especializados que colaboram entre si, cada um responsável por uma etapa de um processo maior, para resolver um objetivo de negócio único.

Em vez de um único agente genérico tentando fazer tudo, um squad divide o trabalho: um agente pesquisa, outro escreve, outro revisa, outro publica, de forma orquestrada. É o modelo usado para automações mais complexas, como um squad de qualificação de leads (captura, enriquecimento, scoring e follow-up) ou um squad de marketing (briefing, criação, revisão e agendamento de conteúdo).

RAG é uma técnica que busca informações relevantes em uma base de dados externa antes de gerar a resposta de um modelo de I.A., tornando as respostas mais precisas e atualizadas do que depender só do conhecimento treinado no modelo.

Um sistema RAG funciona em duas etapas: primeiro recupera (retrieval) os documentos ou trechos mais relevantes para a pergunta do usuário, geralmente usando busca vetorial; depois usa esses trechos como contexto para o modelo gerar (generation) a resposta final. É a técnica por trás de assistentes que respondem com base na documentação interna de uma empresa, sem precisar re-treinar o modelo a cada atualização de conteúdo.

MCP é um protocolo aberto, criado pela Anthropic, que padroniza como modelos de I.A. se conectam a ferramentas, dados e sistemas externos, permitindo que um mesmo agente acesse arquivos, APIs e bancos de dados de forma consistente.

Antes do MCP, cada integração entre um modelo de I.A. e uma ferramenta externa exigia código customizado. O MCP define uma interface comum: um servidor MCP expõe recursos (dados, ferramentas, prompts) e qualquer cliente compatível (como o Claude) pode se conectar a ele sem integração sob medida. Na prática, isso permite que um agente de I.A. acesse, por exemplo, um banco de dados, o Google Drive ou um sistema interno da empresa usando o mesmo protocolo.

LangChain é um framework open-source em Python e JavaScript para construir aplicações com modelos de linguagem, oferecendo componentes prontos para RAG, agentes, memória de conversa e integração com ferramentas.

LangChain resolve um problema recorrente de quem desenvolve com LLMs: conectar o modelo a fontes de dados, gerenciar histórico de conversa, orquestrar múltiplas chamadas e integrar com ferramentas externas. Em vez de escrever essa lógica do zero, desenvolvedores usam os componentes do LangChain (chains, agents, retrievers, memory) para montar aplicações mais rápido: de chatbots com busca em documentos a agentes autônomos com múltiplas ferramentas.

n8n é uma ferramenta open-source de automação de workflows com interface visual, que permite conectar aplicativos, APIs e agentes de I.A. sem escrever código, usada para automatizar processos de negócio de ponta a ponta.

Com n8n, um workflow é montado arrastando e conectando nós (nodes): um gatilho (ex.: mensagem recebida no WhatsApp), etapas de processamento (ex.: chamar um agente de I.A. para classificar a mensagem) e uma ação final (ex.: criar um card no CRM). É uma das ferramentas mais usadas para dar 'mãos' a um agente de I.A., conectando o raciocínio do modelo às ferramentas reais que uma empresa já usa.

Make é uma plataforma visual de automação na nuvem que conecta aplicativos e serviços por meio de cenários (scenarios), similar ao n8n, mas totalmente hospedada e com foco em não-programadores.

Assim como o n8n, o Make permite automatizar processos conectando gatilhos e ações entre diferentes ferramentas (planilhas, CRMs, WhatsApp, e-mail, agentes de I.A.). A diferença principal é que o Make é um serviço fechado e hospedado pela própria empresa, enquanto o n8n pode ser auto-hospedado, o que costuma pesar na escolha entre as duas para automações de negócio.

Automação com I.A. é o uso de agentes e modelos de linguagem para executar etapas de um processo de negócio que antes exigiam decisão humana: não apenas tarefas repetitivas e previsíveis, como na automação tradicional (RPA).

A automação tradicional (RPA) segue regras fixas e falha diante de exceções. A automação com I.A. incorpora um agente capaz de interpretar contexto, tomar decisões e lidar com variação: por exemplo, classificar um e-mail ambíguo, responder uma dúvida de cliente com nuance, ou decidir qual próximo passo tomar em um atendimento. Isso amplia o alcance da automação para processos que antes só um humano conseguia resolver.

Prompt engineering é a prática de estruturar instruções, contexto e exemplos de forma deliberada para obter respostas mais precisas e consistentes de um modelo de I.A.

Um prompt bem construído define claramente o objetivo, o formato de saída esperado, o contexto relevante e, quando necessário, exemplos do resultado desejado. Frameworks estruturados de prompt (como o CONTEXTO, usado no curso Claude na Prática da SINOON) ajudam a transformar prompts soltos em instruções repetíveis e confiáveis, reduzindo a variação de qualidade entre uma tentativa e outra.

Um webhook é uma forma de um sistema notificar outro automaticamente, em tempo real, quando um evento acontece, enviando os dados via HTTP assim que o evento ocorre, sem que ninguém precise consultar manualmente.

Webhooks são a base de muitas automações e integrações de agentes de I.A.: quando uma mensagem chega no WhatsApp, por exemplo, um webhook dispara instantaneamente um workflow (em n8n, Make, ou um endpoint próprio) que aciona o agente responsável por processar essa mensagem, sem que o sistema precise ficar checando se algo novo chegou.

Um LLM é um modelo de I.A. treinado em grandes volumes de texto para prever e gerar linguagem natural, a tecnologia base por trás de assistentes como o Claude, usada tanto para conversar quanto para orquestrar agentes.

Modelos como o Claude (Anthropic) são LLMs otimizados para diferentes níveis de custo, velocidade e capacidade de raciocínio (por exemplo, Haiku, Sonnet e Opus). Além de responder perguntas, um LLM pode ser usado como o 'cérebro' de um agente: interpretando instruções, decidindo qual ferramenta usar e gerando o próximo passo de uma tarefa.

I.A. agêntica é o termo de mercado para sistemas de I.A. que planejam e executam tarefas de forma autônoma, com múltiplos passos e uso de ferramentas, em contraste com modelos que só respondem a uma única pergunta por vez.

Segundo o Gartner, a proporção de aplicações corporativas com I.A. agêntica deve saltar de menos de 1% em 2024 para 33% até 2028. Na prática, isso significa sistemas que não apenas sugerem uma resposta, mas tomam a iniciativa de buscar dados, chamar APIs e completar um fluxo de trabalho inteiro: como um agente que qualifica um lead, agenda uma reunião e atualiza o CRM sem intervenção humana em cada etapa.

Engenharia reversa é o processo de analisar um software já pronto, sem acesso ao código-fonte, para entender como ele funciona: quais funções tem, como guarda os dados e com quais sistemas se comunica.

O trabalho passa por desmontar o programa compilado em instruções legíveis, reconstruir um pseudocódigo e recuperar nomes, tipos e estruturas que o compilador descartou. É usado em segurança, análise de malware, interoperabilidade, preservação de software e documentação de sistemas legados. Com projetos como o REA, que viralizou em 2026, agentes de I.A. passaram a operar ferramentas como Ghidra e IDA, o que acelerou a análise, mas não dispensa validação humana. No Brasil, a Lei do Software protege o código, não a funcionalidade, e os riscos jurídicos aparecem quando a análise leva a copiar código ou burlar proteções.

Token é a unidade de texto que um modelo de linguagem lê e escreve: um pedaço de palavra, uma palavra curta ou um sinal de pontuação. É também a unidade usada para cobrar o uso de modelos de I.A. por API.

Antes de processar um texto, o modelo o divide em tokens. Em inglês, um token corresponde em média a cerca de três quartos de uma palavra; em português, costuma ser preciso mais tokens para o mesmo conteúdo. Os provedores cobram separadamente os tokens de entrada (o que você envia, incluindo instruções e documentos) e os de saída (o que o modelo responde), por isso enxugar instruções e evitar reenviar documentos inteiros reduz o custo de um agente em produção.

Janela de contexto é a quantidade máxima de texto, medida em tokens, que um modelo de I.A. consegue considerar de uma vez: instruções, histórico da conversa, documentos enviados e a própria resposta.

Tudo o que passa do limite da janela fica de fora: o modelo simplesmente não enxerga. Os modelos mais recentes aceitam centenas de milhares de tokens, o suficiente para livros inteiros, mas janelas cheias custam mais e podem diluir a atenção do modelo no que importa. Por isso, em vez de colocar todos os documentos da empresa no contexto, assistentes corporativos usam RAG para buscar só os trechos relevantes a cada pergunta.

Alucinação é quando um modelo de I.A. gera uma informação falsa ou inventada com aparência de verdadeira, como um dado, uma citação ou uma referência que não existe.

Modelos de linguagem geram o texto mais provável a partir do que aprenderam, não consultam uma base de fatos. Quando não têm a informação, podem preencher a lacuna com algo plausível. Para reduzir o risco em uso profissional: responder com base em documentos da empresa (RAG), exigir a fonte de cada resposta, instruir o assistente a dizer que não sabe quando a informação não está disponível e validar com pessoas as respostas que geram decisões importantes.

Embeddings são representações numéricas do significado de um texto (ou de uma imagem): listas de números em que conteúdos parecidos ficam próximos, o que permite buscar por sentido e não só por palavra exata.

Um modelo de embeddings transforma cada trecho de texto em um vetor. Perguntas e documentos que tratam do mesmo assunto geram vetores parecidos, mesmo usando palavras diferentes. É a base da busca semântica e do RAG: os documentos da empresa são convertidos em embeddings e guardados em um banco vetorial (como Pinecone ou o pgvector do Supabase), e a cada pergunta o sistema busca os trechos mais próximos para entregar ao modelo.

Fine-tuning é o ajuste fino de um modelo de I.A. já treinado, feito com exemplos específicos para mudar o seu comportamento: o formato das respostas, o tom de voz ou o desempenho em uma tarefa estreita.

O fine-tuning ensina o modelo a responder de um jeito, não a saber fatos novos que mudam com frequência. Para que um assistente conheça os documentos e as políticas da empresa, o caminho mais usado é o RAG, que busca a informação atualizada a cada pergunta sem retreinar nada. O fine-tuning faz sentido quando há muitos exemplos de alta qualidade de uma tarefa repetitiva e quando instruções bem escritas não bastam, e exige cuidado com os dados usados no treino.

Prompt injection é um ataque em que instruções maliciosas escondidas em um conteúdo (um e-mail, uma página, um documento) fazem um modelo de I.A. ignorar as instruções originais e agir a favor de quem atacou.

O risco cresce com agentes de I.A., que leem conteúdo externo e têm acesso a ferramentas: um texto escondido em uma página pode, por exemplo, pedir ao agente que envie dados para fora. A injeção de prompt aparece em primeiro lugar no OWASP Top 10 para aplicações com LLM. As defesas principais são dar ao agente só as permissões de que ele precisa, pedir confirmação humana para ações sensíveis, tratar todo conteúdo externo como não confiável e monitorar o que o agente faz.

I.A. generativa é a categoria de inteligência artificial que cria conteúdo novo, como texto, imagem, áudio, vídeo e código, a partir de padrões aprendidos em grandes volumes de dados.

Ela se diferencia da I.A. tradicional, que classifica ou prevê a partir de dados (por exemplo, apontar se uma transação é fraude). Assistentes como Claude, ChatGPT e Gemini são exemplos de I.A. generativa baseados em modelos de linguagem (LLMs). Nas empresas, os usos mais comuns estão em atendimento, marketing, análise de documentos e programação, e o passo seguinte é a I.A. agêntica, em que o modelo não só gera conteúdo como executa tarefas.