Automação de processos com n8n: multiagentes, guardrails e subworkflows

Por dentro dos agentes - Apresentação

Introduzindo o curso de N8n e multiagentes

Bem-vindos a mais um curso da Alura. Neste curso de N8n, vamos falar sobre multiagentes. Desta vez, vamos nos especializar e observar de forma muito específica as ferramentas de IA e LLM que compõem o N8n, e com as quais podemos criar nossas automatizações dentro do N8n.

Vamos criar alguns agentes específicos aqui, como este que está aberto, que será especializado em organizar nosso calendário. Nele, vamos definir as regras do calendário, o que queremos que ele faça, como queremos que ele faça e organizar suas partes, inclusive assegurando quais acessos ele deve ter e quais são as ferramentas às quais deve ter acesso para realizar seu trabalho.

Explorando a criação de agentes especializados

Além de criar um agente especializado, como mencionado, este curso é um curso de multiagentes. Portanto, não vamos criar apenas um, mas vários agentes.

Vamos criar um agente especializado em calendário, um especializado em Trello e outro especializado em Notion. Todo o nosso fluxo de trabalho será montado aqui, onde teremos um chat, ou seja, uma interface conversacional para que possamos solicitar a um coordenador que realize as tarefas desejadas. Assim, trabalhos complexos se tornam mais simples nas mãos de agentes especializados.

Compreendendo a arquitetura multiagente e segurança

A ideia é entendermos como funciona essa arquitetura multiagente, como organizamos esse trabalho, reduzindo o contexto, a tomada de decisões e o custo, para que um trabalho complexo seja realizado por várias partes, sendo que cada parte individualmente é mais simples do que a soma delas trabalhando juntas.

Vamos compreender como funciona essa ferramenta do próprio agente de IA, quais são seus componentes e o que devemos considerar ao criar alguns agentes específicos. Além disso, vamos aprender a reduzir o impacto, garantir a segurança do que estamos fazendo e quais são as camadas de segurança às quais devemos prestar atenção ao criar.

Apresentando o instrutor do curso

Sou Ricardo Bugan, Líder de Operações e Líder de Produto, e serei o instrutor deste curso.

Por dentro dos agentes - O problema de agentes generalistas

Discutindo a automação de processos com N8n

Dentro de todos os cursos que realizamos até agora nesta rota de N8n para negócios, simulando um time de vendas, discutimos sobre automação de processos e várias outras questões abordadas durante todos esses cursos. Utilizamos agentes de IA, automatizamos processos e organizamos nossas ferramentas no N8n, sempre com a visão de automação de processos bem definidos, organização de regras e tudo o que o N8n pode facilitar para nós.

Neste curso, onde desenvolvemos nosso chatbot de vendas, uma ferramenta para auxiliar a equipe interna, foi onde utilizamos mais intensamente nosso agente de IA. Observamos que, dentro de um agente de IA, podemos integrar ferramentas. Por exemplo, inserimos ferramentas para uma base operacional, onde carregamos informações da nossa base operacional e documentação, e criamos um relatório dos OMPS, que esse agente também podia consultar, funcionando como um agente no Slack. Essas ferramentas são muito úteis.

Explorando integrações com ferramentas populares

Poderíamos adicionar mais integrações a esse agente. Por exemplo, se nossa equipe está acostumada a usar Trello, podemos integrar a ferramenta Trello para que crie cartões automaticamente, conforme a equipe envia tarefas pelo Slack. Além disso, no próprio Trello, queremos que o agente possa buscar cartões, permitindo que saibamos quais estão dentro de um quadro. Queremos que, além de criar, ele também possa selecionar um cartão para revisão.

Nossa equipe também possui um calendário, que será automatizado e atualizado com as regras do time. Podemos integrar isso ao Google Calendar, que se atualizará e criará agendas automaticamente para nós. Queremos incluir tudo isso dentro do chatbot que estamos desenvolvendo.

Integrando documentação e gerenciamento de contatos

Além disso, temos documentação no Notion. Com as ferramentas da base operacional e da base do NPS, realizamos buscas de arquivos no Notion para incluí-los, mas agora queremos que o agente também escreva esses arquivos. Queremos que ele seja capaz de criar uma página no Notion e, no próprio Notion, temos outra ferramenta, Conteúdo DEA, que duplica a ferramenta para nós. Não queremos apenas que ele crie, mas também que busque páginas para nós. Queremos que ele faça tudo isso, incluindo a busca de páginas no Notion.

Podemos ver, em poucos casos, olhando um caso padrão da equipe, que se pedirmos para organizar esse fluxo para nós, nosso agente de IA agora possui uma série de ferramentas que podemos adicionar. Temos muitas ferramentas. Pensando em um chatbot de vendas, poderíamos integrar o HubSpot como ferramenta também. Assim, o HubSpot estaria lá, gerenciando e criando ou atualizando contatos.

Desafios na configuração de ferramentas

Dessa forma, temos uma única interface, que é a interface do Slack ou de chat, onde chamamos um agente que pode nos responder sobre diversas questões. Ele tem acesso a várias ferramentas, o que é muito interessante. Podemos fazer isso dentro do N8n, que possui as capacidades para tal. No entanto, enfrentamos um problema: para cada uma dessas ferramentas, precisamos configurá-las individualmente.

Precisamos configurar as regras do nosso calendário, entender quais são as permissões do Notion e definir os critérios do HubSpot para que as atualizações ocorram corretamente. Tudo isso deve ser configurado dentro da nossa ferramenta, onde também definimos as opções, propriedades e descrições para que ela se comporte conforme desejamos.

Detalhando o uso de ferramentas específicas

No caso do Trello, por exemplo, podemos criar um novo quadro em vez de apenas usar um cartão. As cartas precisam ser adicionadas ao quadro inteiro. No Notion, temos a possibilidade de criar e editar páginas, além de inserir blocos de texto e atribuir propriedades individualmente. Cada uma dessas funções e ferramentas que utilizamos no dia a dia possui casos de uso específicos. Portanto, é necessário detalhar o que acontecerá com cada uma delas.

Com a estrutura atual, que consiste em um único agente de IA monitorando todas as ferramentas simultaneamente, podemos enfrentar problemas. Isso ocorre porque, sendo generalista, o agente não é especializado em nenhuma tarefa específica, o que pode comprometer a segurança e a eficácia das verificações.

Criando agentes de IA especializados

Neste curso, vamos criar uma série de agentes de IA especializados, utilizando o N8n. Vamos trabalhar com várias ferramentas, como as que mencionamos, e entender como especializar e criar um prompt para cada agente de IA responsável por uma ferramenta específica. Isso nos permitirá reutilizar o agente, ter regras claras e facilitar a manutenção do sistema, compreendendo como ele está sendo chamado, por quem e por que motivo.

Não necessariamente teremos um agente para cada ferramenta; às vezes, podemos ter agentes diferentes trabalhando na mesma ferramenta com regras distintas. No entanto, uma separação comum que utilizaremos é ter um agente por ferramenta, criando um especialista. Assim, teremos um agente especialista em Trello, outro no calendário, outro no Notion, e assim por diante, permitindo que cada agente saiba exatamente como queremos que trabalhe com a ferramenta.

Desenvolvendo um sistema mais elaborado

Vamos começar a criar um sistema mais elaborado com essa ferramenta, que é o agente de IA. Embora seja muito poderosa e interessante, é necessário tomar alguns cuidados. Vamos entender a anatomia de um agente de IA para saber quais precauções devemos adotar ao criar um sistema desse tipo.

Por dentro dos agentes - Anatomia de um agente

Introduzindo a anatomia de um agente de IA

Vamos agora entender como é a anatomia de um agente e quais são as partes que compõem formalmente um agente de IA, para que possamos pensar em como deverá ser elaborado nosso sistema. O importante, que nem sequer havíamos mencionado no início, quando começamos a falar de processos, IA generativa e inteligência artificial de maneira mais geral, é que, como mencionado no primeiro curso, falamos sobre os agentes. A característica principal que destacamos dos agentes, e que continua válida, é que a diferença entre um agente e um modelo de linguagem natural padrão, ou uma metodologia de inteligência artificial com redes neurais, é que o agente de IA tem a capacidade e a autonomia para atuar no ambiente, utilizando essas ferramentas em nosso lugar. Assim, ele fará mudanças em nossos sistemas e ferramentas. Essa é a característica principal que mencionamos e que continua verdadeira, mas não é suficiente para descrever tudo o que compõe o agente.

Digamos que esse é o objetivo: estamos criando uma peça de software que vai manipular e alterar um sistema ou uma ferramenta que estamos usando. Através de uma ferramenta que estamos utilizando, ele vai mudar o estado dessa ferramenta, como costumamos dizer. Por exemplo, se tínhamos um quadro no Trello com todas as tarefas na coluna "Backlog" e agora o agente foi lá e as modificou, temos tarefas na coluna "Backlog" e na coluna "Em progresso", porque ele conseguiu separar quais são as tarefas que estamos realizando, de acordo com a conversa que tivemos com ele, e mudar o estado dessas tarefas diretamente no Trello. Nesse sentido, ele tem autonomia para usar as ferramentas e realizar tarefas em nosso lugar.

Explorando as partes que compõem um agente

Mas, além disso, o que mais pode ter um agente? Se pensarmos que temos aqui no meio nosso agente, quais são as partes que o compõem? Conhecendo cada uma das partes, podemos segmentá-lo em nossa mente para entender onde podemos mudar, onde faz sentido intervir, o que pode não estar ideal e o que podemos melhorar. Com essa segmentação clara em nossa mente, será mais fácil entender como podemos modificar esse agente.

A primeira coisa que temos, o mais claro e óbvio para nós, é que todo agente de IA usa um LLM, um modelo de linguagem natural, por trás. Com LLM, referimo-nos a linguagem natural, que pode ser multimodal ou unimodal. Pode trabalhar com imagens, vídeos, textos, ou tudo isso junto, ou de forma individual. É isso que queremos dizer com modal ou multimodal.

Detalhando o uso de prompts e interação humana

Além disso, fornecemos um prompt. Colocamos nesse sistema, nessa peça que estamos montando, as instruções. Lá está o que queremos que ele faça, como queremos que se comporte, qual tom de voz queremos que tenha ao responder, e assim por diante. O prompt é outra peça. Com essas duas, ajustamos bastante, pois são muito semelhantes a quando enviamos uma mensagem a um modelo de linguagem natural, também usamos o modelo de linguagem natural com um prompt e esperamos uma resposta.

Outra coisa que o agente pode fazer é nos perguntar e manter o humano dentro desse ciclo de informação atualizado com as coisas que podemos fazer. Então, damos a ele ferramentas para que possa nos perguntar, esclarecer dúvidas, pedir permissões, e assim por diante. Esse é outro aspecto que temos dentro de um agente. Ele tem nosso modelo de linguagem natural, as instruções, e fornecemos maneiras e ferramentas para que ele decida automaticamente se precisa de uma permissão nossa, se quer resolver alguma dúvida conosco, e assim por diante. Esse ciclo humano também faz parte do agente.

Incorporando memória e ferramentas no agente

Além disso, temos a parte de memória. Um agente, à medida que a conversa avança e as interações ocorrem, vai armazenando isso em uma memória, em um local de onde possa recuperar esse contexto, entender sobre o que estávamos falando e associar as próximas perguntas que faremos com as perguntas já feitas anteriormente, com as respostas já dadas. A memória é outra característica, outro componente que temos nesse agente de IA.

Por fim, temos as ferramentas. As ferramentas são o que mencionamos anteriormente. Por exemplo, Trello, Calendário, Homespot, nossa base de Notion para consultar informações, Notion para inserir informações. Temos uma série de ferramentas que podemos fornecer para dotar o agente de sua característica principal, que é atuar em nosso lugar. Ele vai manipular essas ferramentas e mudar o estado de cada uma delas de acordo com nossa solicitação, com nosso prompt. Tudo isso faz parte do agente.

Implementando segurança com guardrails

Todo isso também deve estar envolto em uma camada de segurança que, atualmente, chamamos de guardrails (trilhos de proteção). Precisamos garantir que o sistema fará apenas o que estamos solicitando. Mesmo que os modelos de IA sejam não determinísticos e probabilísticos, o que significa que, ao dar um comando, o resultado pode variar, é importante ter salvaguardas. Mesmo que o comando seja sempre o mesmo e todas as condições sejam iguais, o resultado pode variar, assim como a forma de resposta e as palavras escolhidas.

Devido a essa característica não determinística e probabilística, é necessário implementar salvaguardas nos guardrails para garantir ou aumentar a confiança de que o sistema fará exatamente o que foi solicitado. Isso também evita que usuários abusem do agente, pedindo ações além do que ele pode realizar ou tentando explorá-lo de maneiras inadequadas. Portanto, uma camada de segurança é essencial.

Analisando e ajustando o comportamento do agente

Cada uma dessas partes compõe um agente, e a ideia é que, conhecendo essas partes, possamos resolver problemas. Durante o desenvolvimento do agente e a configuração dos especialistas, se percebermos que ele não está atuando conforme desejado, podemos analisar cada parte. Por exemplo, se houver um problema no LLM (Modelo de Linguagem Grande), podemos considerar mudar o modelo de linguagem utilizado. Se estivermos usando GPT, talvez possamos mudar para Gemini, Cloud, DeepSeek ou outro modelo disponível. Podemos optar por uma versão mais recente ou mais antiga do GPT, ou uma versão menor, visando maior rapidez.

Se o agente estiver agindo de maneira indesejada, talvez seja necessário modificar o prompt ou fornecer informações mais detalhadas ou abrangentes, dependendo do caso. Pode ser que falte alguma ferramenta ou autorização necessária para executar uma ação esperada. Nos próprios guardrails, é importante prevenir ações indesejadas dos usuários e proteger informações confidenciais que o agente possa acessar.

Concluindo com um marco de análise

Compreendendo todas essas partes, podemos questionar o que precisa ser alterado para alcançar o comportamento esperado do agente de IA. Definimos o comportamento do agente através dessas várias partes que o compõem. Temos um marco de análise que nos permite examinar opções no LLM, nos prompts (de sistema, usuário ou assistente), nas ferramentas (como Notion, Calendário, MCPs) e nas habilidades (skills), que são novidades nos agentes.

Precisamos verificar se as regras dos guardrails estão claras e alinhadas com os temas de atuação do agente. Por exemplo, se o assistente é especialista em calendário, ele deve apenas modificar o calendário ou também responder sobre o clima, se solicitado? É importante validar a saída para não filtrar informações sensíveis.

Todos esses componentes formam um marco para analisar os agentes. Durante o curso, ao montar o sistema de multiagentes, é essencial ter clareza sobre onde estamos intervindo e quais partes estamos modificando. Se estivermos montando dentro de nosso contexto, é recomendável pensar nas ferramentas que precisamos manipular e nas perguntas que precisamos fazer. Identificar onde intervir e qual componente falta para adequar o comportamento esperado é crucial.

Com esse marco completo de análise, teremos uma ferramenta para depurar e melhorar o comportamento do agente, ajustando-o conforme desejado.

Sobre o curso Automação de processos com n8n: multiagentes, guardrails e subworkflows

O curso Automação de processos com n8n: multiagentes, guardrails e subworkflows possui 180 minutos de vídeos, em um total de 34 atividades. Gostou? Conheça nossos outros cursos de Automação e Produtividade em Programação, ou leia nossos artigos de Programação.

Matricule-se e comece a estudar com a gente hoje! Conheça outros tópicos abordados durante o curso:

• Por dentro dos agentes
• Agentes especialistas
• Orquestração de agentes
• Arquitetura multiagente
• Modularização de agentes