Agentic Workflows

Os fluxos de trabalho agentivos representam uma abordagem transformadora na inteligência artificial (AI), na qual múltiplas entidades autónomas interagem, tomam decisões e executam tarefas com várias etapas, com intervenção humana mínima. Ao contrário dos pipelines tradicionais de aprendizagem automática, que seguem percursos de execução rígidos e lineares, um fluxo de trabalho agentivo é altamente dinâmico. Permite que um agente inteligente ou uma rede coordenada de agentes perceba o seu ambiente, raciocine sobre problemas complexos e utilize ferramentas externas para alcançar objetivos predefinidos. À medida que as organizações expandem as suas iniciativas de AI, os fluxos de trabalho agentivos empresariais estão a substituir scripts isolados, permitindo uma automatização robusta e escalável em diversos setores.

Compreender os fluxos de trabalho agentivos#

No seu cerne, um fluxo de trabalho agentivo transfere a AI da geração passiva para a resolução ativa de problemas. Isto exige uma transição de interações baseadas num único prompt para um ciclo iterativo de planeamento, execução e observação. Ao orquestrar estes ciclos, os programadores podem criar sistemas capazes de lidar com casos-limite inesperados e corrigir os próprios erros.

Para distinguir claramente conceitos estreitamente relacionados: um agente de AI é a entidade autónoma individual (frequentemente alimentada por um modelo de linguagem de grande escala (LLM)) que raciocina e atua. Por outro lado, um fluxo de trabalho agentivo é o processo arquitetural abrangente que governa a forma como estes agentes colaboram, partilham memória e ordenam as suas ações. Além disso, enquanto a AI generativa cria principalmente conteúdo numa única passagem linear com base num prompt do utilizador, os sistemas agentivos utilizam padrões de conceção agentiva — como autorreflexão, planeamento e debate entre múltiplos agentes — para aperfeiçoar continuamente os seus resultados até que o objetivo seja totalmente alcançado.

Componentes principais#

Vários elementos fundamentais impulsionam o sucesso destes fluxos de trabalho:

• Backbones de LLM: os motores centrais de raciocínio do fluxo de trabalho. As frameworks orquestram modelos de última geração, como o GPT-4o da OpenAI, para interpretar a intenção do utilizador e gerar dinamicamente planos de execução.
• Chamada de funções e utilização de ferramentas: Os agentes estão equipados com ferramentas específicas para interagir com o mundo exterior. Isso inclui consultar bases de dados, executar código ou invocar modelos de visão computacional. A documentação de fornecedores como a OpenAI sobre chamadas de funções explica como os modelos formatam as saídas para acionar APIs externas de forma fiável.
• Frameworks de orquestração: bibliotecas como LangGraph e CrewAI, e a Microsoft AutoGen, fornecem a infraestrutura essencial para ligar agentes, gerir estados de conversação e encaminhar tarefas de forma inteligente.
• Gestão de memória e contexto: para evitar alucinações e manter a consistência ao longo de processos com várias etapas, os fluxos de trabalho retêm memória de curto prazo (a janela de contexto da conversação atual) e memória de longo prazo (bases de dados persistentes) para aprender com interações anteriores.

Aplicações no mundo real#

Os fluxos de trabalho agentivos estão a resolver ativamente tarefas complexas e abertas no mundo real:

1. Inspeção visual autónoma: na indústria transformadora, um sistema agentivo pode automatizar a deteção de defeitos. Um agente orquestrador aciona uma ferramenta de câmara para capturar uma imagem, processa-a utilizando um modelo de deteção de objetos e analisa o resultado. Se for encontrado um defeito, o agente regista autonomamente um pedido de manutenção e encaminha o produto para revisão manual, gerindo toda a resposta da fábrica.

2. Análise inteligente de documentos: nos setores financeiro e jurídico, os fluxos de trabalho são concebidos para extrair dados estruturados de PDFs não estruturados. Os agentes aplicam iterativamente a deteção de layout, utilizando engenharia de prompts direcionada para se autocorrigirem e verificarem as tabelas extraídas em relação aos esquemas financeiros esperados.

3. Operações de marketing dinâmicas: as equipas de marketing inovadoras estão a reinventar os fluxos de trabalho de marketing através da implementação de agentes que analisam autonomamente as tendências atuais, geram materiais de campanha, testam variações de textos publicitários e ajustam estratégias orçamentais com base em métricas de desempenho em tempo real.

Exemplo: criar um fluxo de trabalho de agente visual#

Integrar inteligência visual num fluxo de trabalho agentivo é simples utilizando a Ultralytics Platform e o pacote Python ultralytics. Neste exemplo conceptual, um sistema agentivo utiliza o YOLO26 como ferramenta de perceção para examinar uma linha de produção, permitindo que a lógica subjacente do fluxo de trabalho decida autonomamente a próxima ação com base nos resultados do modo predict.

from ultralytics import YOLO

# Load the recommended Ultralytics YOLO26 model
model = YOLO("yolo26n.pt")

# Agentic workflow step 1: Vision tool gathers environmental data
results = model.predict("factory_line.jpg")


# Agentic workflow step 2: Agent logic evaluates the visual detections
def decision_agent(detections):
    for obj in detections:
        # Check if the model detected a specific class, e.g., 'defect'
        if obj.names[int(obj.cls)] == "defect":
            return "Action: Trigger immediate maintenance alert."
    return "Action: Continue production line smoothly."


# Execute the agent's decision logic based on bounding box data
action = decision_agent(results[0].boxes)
print(action)

Ao utilizar frameworks como o PyTorch nos bastidores, estas ferramentas de visão fornecem uma perceção espacial altamente precisa à lógica de AI mais abrangente. À medida que as organizações agentivas continuam a amadurecer, a combinação de modelos de raciocínio avançados e capacidades de visão em tempo real impulsionará a próxima geração de automatização inteligente e autocorretiva. Através da melhoria contínua por meio de aprendizagem ativa e de uma orquestração sofisticada, os fluxos de trabalho agentivos garantem que os sistemas de AI executem estratégias complexas de ponta a ponta de forma fiável.