As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.
Agentes básicos de raciocínio
Um agente de raciocínio básico é a forma mais simples de IA agente que realiza inferência lógica ou tomada de decisão em resposta a uma consulta. Ele aceita a entrada de um usuário ou sistema e processa consultas e gera respostas usando prompts estruturados.
Esse padrão é útil para tarefas que exigem raciocínio, classificação ou resumo em uma única etapa com base em um determinado contexto. Ele não usa memória, ferramentas ou gerenciamento de estado, o que o torna sem estado, leve e altamente combinável em grandes fluxos de trabalho.
Arquitetura
O fluxo de um agente de raciocínio básico é mostrado no diagrama a seguir:
Description
-
Recebe uma entrada
-
Um usuário, sistema ou agente upstream envia uma consulta ou instrução.
-
A entrada é transferida para o shell do agente ou para a camada de orquestração.
-
Essa etapa inclui qualquer pré-processamento, modelagem imediata e identificação de metas.
-
-
Invoca o LLM
-
O agente transforma a consulta em um prompt estruturado e a envia para um LLM (por exemplo, por meio do Amazon Bedrock).
-
O LLM gera uma resposta com base no prompt usando conhecimento e contexto pré-treinados.
-
A saída gerada pode incluir etapas de raciocínio (chain-of-thought), respostas finais ou opções classificadas.
-
-
Retorna uma resposta
-
A saída gerada é retransmitida para a interface do agente.
-
Isso pode incluir formatação, pós-processamento ou uma resposta de API.
-
Capacidades
-
Suporta linguagem natural ou entrada estruturada
-
Usa engenharia rápida para orientar o comportamento
-
Sem estado e escalável
-
Pode ser incorporado à interface do usuário, CLI e APIs pipelines
Limitações
-
Sem memória ou consciência histórica
-
Sem interação com ferramentas externas ou fontes de dados
-
Limitado ao que o LLM sabe no momento da inferência
Casos de uso comuns
-
Perguntas e respostas conversacionais
-
Explicações e resumos de políticas
-
Orientação para a tomada de decisões
-
Fluxos de chatbot leves e automatizados
-
Classificação, rotulagem e pontuação
Orientação para implementação
Você pode usar as seguintes ferramentas e serviços para criar um agente de raciocínio básico:
-
Amazon Bedrock para invocação de LLM (Anthropic, Meta) AI21
-
Amazon API Gateway ou AWS Lambda para expô-lo como um microsserviço sem estado
-
Modelos de prompt armazenados no Parameter Store ou como código AWS Secrets Manager
Resumo
O agente de raciocínio básico é fundamental por causa de sua estrutura simples. Ele tem recursos essenciais que transformam metas em caminhos de raciocínio que levam a resultados inteligentes. Esse padrão geralmente é um ponto de partida para padrões avançados, como agentes baseados em ferramentas e agentes que usam geração aumentada de recuperação (RAG). Também é um componente confiável e modular de grandes fluxos de trabalho.
Agente RAG
A geração aumentada de recuperação (RAG) é uma técnica que combina recuperação de informações com geração de texto para criar respostas precisas e contextuais. O RAG permite que os agentes recuperem informações externas relevantes antes de contratar o LLM. Ele amplia a memória efetiva e a precisão do raciocínio de um agente ao basear suas decisões em informações up-to-date factuais ou específicas do domínio. Ao contrário dos apátridas, LLMs que dependem apenas de pesos pré-treinados, o RAG tem uma camada externa de pesquisa de conhecimento que aprimora dinamicamente as solicitações com o contexto.
Arquitetura
A lógica do padrão RAG é ilustrada no diagrama a seguir:
Description
-
Recebe uma consulta
-
Um usuário ou sistema upstream envia uma consulta ou meta ao agente.
-
O shell do agente aceita a solicitação e a formata como uma solicitação de raciocínio.
-
-
Pesquisa uma fonte externa
-
O agente identifica os conceitos e a intenção da consulta.
-
Ele consulta uma fonte de conhecimento, como um repositório vetorial, banco de dados ou índice de documentos usando pesquisa semântica ou correspondência de palavras-chave.
-
As passagens, documentos ou entidades mais relevantes são recuperados para uso na próxima etapa.
-
-
Gera uma resposta contextual
-
O agente aumenta o prompt com as informações recuperadas, formando uma entrada contextualizada para o LLM.
-
O LLM processa todas as entradas usando raciocínio generativo (por exemplo, chain-of-thought ou reflexão) para produzir uma resposta precisa.
-
-
Retorna a saída final
-
O agente prepara a saída envolvendo-a em qualquer cabeçalho de comunicação ou formatação necessária e, em seguida, a retorna ao usuário ou ao sistema de chamada.
-
(Opcional) Os documentos recuperados e a saída do LLM podem ser registrados, pontuados e armazenados na memória para futuras consultas.
-
Capacidades
-
Produção baseada em fatos, mesmo em domínios de longa duração ou específicos da empresa
-
Extensão de memória sem ajustar o modelo
-
Contexto dinâmico baseado em cada consulta e estado do usuário
-
Totalmente compatível com bancos de dados vetoriais, índices semânticos e filtragem de metadados
Casos de uso comuns
-
Assistentes de conhecimento corporativo
-
Bots de conformidade regulatória
-
Co-pilotos de suporte ao cliente
-
Chatbots aprimorados com pesquisa
-
Agentes de documentação para desenvolvedores
Orientação para implementação
Use as seguintes ferramentas e serviços para criar um agente que usa o RAG:
-
Amazon Bedrock para invocação de LLM
-
Amazon Kendra OpenSearch ou Amazon Aurora para documentação ou pesquisa estruturada de dados
-
Amazon Simple Storage Service (Amazon S3) (Amazon S3) para armazenamento de documentos
-
AWS Lambda para orquestrar pesquisa, solicitação e inferência de LLM
-
Integrações baseadas em conhecimento com agentes (usando plug-ins de memória, recuperadores semânticos ou Amazon Bedrock)
Resumo
O agente RAG conecta o raciocínio do modelo estático à inteligência dinâmica do mundo real. Ele capacita os agentes com a capacidade de pesquisar o que não sabem, sintetizar respostas a partir do conhecimento recuperado e produzir respostas auditáveis e de alta confiança.
Os padrões RAG são a base para a criação de agentes inteligentes que escalam o acesso ao conhecimento sem reciclagem. Geralmente, é um precursor de padrões de orquestração mais complexos que envolvem o uso de ferramentas, planejamento e memória de longo prazo.
