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
<a name="basic-reasoning-agents"></a>

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
<a name="architecture-basic-reasoning"></a>

O fluxo de um agente de raciocínio básico é mostrado no diagrama a seguir:

![\[Agente de raciocínio básico.\]](http://docs.aws.amazon.com/pt_br/prescriptive-guidance/latest/agentic-ai-patterns/images/basic-reasoning-agents.png)


## Description
<a name="description-basic-reasoning"></a>

1. 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.

1. 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.

1. 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
<a name="capabilities-basic-reasoning"></a>
+ 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
<a name="limitations-basic-reasoning"></a>
+ 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
<a name="common-use-cases-basic-reasoning"></a>
+ 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
<a name="implementation-guidance-basic-reasoning"></a>

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
<a name="summary-basic-reasoning"></a>

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 name="agent-rag"></a>

A geração aumentada de recuperação (RAG) é uma técnica que combina a recuperação de informações com a 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 name="architecture-rag"></a>

A lógica do padrão RAG é ilustrada no diagrama a seguir:

![\[Agente RAG.\]](http://docs.aws.amazon.com/pt_br/prescriptive-guidance/latest/agentic-ai-patterns/images/agent-rag.png)


## Description
<a name="description-rag"></a>

1. 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.

1. 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.

1. 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.

1. Retorna a saída final
   + O agente prepara a saída envolvendo-a em qualquer cabeçalho de comunicação ou na 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
<a name="capabilities-rag"></a>
+ 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
<a name="common-use-cases-rag"></a>
+ 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
<a name="implementation-guidance-rag"></a>

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 a pesquisa, o prompt e a inferência do LLM
+ Integrações baseadas em conhecimento com agentes (usando plug-ins de memória, recuperadores semânticos ou Amazon Bedrock)

## Resumo
<a name="summary-rag"></a>

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.