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 de simulação e de teste
<a name="simulation-and-test-bed-agents"></a>

Agentes de simulação e de teste operam em ambientes virtualizados ou controlados, onde raciocinam, agem e aprendem. Esses agentes simulam comportamento, modelam resultados e treinam estratégias em ambientes repetíveis antes de aplicá-las a ambientes do mundo real.

Esse padrão é útil para desenvolvimento iterativo, aprendizado por reforço (RL), avaliação autônoma de tomada de decisão e testes de comportamento emergentes. Os agentes de simulação geralmente operam em circuitos fechados, recebendo feedback de seu ambiente e ajustando seu comportamento de acordo, tornando-os essenciais para tarefas que envolvem raciocínio espacial, controle em tempo real ou dinâmica complexa do sistema.

## Arquitetura
<a name="architecture-simulation-and-test-bed"></a>

O diagrama a seguir mostra uma simulação ou um agente de teste:

![\[Agentes de simulação e de teste.\]](http://docs.aws.amazon.com/pt_br/prescriptive-guidance/latest/agentic-ai-patterns/images/simulation-and-test-bed-agents.png)


## Description
<a name="description-simulation-and-test-bed"></a>

1. Inicia um ambiente
   + O agente inicia um ambiente simulado (por exemplo, um mundo 3D, um mecanismo de física, um sandbox de CLI ou um fluxo de dados sintético).
   + O agente é carregado no ambiente com uma tarefa, meta ou política inicial.

1. Percebe o agente
   + O agente percebe o estado atual por meio da telemetria de simulação (por exemplo, emulação de sensor, câmera virtual e registros estruturados).

1. Recupera objetivo e memória
   + O agente recupera o objetivo atribuído, as instruções do cenário ou a meta contextual.
   + Ele também pode recuperar a memória anterior, incluindo o seguinte:
     + Estratégias ou políticas de longo prazo
     + Mapas ambientais ou restrições conhecidas
     + Sucessos ou fracassos anteriores de simulações semelhantes

1. Razões e planos
   + Um LLM interpreta o estado simulado, os objetivos da tarefa e o conhecimento aprendido.
   + Ele gera um plano de ação ou comando de controle.

1. Executa ações simuladas
   + O agente executa o plano, modifica o estado, navega pelo espaço ou interage com entidades virtuais.

1. Aprende
   + O agente avalia os resultados da ação
   + Dependendo da configuração do agente, ele pode fazer o seguinte:
     + Execute RL
     + Registre os resultados para futuros ajustes
     + Adapte estratégias em tempo real

## Capacidades
<a name="capabilities-simulation-and-test-bed"></a>
+ Opera em ambientes sintéticos ou virtuais
+ Oferece suporte ao trial-and-error aprendizado, ao refinamento de políticas e à modelagem do sistema
+ Testes de baixo risco para comportamento, tratamento de falhas e casos extremos
+ Permite a análise do comportamento de agentes emergentes em configurações de vários agentes
+ Suporta controle e exploração em circuito fechado human-in-the-loop

## Casos de uso comuns
<a name="common-use-cases-simulation-and-test-bed"></a>
+ Aprendizado por reforço para robótica, drones e jogos
+ Treinamento de veículos autônomos em estradas virtuais
+ Cenários simulados UIs ou CLIs para DevOps e em bancos de ensaio
+ Experimentos de comportamento emergente em simulações sociais
+ Validação de segurança da lógica de decisão antes da produção

## Orientação para implementação
<a name="implementation-guidance-simulation-and-test-bed"></a>

Você pode criar um agente de simulação e teste usando as seguintes ferramentas e: Serviços da AWS


| 
| 
| **Componente** | **AWS service (Serviço da AWS)** | **Finalidade** | 
| --- |--- |--- |
| Environment | Amazon ECS, Amazon EC2 ou um simulador personalizado no SageMaker Amazon Studio Lab | Execute mundos virtuais (Gazebo, Unity, Unreal) ou sandbox CLIs | 
| Lógica do agente | Amazon Bedrock SageMaker, Amazon ou AWS Lambda | Planejadores baseados em LLM ou agentes de RL | 
| Ciclo de feedback |  SageMaker Aprendizado por reforço da Amazon CloudWatch, Amazon ou registros personalizados | Rastreamento de recompensas, pontuação de resultados e registro de comportamento | 
| Memória e repetição | Amazon S3, Amazon DynamoDB ou Amazon RDS | Estado persistente, histórico de episódios ou dados do cenário | 
| Visualização |  CloudWatch Painéis da Amazon ou cadernos da Amazon SageMaker  | Observe as mudanças nas políticas, os resultados e as métricas de treinamento | 

A seguir estão os aplicativos adicionais:
+ [AWS SimSpace Weaver](https://aws.amazon.com/simspaceweaver/)para simulações espaciais em grande escala
+ [AWS IoT Core](https://docs.aws.amazon.com/iot/latest/developerguide/iot-device-shadows.html)para testar dispositivos de sombra
+ [Amazon SageMaker Experiments](https://docs.aws.amazon.com/sagemaker/latest/dg/mlflow.html) para avaliação e benchmarking de agentes

## Resumo
<a name="summary-simulation-and-test-bed"></a>

Os agentes de simulação e de teste são para exploração estruturada antes de serem implantados em sistemas de produção. Use esses agentes para treinar políticas de navegação autônoma, testar processos de negócios em ambientes sintéticos e avaliar padrões de coordenação em enxames.