Entenda os conceitos-chave por trás dos agentes de IA, automação e ferramentas de produtividade modernas. Aprenda como o GAIA usa essas tecnologias para gerenciar seu fluxo de trabalho digital.
Um agente de IA é um sistema de software autônomo que percebe seu ambiente, avalia o que deve ser feito e toma ações para atingir objetivos específicos sem a necessidade de orientação humana constante.
IA Agente descreve sistemas de inteligência artificial projetados para operar de forma autônoma, tomando decisões e executando tarefas em múltiplas etapas com o mínimo de supervisão humana.
IA proativa é a IA que age antes de você pedir: ela acompanha eventos (um e-mail novo, uma reunião que se aproxima, um prazo), decide quando algo precisa de atenção e começa o trabalho ou avisa você por conta própria. A IA reativa é o oposto: não faz nada até você enviar um prompt ou um comando, e só então responde.
Memória baseada em grafo é uma arquitetura de memória de IA que armazena informações como nós e relações interconectados, permitindo compreensão contextual rica e conhecimento persistente ao longo das interações.
Busca semântica é uma técnica de busca que entende o significado e a intenção por trás de uma consulta, retornando resultados com base na relevância conceitual e não apenas pela correspondência exata de palavras-chave.
Um Modelo de Linguagem de Grande Porte (LLM) é um modelo de inteligência artificial treinado em enormes quantidades de dados textuais, capaz de compreender, gerar e raciocinar sobre a linguagem humana com grande fluência.
Consciência de contexto em IA é a capacidade de compreender toda a situação em torno de uma tarefa ou interação, incluindo quem está envolvido, o que já aconteceu, projetos relacionados, prazos e as preferências e padrões do usuário.
Orquestração de IA é a coordenação de múltiplos agentes, modelos e ferramentas de IA trabalhando juntos para completar tarefas complexas e multietapas que nenhum componente sozinho seria capaz de realizar.
Um transformer é uma arquitetura de rede neural introduzida em 2017 que utiliza mecanismos de autoatenção para processar sequências de dados em paralelo, formando a base de todos os modernos grandes modelos de linguagem.
Ajuste fino é o processo de pegar um modelo de IA pré-treinado e continuar seu treinamento em um conjunto de dados menor e específico, para adaptar o comportamento do modelo para um domínio ou aplicação particular.
Embeddings são representações densas em vetor numérico de dados, como texto, imagens ou áudio, que capturam significados e relações semânticas em um espaço de alta dimensão.
Um banco de dados vetorial é um sistema de banco de dados projetado para armazenar, indexar e consultar embeddings vetoriais de alta dimensão em escala, permitindo buscas rápidas por similaridade em grandes coleções de dados embutidos.
Geração Aumentada por Recuperação (RAG) é uma técnica que aprimora as respostas de LLMs ao primeiro recuperar documentos ou dados relevantes de uma base de conhecimento externa e injetar esse contexto no prompt do modelo.
Engenharia de prompt é a prática de projetar e refinar entradas para modelos de linguagem de IA, a fim de obter respostas desejadas de forma consistente, moldando o comportamento do modelo sem modificar seus pesos.
Zero-shot learning é a capacidade de um modelo de IA realizar tarefas para as quais nunca foi treinado explicitamente, confiando em conhecimento geral e raciocínio, em vez de exemplos específicos da tarefa.
Few-shot learning é a capacidade de um modelo de IA adaptar-se a uma nova tarefa ou formato de saída a partir de apenas alguns exemplos de entrada e saída fornecidos no prompt, sem qualquer atualização dos pesos.
Raciocínio em cadeia (Chain-of-thought, CoT) é uma técnica de prompting que instrui o modelo de IA a expor seus passos intermediários de raciocínio antes de chegar a uma resposta final, melhorando significativamente a precisão em problemas complexos de múltiplas etapas.
Alucinação de IA é o fenômeno onde um modelo de linguagem gera informações aparentemente confiantes, mas que são factualmente incorretas, inventadas ou sem sentido, e que não estão fundamentadas nos dados de entrada ou de treinamento.
Tokenização é o processo de dividir o texto em unidades menores chamadas tokens, que servem como unidades básicas de entrada para modelos de linguagem. Tokens normalmente representam fragmentos de palavras, palavras inteiras ou pontuação.
A janela de contexto é o número máximo de tokens que um modelo de linguagem pode processar em uma única chamada de inferência, incluindo o prompt do sistema, histórico da conversa, documentos recuperados e saída gerada.
Uma rede neural é um modelo computacional inspirado em sistemas neurais biológicos, composto por camadas interconectadas de nós que aprendem a transformar dados de entrada em saídas, ajustando os pesos das conexões durante o treinamento.
Processamento de Linguagem Natural (PLN) é um ramo da inteligência artificial que foca em permitir que computadores compreendam, interpretem, gerem e respondam à linguagem humana de forma significativa.
IA multimodal refere-se a sistemas de inteligência artificial capazes de processar e gerar vários tipos de dados, como texto, imagens, áudios e vídeos, dentro de um único modelo ou pipeline integrado.
Um modelo fundamental é um grande modelo de IA treinado em larga escala com dados amplos, que pode ser adaptado para uma ampla variedade de tarefas por meio de ajuste fino, prompts ou integração em arquiteturas de aplicações.
Inferência é o processo de executar um modelo de IA treinado em novos dados de entrada para gerar previsões, respostas ou decisões, em oposição ao treinamento, que é o processo de construir o modelo a partir dos dados.
Alinhamento de IA é o campo de pesquisa e engenharia dedicado a garantir que sistemas de IA busquem objetivos que sejam benéficos, seguros e consistentes com os valores e intenções humanas, mesmo à medida que se tornam mais capazes e autônomos.
O uso de ferramentas é a habilidade dos agentes de IA de invocar funções, APIs, bancos de dados e serviços externos para recuperar informações ou executar ações no mundo real, indo além da simples geração de texto.
Chamada de função é um recurso de modelos de IA que permite gerar invocações estruturadas e legíveis por máquina de funções predefinidas, possibilitando que sistemas de IA acessem APIs e ferramentas externas com os argumentos corretos.
Um agente autônomo é um sistema de IA capaz de perceber seu ambiente, tomar decisões e agir de forma independente para alcançar objetivos específicos sem precisar de intervenção humana em cada etapa.
Orquestração em IA refere-se à coordenação sistemática de múltiplos agentes, modelos, ferramentas e fontes de dados para executar tarefas complexas de múltiplas etapas com gerenciamento de dependências, estado e tratamento de erros.
Memória do agente é a capacidade de um agente de IA armazenar, recuperar e utilizar informações de interações, observações e ações anteriores para informar futuros comportamentos, possibilitando contexto persistente entre sessões.
Temperatura é um parâmetro na inferência de modelos de linguagem que controla a aleatoriedade na escolha de tokens — temperaturas mais altas produzem saídas mais variadas e criativas, enquanto temperaturas mais baixas geram respostas mais consistentes e determinísticas.
Prompt do sistema é um conjunto de instruções fornecidas a um modelo de linguagem no início da sessão, que define sua persona, restrições, tom e diretrizes de comportamento antes de qualquer interação com o usuário.
Saída estruturada é uma técnica que limita um LLM a responder em um formato predefinido — normalmente JSON ou XML — permitindo a análise programática confiável das respostas do modelo, em vez de texto livre.
Guardrails são restrições de segurança aplicadas a sistemas de IA para limitar, filtrar ou redirecionar as respostas do modelo, prevenindo comportamentos nocivos, incorretos ou indesejados, ao mesmo tempo permitindo usos benéficos.
Um agent loop é o ciclo de execução iterativa de um agente de IA no qual ele analisa o estado atual, seleciona e executa uma ação (frequentemente uma chamada de ferramenta), observa o resultado e repete até a tarefa ser concluída ou uma condição de parada ser alcançada.
Um agente supervisor é o agente de IA que comanda um sistema multiagente. Ele recebe o pedido, divide em subtarefas, entrega cada uma a um agente trabalhador especializado (um subagente) com as ferramentas certas, confere o que volta e junta os resultados em uma resposta só. Os trabalhadores executam; o supervisor decide quem faz o quê e quando o trabalho está pronto.
Um subagente é um agente de IA que outro agente inicia para cuidar de uma parte de uma tarefa maior. O agente principal (muitas vezes chamado de supervisor ou orquestrador) passa a ele uma tarefa por escrito, um conjunto restrito de ferramentas e um contexto novo só dele; o subagente trabalha nessa parte de forma independente e devolve apenas o resultado. Dividir o trabalho assim permite rodar vários subagentes em paralelo e mantém limpo o contexto do agente principal.
Agentes paralelos são múltiplos agentes de IA que executam ao mesmo tempo tarefas independentes, combinando seus resultados para concluir fluxos de trabalho complexos mais rapidamente do que um processamento sequencial de agente único permitiria.
Estado do agente é o conjunto de dados estruturados que um agente de IA mantém durante a execução de uma tarefa, registrando o que foi feito, o que foi aprendido e quais etapas ainda restam — permitindo o raciocínio em múltiplas etapas sem repetição de tarefas.
