Vamos construir um agente camada por camada — e testar cada peça
ao vivo na interface. Ao final você entende, na prática, a diferença entre
um chatbot e um agente que observa, raciocina, age e reporta.
🧠 Memória📚 RAG🔌 MCP / Ferramentas🎯 Orquestrador
Ponto de partida
Isto não é um chatbot
💬
Chatbot: responde texto. Não lembra, não consulta suas fontes, não age em sistemas.
🤖
Agente: tem identidade e objetivo, memória, conhecimento fundamentado e ferramentas para agir no mundo real.
🧩
Um agente é a soma de componentes. Hoje vamos ligar e desligar cada um e ver o efeito.
✨
LLM
o motor de raciocínio
📜
System Prompt
o trabalho do agente
🧠
Memória
lembra da conversa
📚
RAG
fundamento nos seus docs
🔌
MCP / Ferramentas
mãos para agir
Uma breve história
Como o modelo aprendeu a agir
O agente não surgiu do nada. Foi uma escada de avanços — cada degrau
resolvendo uma limitação do anterior — até o modelo poder, enfim, pedir uma ação
concreta ao mundo.
2013
🔤 Embeddings
word2vec: palavras viram vetores; a máquina começa a capturar significado.
2017
⚡ Transformer
"Attention is All You Need": a arquitetura que destravou a escala.
2020
🧠 GPT-3
Escala massiva + few-shot: um modelo generalista de linguagem.
2022
💬 ChatGPT
RLHF e adoção em massa — mas ainda só fala; não age.
jun 2023
🔧 Function calling
A OpenAI dá ao modelo uma forma estruturada de pedir ações. O elo que faltava.
🧭
O ponto de virada
Até 2022, um LLM era um gerador de texto brilhante e isolado.
O function calling (2023) transformou "responder" em "agir" — e abriu caminho
para tudo o que vem a seguir neste deck.
O elo que faltava · jun 2023
Function calling: o modelo pede uma ação
O modelo não executa nada. Você descreve as funções disponíveis
(nome, descrição e o schema dos argumentos). Diante de um pedido, em vez de responder
em prosa, o modelo emite um JSON estruturado dizendo qual função chamar e com
quais argumentos.
1️⃣
Você declara as funções — o "cardápio" de ações.
2️⃣
O modelo escolhe uma e devolve os argumentos em JSON.
3️⃣
Seu código executa e devolve o resultado — o modelo continua.
"Ferramentas", "tools", "agentes"… tudo nasce daqui. Em 2024 o
MCP padronizou esse mesmo mecanismo entre servidores — é o que você constrói no
Exercício 2. Guarde a ideia: o modelo decide, o seu código age.
Visão geral
O agente por inteiro
requisiçãosystem promptmemóriaRAGMCPação no cluster · resposta
Camada 1 · O núcleo
Só o LLM: texto entra, texto sai
Sozinho, o modelo é brilhante mas sem estado: não lembra
a mensagem anterior, não conhece o seu cluster, não faz nada além de
gerar texto. É o ponto de partida de todo agente.
🧪
Teste na interface
Deixe Memória,
RAG e MCPdesligados. Escolha um modelo no seletor e converse. Pergunte algo,
depois pergunte "o que eu acabei de dizer?" — ele não sabe.
✨
LLM
gera texto a partir de texto
📜
System Prompt
—
🧠
Memória
—
📚
RAG
—
🔌
MCP / Ferramentas
—
Camada 2 · Identidade
System Prompt: dê um trabalho ao agente
O system prompt define papel, tom, regras e limites.
É a diferença entre "um assistente genérico" e "o agente de operações do
seu namespace, que só fala do que sabe e sempre confere antes de agir".
🧪
Teste na interface
Na caixa System Prompt, escreva
uma personalidade e um papel (ex.: "Você é o SRE do cluster; responda
curto e sempre em português"). Salve e veja o agente mudar de comportamento.
✨
LLM
motor
📜
System Prompt
papel, tom, regras
🧠
Memória
—
📚
RAG
—
🔌
MCP / Ferramentas
—
Camada 3 · Contexto
Memória: ele lembra da conversa
Com memória, o agente mantém o histórico da sessão — e no nosso
caso persiste em Redis, sobrevivendo a recargas. É o que permite um
diálogo de verdade, com continuidade.
🧪
Teste na interface
Ligue Memória. Diga seu nome,
converse mais um pouco e pergunte "qual é o meu nome?". Depois use
Compactar Memória e veja o histórico ser resumido.
✨
LLM
motor
📜
System Prompt
papel
🧠
Memória
histórico em Redis
📚
RAG
—
🔌
MCP / Ferramentas
—
Camada 4 · Conhecimento
RAG: fundamentado nos seus documentos
RAG (Retrieval-Augmented Generation) busca trechos relevantes dos
seus documentos e injeta no contexto antes do modelo responder.
Resultado: respostas ancoradas na sua realidade — menos alucinação.
🧪
Teste na interface
Escreva um documento com fatos que o modelo não sabe
(o nome do seu pet, um código secreto do seu time), suba em
Upload Documento e clique Re-indexar.
Ligue RAG e pergunte: agora ele responde pelo seu
documento e cita a fonte com 📚.
✨
LLM
motor
📜
System Prompt
papel
🧠
Memória
histórico
📚
RAG
busca vetorial nos seus docs
🔌
MCP / Ferramentas
—
Camada 5 · Ação
MCP: o agente ganha mãos
Até aqui o agente só fala. Com MCP (Model Context
Protocol) ele ganha ferramentas para agir: listar pods, ler logs,
consultar o cluster — de forma determinística e governável. Aqui o chatbot
vira agente de verdade.
🧪
Teste na interface
Ligue MCP Tools e peça
"liste os pods do meu namespace" ou "há algo com erro?". Observe as
chamadas de ferramenta aparecendo ao vivo, com argumentos e resultado.
✨
LLM
motor
📜
System Prompt
papel
🧠
Memória
histórico
📚
RAG
conhecimento
🔌
MCP / Ferramentas
age no cluster
Camada 6 · Autonomia
Orquestrador: o agente decide sozinho
Em vez de você ligar cada peça, o orquestrador decide
automaticamente qual modelo, quando usar MCP e quando buscar no RAG
para cada pergunta. É o primeiro passo rumo à autonomia da Fase 2.
🧪
Teste na interface
Ligue Orquestrador. Repare que os
controles de modelo/MCP/RAG passam a ser gerenciados por ele. Faça perguntas
diferentes e veja o agente escolher a estratégia sozinho.
🎯
Orquestrador
escolhe modelo · MCP · RAG
✨
LLM
motor
🧠
Memória
histórico
📚
RAG
conhecimento
🔌
MCP / Ferramentas
ação
Juntando tudo
O loop do agente
Com todas as camadas ligadas, o agente deixa de "responder" e passa a
operar. Este é o ciclo que se repete a cada tarefa:
01 · OBSERVA
👁️ Observa
Lê a mensagem, a memória e o estado do sistema.
02 · RACIOCINA
🧠 Raciocina
Decide o que fazer: buscar no RAG? chamar uma ferramenta?
03 · AGE
🔌 Age
Executa ferramentas via MCP, de forma determinística.
04 · REPORTA
📣 Reporta
Responde e registra o que fez — rastreável de ponta a ponta.
Zoom out
O que é um harness
O modelo, sozinho, só prevê o próximo token. O harness é o
arcabouço em volta dele que o transforma em agente: monta o prompt, expõe as
ferramentas (via function calling), roda o loop observa→raciocina→age→reporta,
cuida da memória e impõe limites.
🧠
Modelo = o motor. Raciocínio bruto, sem estado.
🔧
Harness = o chassi. Prompt, ferramentas, loop, memória, guarda-corpos.
🏗️
Você já viu um harness
Tudo neste deck — os componentes e o loop — é o harness.
O Forge, o seu agente do workshop e ferramentas como o Claude Code
são harnesses em volta de um modelo. Troque o modelo por dentro; o harness continua o mesmo.
Não há um só jeito
Tipos de agente: muitos harnesses
Um harness pode ser uma biblioteca que você embute, um runtime pronto ou
um CLI. Alguns exemplos do ecossistema:
🏗️ Quarkus + LangChain4j
O nosso. Java na JVM, agentes
empresariais sobre OpenShift — é o harness que roda neste workshop.
🐾 OpenClaw
Node.js/TypeScript, roda local na sua máquina.
Assistente pessoal que controla o computador e integra WhatsApp, Telegram e Slack.
"The AI that really does things."
⚡ Hermes
Framework open-source (MIT) da Nous Research. Runtime
multi-plataforma que executa tarefas por mensageria, e-mail e CLI, com memória e sandbox.
🧰 E muitos outros
LangGraph (Python), CrewAI e AutoGen
(multi-agente), LlamaIndex (RAG), OpenHands (código)… o mesmo conceito, sabores diferentes.
Exercício 1 · Mão na massa
Seu agente, seus toggles
1️⃣ Abra seu agente
Cada participante recebe um agente já deployado no OpenShift. Abra a URL do seu Mission Control.
2️⃣ Suba as camadas
Comece com tudo desligado. Ligue, uma a uma: System Prompt → Memória → RAG → MCP. Sinta a diferença a cada passo.
3️⃣ Toque no cluster
Com MCP ligado, peça ao agente para inspecionar seu namespace. Ele age no OpenShift de verdade.
4️⃣ Deixe-o decidir
Ligue o Orquestrador e observe o agente escolher modelo, RAG e ferramentas sozinho.
🎯
Objetivo
Ao final você deve conseguir explicar, com suas palavras,
o que cada componente adiciona — e ter feito o agente executar uma ação real no cluster.
O caminho do workshop
De interativo a autônomo
🕹️ Fase 1 — Interativo
Você conversa com o agente, liga componentes, opera o cluster por chat e resolve incidentes injetados. É onde estamos hoje.
⚡ Fase 2 — Autônomo
O mesmo agente escuta eventos no Kafka (AMQ Streams) e resolve os incidentes sozinho, sem humano no meio.
🛡️ Governança
AI Gateway conta tokens e filtra conteúdo; MCP Gateway permite ou bloqueia ferramentas por política.
🏭 Plataforma
Vários agentes especializados colaboram por eventos — uma equipe de operações autônoma sobre Red Hat OpenShift.
Bora construir
Comece pelo seu agente
Ligue uma camada de cada vez. Quando o MCP acender e o agente
mexer no cluster pela primeira vez, você vai entender por que dizemos:
isto não é um chatbot.