06 Mar 2026

Melhores práticas para agentes de IA

Artigo histórico da Make (a fonte indica 6 de março de 2026). Este texto reproduz uma página de documentação da Make. As descrições de recursos, limites e capturas de tela são da Make nessa data; não são uma afirmação deste site nem garantia de que essa documentação continue igual hoje. Para o estado atual da plataforma, consulte as fontes oficiais da Make.

Esta página reflete uma versão anterior do Make AI Agents. Para as informações mais recentes, consulte Make AI Agents (New). Agentes de IA bem projetados podem executar ferramentas para você com intervenção humana mínima. No entanto, sua eficácia depende da configuração e das instruções. Este guia reúne dicas para construir agentes de IA na Make, como nomenclatura de ferramentas, escrita de prompts e acesso a dados.

Ferramentas

Se um modelo de linguagem de grande porte (LLM) é o cérebro de um agente de IA, as ferramentas são suas mãos e suas ações. Elas dão ao agente as capacidades necessárias para fazer seu trabalho. Na Make, você tem três tipos de ferramentas para um agente de IA: cenários, módulos e ferramentas de servidor MCP.

Nomenclatura de ferramentas

Um agente escolhe a ferramenta certa para uma tarefa com base nos nomes e nas descrições das suas ferramentas. Escreva nomes e descrições concisos que reflitam o propósito da ferramenta e quando ela deve ser executada. Por exemplo: "Add customer email to Customer Contacts table" como nome do cenário e "This adds a new customer email address to the Customer Contacts table. Do not run this if '@' is missing" como descrição do cenário. Ferramentas bem nomeadas são essenciais ao compartilhar com sistemas de IA externos, como outros agentes, por meio do Make MCP Server. Esses sistemas dependem dos metadados das ferramentas (e não do system prompt) para tomar as decisões corretas.

Nomenclatura de entradas e saídas nos cenários

Entradas e saídas de cenário bem definidas ajudam o agente de IA a entender quais dados ele deve receber e compartilhar. Os campos de entrada e saída incluem:

Nome
Tipo
Descrição
Valor padrão
Obrigatório (Sim/Não)
Multilinha (Sim/Não) Aproveite essa configuração para especificar seus requisitos para as entradas ou saídas. Por exemplo: "customer_email" como nome da entrada do cenário e "Full name of the customer" como descrição. É uma entrada de texto obrigatória. Você também pode adicionar requisitos de estilo às descrições das entradas, se for relevante. Por exemplo, você pode especificar que uma entrada do tipo string (texto) deve ser toda em minúsculas, com inicial maiúscula ou toda em maiúsculas, e assim por diante.

Depuração nas ferramentas

Se você notar que seu agente retorna resultados abaixo do esperado, verifique primeiro se o problema está nas suas ferramentas. Você pode depurar ajustando a lógica específica de cada ferramenta nos nomes, nas descrições e nos esquemas de entrada e saída. Por exemplo, você pode adicionar uma dica na descrição da ferramenta sobre quando o agente deve executá-la ("Only run when you have a bank user ID"). Verifique também se todos os cenários com um agente estão ativados; erros de cenário podem causar desativação. (Para tratar erros em cenários, consulte Error handling.) Você pode ajustar a lógica no system prompt se a mudança se aplicar a todas as ferramentas.

Escrita de prompts

Os prompts dos agentes de IA da Make cumprem duas funções distintas, mas relacionadas: instruções do sistema e comunicação entre usuário e agente. O System prompt serve como o conjunto de instruções fundamentais que orientam o comportamento do agente, incluindo seu papel, suas limitações e seus processos. Escrever prompts (ou se comunicar com os agentes) envolve solicitações de tarefas e instruções. Você pode enviar prompts em:

Os Messages baseados no cenário, no módulo **Make AI Agents >**Run an agent
A janela de chat Testing & Training, na aba de configuração AI Agents

Prompts de sistema globais

Mantenha o system prompt amplo o suficiente para que seu agente funcione em diferentes cenários (por exemplo, orçamentos, inventário e atendimento ao cliente). Um prompt específico demais pode restringir a eficácia do agente a um conjunto limitado de tarefas. Por exemplo, considere estas duas abordagens para escrever system prompts — específico ou simples — para um agente de conteúdo que você pretende usar em vários cenários de criação de conteúdo: Prompt específico e restritivo "Você é um agente de conteúdo projetado para gerar conteúdo de Instagram com menos de 150 caracteres. A partir de várias fontes, você escreverá legendas para marcas de estilo de vida. Use um tom alegre, duas hashtags relevantes e três emojis. Termine a legenda com uma pergunta para o público." Prompt simples e global "Você é um agente de conteúdo projetado para gerar e refinar texto em diferentes formatos e plataformas. Você pode produzir conteúdo envolvente, informativo ou persuasivo (incluindo textos curtos, textos longos, esquemas e mais) adaptado às necessidades do público e aos requisitos de cada plataforma." O prompt específico restringe o agente em plataforma (Instagram), em forma (número de caracteres, emojis, hashtags) e em tarefa (escrita de legendas para redes sociais), o que limita sua capacidade de ajudar em outras tarefas relacionadas a conteúdo, como a redação de blogs otimizados para SEO. Mantenha os system prompts gerais e inclua as instruções mais específicas na descrição da ferramenta correspondente ou no campo Messages.

Redundância em prompts assistidos por IA

Se você não tem experiência em escrever prompts, pode se beneficiar do botão Improve em System prompt, que melhora seu prompt com IA. No entanto, prompts longos demais podem aumentar o risco de confusão ou alucinações do LLM. Usar IA para escrever prompts pode contribuir para esse risco se você não revisar o trabalho dela. Sempre revise seus prompts melhorados por IA em busca de redundâncias e remova-as. Da mesma forma, edite ou remova a seção Workflow se ela não se alinhar ao seu processo.

Prompts adicionais nas ferramentas

Depois de escrever seu system prompt, você pode adicionar especificações adicionais nas ferramentas. Você pode fazer isso em Messages e em Additional system instructions no módulo Make AI Agents > Run an agent. Em Messages, você pode escrever um prompt ou uma entrada que diga ao agente o que fazer com aquela ferramenta específica, incluindo limitações e condições. Por exemplo, em um cenário de legendas para redes sociais, você pode instruir o agente a limitar o comprimento a 150 caracteres, evitar pontuação complexa como travessões ou ponto e vírgula, e pedir validação humana para temas específicos. Nas Additional system instructions, opcionais, você pode adicionar informações contextuais extras que o agente não receberia do usuário. Por exemplo, se os usuários chamam seu agente por canais de comunicação como Slack ou Telegram, você pode usar esse campo para passar metadados como tipo de usuário, carimbo de data/hora e nome de perfil daquele canal.

Segurança e acesso aos dados

Os LLMs são sistemas imperfeitos e vulneráveis a riscos, como a exposição de PII nas saídas ou o prompt hacking. A melhor precaução é assumir que qualquer pessoa poderia acessar com sucesso o que você compartilha com seu agente, incluindo suas ferramentas e seus dados.

Acesso do agente às informações

Os agentes só usam os dados pessoais que você fornece explicitamente por meio de ferramentas e arquivos de contexto. Para reduzir o risco de segurança dos dados, limite o acesso do agente aos dados de que ele precisa para fazer seu trabalho. Evite expô-lo a informações sensíveis e não essenciais. Por exemplo, em vez de conectar o agente a uma ferramenta que exporta todo o seu calendário, o acesso dele poderia ser limitado a um calendário público, listando apenas os horários livres/ocupados.

Limites das restrições impostas pelo usuário

O system prompt de um agente inclui limitações e restrições, ou regras. As limitações orientam o comportamento do agente definindo ações desejáveis e indesejáveis. Por exemplo, você pode instruir seu agente de IA a:

Limitar o envolvimento com consultas fora do tema
Evitar compartilhar informações sensíveis nas saídas
Sinalizar entradas prejudiciais ou inseguras
Priorizar bases de conhecimento internas como referências
Pedir que um humano valide as saídas No entanto, mesmo com guardrails completos e explícitos, o agente ainda pode se comportar de forma imprevisível. Em sistemas de IA, as próprias restrições têm limitações: os agentes nem sempre as seguem. Dadas as implicações para a segurança dos dados, a restrição mais confiável nessa área é dar ao agente acesso mínimo a informações sensíveis.

Configuração do modelo

Em Agent settings, na aba de configuração AI Agents, você pode melhorar o funcionamento do seu agente definindo limites para seus tokens de saída, passos de execução e histórico de thread.

Max output tokens

Os agentes podem dar respostas longas, o que pode sair caro. Use Max Output Tokens para limitar o número de tokens que um agente emite. Se você definir o máximo de tokens baixo demais, poderá receber respostas incompletas. Um token equivale a cerca de 4 caracteres de texto.

Steps per agent call

Em casos raros, os agentes podem ficar presos em um loop, repetindo as mesmas ações sem alcançar o objetivo. Evite isso limitando os passos de execução que um agente pode dar. Uma estimativa segura de passos de execução é multiplicar o número máximo esperado de chamadas de ferramentas por 10.

Max number of agent runs in thread history

Os agentes usam o histórico de thread, semelhante a um histórico de chat, para lembrar as interações com você. No entanto, você pode não querer manter todo o histórico de thread. Fazer isso consome tokens adicionais, pois o agente precisa ler todo o histórico em cada execução. Para economizar tokens, limite o número de mensagens anteriores que o sistema armazena. Por exemplo, se você quiser manter apenas as últimas 5 mensagens, defina esse campo como 5.

Enriquecimento de conhecimento

O LLM por trás do seu agente provavelmente desconhece o conhecimento e os processos internos da sua empresa. Melhore a tomada de decisão do seu agente fazendo upload de arquivos privados em Context, na aba de configuração AI Agents. Esses arquivos servem como informações de referência para o agente. Os arquivos de contexto devem conter informações fixas que se aplicam a todas as ferramentas. Por exemplo:

Diretrizes da empresa
Bases de conhecimento internas (por exemplo, Confluence)
Tickets de suporte
Publicações da comunidade
Conversas do Slack da empresa Seus arquivos não devem incluir informações sensíveis quando o agente for usado por usuários que não devem acessar esses dados. Ao decidir quais arquivos enviar, considere o princípio garbage in, garbage out (GIGO): entradas de baixa qualidade ou não representativas levam a saídas igualmente falhas. Envie informações que reflitam os resultados que você quer que o agente reproduza. Por exemplo, não envie trabalho mal executado como exemplo a seguir.

Otimização de custos

Ao usar agentes de IA da Make, você paga taxas de créditos Make e de tokens do provedor de LLM (por exemplo, ChatGPT). Os custos totais podem subir rapidamente se você usar um thread ID, várias ferramentas e LLMs de raciocínio avançado. Mantenha os custos de LLM baixos otimizando seu uso de tokens e escolhendo um LLM com bom custo-benefício.

Uso de tokens

O uso de tokens depende de dois fatores principais: a quantidade de informações que o LLM processa nas requisições e o número de interações entre usuário e LLM. Data scope Para reduzir a quantidade de informações que um agente processa em uma requisição, especifique os dados que você quer passar ao agente e os dados que você quer que ele retorne. Por exemplo, em vez de instruir o agente a varrer um banco de dados inteiro, restrinja o escopo da busca a registros posteriores a 1º de junho de 2025. Para limitar os dados tratados nas requisições:

Defina entradas e saídas de cenário.
Filtre as entradas antes de passá-las ao agente. Em um cenário, você pode adicionar um filtro na rota antes do módulo **Make AI Agents >**Run an agent.
Armazene arquivos com informações globais (por exemplo, dados de contato) no Context do agente. Context Quando você tem grandes blocos de texto que um agente precisa consultar com frequência, pode enviá-los como arquivos de contexto e reduzir os tokens processados nas requisições. Seus arquivos de contexto são divididos em segmentos de texto chamados chunks, convertidos em vetores e armazenados no banco de dados vetorial RAG da Make. Os agentes podem buscar no banco de dados os chunks relevantes para suas consultas e retornar as seções mais relevantes em vez de arquivos inteiros, usando menos tokens. Você pode enviar arquivos de contexto na aba AI Agents na barra lateral esquerda, ou nos módulos Context do app Make AI Agents. Depois de enviar um arquivo, atualize o system prompt ou a mensagem do usuário para descrever o que o agente pode encontrar no arquivo. Essa ação ajuda o agente a entender quando recuperar o arquivo, a distinguir arquivos semelhantes e a evitar processar informações irrelevantes. Essas estratégias podem ajudar a prevenir erros na Make resultantes de exceder o limite de tokens do LLM subjacente ao seu agente. Veja a documentação do GPT-5 da OpenAI para um exemplo de limites de tokens de LLM. Interactions As interações entre usuário e LLM, que incluem suas entradas e as saídas do LLM, também consomem tokens. Para reduzir as interações, priorize a clareza nos prompts e consolide as solicitações de dados em vez de fazer várias solicitações sequenciais. Essas estratégias permitem obter saídas completas e precisas mais cedo. Além disso, quando você usa o mesmo thread ID em várias execuções de módulos Make AI Agents, toda a thread é passada ao agente. Se você não precisa consultar o histórico de conversa com um agente, deixe o campo Thread ID em branco. Essa ação cria um novo thread ID, o que pode economizar custos de forma significativa. Você pode monitorar o uso de tokens no bundle de saída do módulo Make AI Agents > Run an agent, em tokenUsageSummary, e na sua conta do provedor de LLM.

Escolha do LLM inicial

Você tem vários LLMs para escolher para impulsionar seu agente de IA, cada um com custos variáveis dependendo de fatores como velocidade e capacidade de raciocínio. Ao criar um agente de IA, comece com um LLM com boa relação velocidade-custo. O modelo inicial ideal é rápido e barato, como o GPT‑4.1 mini da OpenAI. Modelos mais avançados e lentos, como o o3 da OpenAI, podem disparar os custos rapidamente. Teste até onde um modelo econômico consegue chegar para alcançar seus objetivos e escale conforme necessário. Embora um LLM rápido funcione bem em muitos casos, o modelo certo depende do que você quer fazer com um agente. Alguns LLMs são mais adequados para certos casos de uso do que outros, e muitos provedores de LLM classificam seus modelos de acordo.