Como construir uma integração com LLM: guia de 2026

Reescrita editorial baseada no original do Make. As sugestões de desenho e validação são orientações editoriais, não um relato de testes realizados.

Integrar um LLM é ligar uma entrada de negócio a uma decisão verificável e a uma ação. Um prompt isolado não resolve validação, recuperação de falhas nem escolha do destino. Este exemplo classifica mensagens de suporte com Make AI Toolkit e encaminha o resultado.

Preparar o fluxo

Defina uma origem, como e-mail, webhook ou planilha, e os destinos autorizados. Tenha permissão para acessar esses dados e configure a conexão do provedor oferecido pela conta.

Para preços, planos, franquias e condições comerciais do Make, vale a página oficial de preços. Consulte as condições atuais antes de escolher sua conta: conheça o Make pelo nosso link de afiliado. Podemos receber uma comissão se você contratar por esse link, sem custo adicional para você. Para consumo técnico e recursos disponíveis, consulte o Help e os detalhes da sua conta.

A referência Make AI Toolkit, consultada em 26/09/2026, é a fonte para os campos dos módulos. Ela documenta categorização, resumo, extração, tradução e outras ações. Não trate o Toolkit como se todos os módulos tivessem campos genéricos de prompt, idioma, confiança e formato.

1. Capturar e preparar a entrada

Adicione um gatilho correspondente à origem. Execute um teste e confira o pacote recebido. Se houver contexto relevante no CRM, recupere apenas os campos necessários e confirme que pertencem ao contato correto.

Diferencie dados de entrada de instruções. O conteúdo de uma mensagem não deve decidir quais credenciais usar nem para onde enviar informações. Limite o texto ao necessário à classificação.

2. Configurar Categorize Text

Adicione Make AI Toolkit > Categorize Text e crie a conexão conforme a referência oficial. Escolha o modelo quando essa opção aparecer na conexão.

Mapeie o texto em Text to categorize. Em Categories, defina nomes e descrições, por exemplo:

Ative Assign only one category se o fluxo exigir uma única classificação. Use Return an explanation for the categorization? quando a explicação ajudar na revisão.

A referência não apresenta um campo de limiar de confiança para esse módulo. Portanto, este fluxo não depende de uma pontuação supostamente retornada nem de cortes numéricos inventados.

3. Validar antes de agir

Depois da execução de teste, examine a estrutura efetiva da saída. Verifique se há resultado e se a categoria pertence à lista definida. Se o módulo puder retornar várias categorias, trate essa estrutura explicitamente ou altere a configuração para categoria única.

Uma categoria válida não comprova que a classificação está correta. Separe casos sensíveis ou ambíguos para revisão humana. Não use uma expressão regular como substituto universal de validação de JSON quando optar por outro módulo que retorne texto.

4. Encaminhar o resultado

Adicione um Router com filtros para os destinos escolhidos: equipe financeira, suporte técnico e revisão geral. Configure uma rota de fallback para resultados que não correspondam às condições.

O Help do Router esclarece que rotas são processadas sequencialmente. Se forem necessárias ações exclusivas, as condições devem ser mutuamente exclusivas.

Uma aplicação inicial é preparar um rascunho, registrar uma solicitação ou notificar a equipe. Não confunda criar rascunho com enviar automaticamente uma resposta.

5. Tratar falhas sem inventar sucesso

Diferencie erro de conexão, limite do serviço e saída inadequada. Configure os caminhos de recuperação com base no Help de error handlers. Não use uma saída substituta como se o modelo tivesse concluído uma classificação que falhou.

Registre a referência do evento e o estado da tentativa para permitir revisão. Evite repetir uma ação externa já concluída ao recuperar uma execução parcialmente bem-sucedida.

Testar o contrato de ponta a ponta

Monte exemplos de cada categoria e casos com texto vazio, idioma diferente, múltiplos assuntos e conteúdo que tente instruir a automação. Use Run once e confira entrada, saída e destino.

A aprovação deve considerar se a ação foi correta, não apenas se o módulo ficou verde. Compare também o consumo observado na conta antes de ampliar o volume.

Extensões possíveis

Use Summarize Text para condensar conteúdo e Extract Information from Text para obter campos definidos. Cada módulo tem suas próprias entradas. Trocar para uma integração OpenAI, Anthropic ou outro provedor exige revisar conexão, modelo, saída e custos do fornecedor; não é uma troca de nome que preserva automaticamente o contrato.