O tópico de hoje é algo que quase todo mundo já ouviu falar, mas poucos conseguem explicar de fato, o AI Agent Harness. Você provavelmente já viu isso em posts de blog ou palestras, mas o que significa na prática? É o seguinte, a maioria das pessoas pensa que construir um agente de IA trata-se apenas de escrever o prompt perfeito, aquela instrução mágica que faz o modelo agir exatamente como você quer, mas isso é como pensar que um carro é apenas um motor. Claro, o motor é importante, mas sem rodas, volante, freios e um chassi você não vai a lugar nenhum. Ao final deste episódio você entenderá o que é um Agent Harness, porque ele é a próxima evolução além da engenharia de prompt, e como o Microsoft é, a Foundry torna isso realidade para empresas. Pegue seu café e vamos começar. Porque o prompt não é mais suficiente. Vamos voltar aos primores. Por volta de 2022 a 2024, trabalhar com IA era simples. Você escreveu um prompt e resposta. Preciso de um rascunho de medo. Escreva um. Preciso de um resumo de um artigo. Escreva um prompt. Para tarefas simples e tentativa únicas funcionaram muito. Você podia pedir algo, e o modelo daria uma resposta razoável. Mas então as pessoas ficaram mais ambicionadas. Começaram a pedir que esses modelos realizassem trabalhos reais. Pesquisar um tema e escrever um relatório. Analisar uma base de código e corrigir um bug. Ou conduzir uma conversa de suporte ao cliente de ponta a ponta. De repente, um único prompt não dava conta. Veja o que aconteceu. A janela de contexto do modelo enchia. Ele esquecia as instruções iniciais e começava a inventar fatos ou dar resultados incompletos. Quanto mais longa a tarefa, menos confiável o resultado se tornava. Você provavelmente já passou por isso. Você pede a IA para fazer algo complexo. E, no final, ela já esqueceu o que você pediu no início. Imagine pedir a uma única pessoa para construir uma casa inteira do zero. De uma só vez, sem nunca verificar o trabalho dela. Era isso que estávamos pedindo aos modelos. Os resultados eram exatamente o esperado. Uma casa inacabada, sem paredes e com portas que não abrem. A solução não era um prompt melhor. Você poderia passar horas ajustando o texto, adicionando exemplos e refinando instruções. E, ainda assim, falharia em tarefas complexas. Pois o problema fundamental não era o prompt. Era a falta de um sistema ao redor dele. O que o modelo precisava não era de palavras melhores, mas de um suporte melhor. Foi aí que começou a evolução da engenharia de prompt para a engenharia de contexto. As três fases da evolução da IA. Então, aqui está como eu vejo a evolução da IA. Três fases. Cada uma muda o foco para os engenheiros. A fase 1 foi a engenharia de prompt. Durou de cerca de 2022 a 2024. A grande questão era simples. O que devo dizer ao modelo? Escrevi uma instrução, recebi uma resposta e era isso. Todo o trabalho consistia em escolher as palavras. Para tarefas básicas, isso era o suficiente. A fase 2 foi a seguir a engenharia de contexto de 2024 a 2025. A pergunta mudou de o que devo dizer para o que o modelo deve ver. Os engenheiros descobriram que o que você fornece ao modelo importa mais do que como você pergunta. Então, eles criaram sistemas como chamadas de ferramentas, RAG e o protocolo de contexto de modelo, MCP. Eles permitem que o modelo obtenha as informações serias rapidamente. Em vez de colocar tudo em um prompt, o modelo poderia buscar o que precisava quando necessário. A fase 3 é onde estamos agora. Engenharia de estrutura, Harness. A partir de 2026, a pergunta é qual sistema preciso construir ao redor do modelo? É aqui que fica interessante, porque a confiabilidade, memória, orquestração e proteções não vem do modelo em si, mas do sistema que você constrói ao redor dele. Aqui está a maneira mais simples de pensar sobre ele. Um agente é igual um modelo, mas uma estrutura, Harness. A estrutura é todo o resto. O modelo pensa, a estrutura faz o resto. E essa estrutura é um ingrediente secreto que faz tudo funcionar. Pense assim, o modelo é um trabalhador qualificado, muito talentoso, mas limitado, mas limitado. A estrutura é a oficina, as ferramentas, a lista de verificação, o supervisor, os freios. Sem a oficina, o trabalhador não tem onde trabalhar. Sem as ferramentas, ele não consegue construir nada. Sem a lista de verificação, ele esquece a etapa. Sem o supervisor, ele comete erros. E sem freio, ele acaba se desgastando. A estrutura fornece toda essa organização. O que exatamente está dentro dessa estrutura? Vamos abrir e ver como a estrutura realmente contém. Então, o que entra em uma estrutura? Vamos analisar as peças uma por outra. Primeiro, o loop do agente. Este é o ciclo que mantém o agente em funcionamento. O modelo pensa e então decide chamar a ferramenta. A ferramenta é executada e envia um resultado de volta. O modelo analisa isso, pensa novamente e talvez chame outra ferramenta. O loop continua até que o agente atinja seu objetivo. Sem esse loop, você só recebe uma única pergunta e uma única resposta. Com ele, você tem um sistema que resolve problemas passo a passo. A seguir, gerenciamento e contexto. Isso é fundamental, pois os modelos têm uma capacidade de atenção em vida. A janela de contexto dele só suporta uma certa quantidade antes de nos bolha. Entre em ação aqui. Ele comprime a conversa, resume todas as mensagens e prioriza o que é importante. Pense nisso como um sistema de arquivos para conversa. O Harness organiza tudo para que o modelo veja apenas o que é. Sem isso, as sessões longas se perdem, pois o modelo perde o fio da meada. Depois há as ferramentas e habilidades. Essas são as mãos do agente. Um modelo por si só só consegue gerar texto. Ele não consegue ler um arquivo, navegar na web, executar código ou consultar um banco de dados. O Harness oferece essas capacidades aí. Acesso a arquivos, navegação web, execução de código, consultas de banco de dados. Todas são ferramentas que o Harness fornece. O modelo decide quando usá-las e o Harness faz com que funcione. Memória e persistência de sessão são outra parte importante. O Harness se lembra de sessões anteriores. Quando você volta um agente no dia seguinte, ele não começa do zero. Ele se lembra das suas preferências, do contexto do seu projeto e das decisões que você tomou. O agente aprende com o tempo que o Harness mantém esse histórico. Guardrails são a camada de segurança. Limite que você define para o comportamento do agente. Pense nisso como um livro de regras do agente. Passos máximos antes de parar. Ações que não tem permissão de realizar. Aprovação humana para movimentos de alto risco como gravar arquivos ou enviar e-mails. Sem Guardrails, um agente poderia rodar para sempre ou fazer algo que você não pretendia. O Harness mantém o controle. Por fim, a orquestração. O Harness pode criar subagentes especializados para diferentes tarefas. Um cuida da pesquisa, outro da escrita, um terceiro cuida da verificação. Eles trabalham juntos com uma equipe de especialistas em uma obra. Cada um faz o que sabe melhor. E o Harness garante que eles não atrapalhem uns aos outros. Bem, esses componentes não são apenas teoria. A Microsoft construiu uma plataforma completa que coloca tudo isso em prática. Conheça o Microsoft AI Foundry, o Harness Corporativo. Essa plataforma é o Microsoft AI Foundry. Pense nisso como uma oficina completa para criar e executar agentes de AI em escala. Quando digo escala, falo de escala real, num experimento de laboratório. O Foundry atende mais de 70 mil clientes hoje. E só no último trimestre processou 100 trilhões de tokens. São 100 trilhões, não é um erro de direção. Todos os dias, ele processa 2 bilhões de consultas de pesquisa corporativa. Essa é uma plataforma de produção lidando com algumas das maiores cargas de trabalho do mundo. O que o Foundry realmente faz é oferecer o Harness como um serviço gerenciado. Você não precisa construir gerenciamento de contexto, memória, guardrails e coordenação do zero, pois tudo já vem integrado, pois tudo já vem integrado. Você traz seu agente e o Foundry fornece o ambiente para ele. Agora, vamos falar sobre identidade. Isso é muito importante. Cada agente no Foundry recebe seu próprio Entra-Agent ID. Basicamente uma identidade digital. Pense nisso como um crachá de funcionário emitido pela recepção. O agente pode acessar serviços, dados e agir em nome da organização como um funcionário humano. E como cada ação está vinculada a essa identidade, ela é totalmente auditável. O que é isso é importante? Em uma empresa você precisa saber quem fez o quê. Cada ação é registrada e rastreada. O Foundry se conecta a mais de 1.400 fontes de dados corporativos do SharePoint, Dynamics 365, ao Salesforce e bancos de dados personalizados. Se sua empresa usa, o Foundry provavelmente tem um conector. Portanto, o agente não está adivinhando ou inventando coisas. Ele extrai dados reais e sistemas reais, o que significa que as respostas são baseadas em seus dados de negócio reais. Depois é a memória. O Foundry inclui tipos de memória integrados. A memória procedural ajuda o agente a aprender com tarefas anteriores. Ele melhora com o tempo, como um treinamento no trabalho. A persistência de sessão significa que ele lembra conversas anteriores, para não começar do zero toda vez que você fala com ele. Isso torna as interações contínuas e inteligentes. Então, como isso realmente funciona? Vamos analisar os componentes que a Microsoft oferece para criar estruturas personalizadas. A estrutura de agente, criando estruturas personalizadas. Então, como você realmente constrói uma estrutura? A Microsoft oferece um SDK dedicado, chamado Microsoft Agent Framework, que você talvez conheça pelo nome anterior, Semantic Kernel. Ele foi reconstruído, mas a ideia é a mesma. Ele permite que desenvolvedores criem estruturas de agentes personalizadas em Python e Session. A estrutura possui três camadas. Na base está o loop do agente, o ciclo de raciocínio principal, onde o modelo pensa, chama ferramentas, obtém resultados e pensa novamente. Acima disso estão os fluxos de trabalho, padrões de coordenação que gerenciam múltiplos agentes. Envolvendo tudo está a camada da estrutura, o shell, que mantém tudo unido. A Microsoft disponibiliza cinco padrões de coordenação integrada. O sequencial executa agentes um após o outro em uma ordem definida. O concorrente executa todos eles em paralelo. A transferência passa o controle um agente para outro com base no que é necessário. O chat em grupo permite que vários agentes falem em uma conversa compartilhada. E então há um agente que, um gerente da Microsoft Research, nele, um agente supervisor gera um plano e delega o trabalho para subagentes especializados como um gerente de projeto, atribuindo tarefas aos membros da equipe. Cada padrão lida com um problema de coordenação diferente. Aqui está o meu pai. A estrutura é extensível. Você pode conectar qualquer modelo que desejar, desde OpenAI, Anthropic, Google Gemini até Amazon Bedrock e até mesmo modelos locais no Olama. Vale para se ferram. Você se conecta via OpenAI pelo protocolo de contexto de modelo ou pelo código direto. Algumas pessoas se preocupam que usar o framework da Microsoft prenda você ao ecossistema deles. Isso não é verdade. O framework funciona com qualquer stack que você já esteja usando. A camada de Harness adiciona capacidades como acesso a arquivos, execução de código, middleware de planejamento e telemetria. Portanto, criar um agente com esse framework significa construir um sistema completo que lê arquivos, escreve código, planeja tarefas de várias etapas e registra tudo para depuração. É muito mais do que apenas uma interface de chat. Veja como isso funciona. Imagine um agente de codificação construído sobre este framework. Dá ele uma tarefa, digamos, adicionar uma nova funcionalidade a uma base de código. A gente começa navegando pela documentação para entender a API. Depois ele escreve o código. Em seguida, ele executa o teste para garantir que nada foi quebrado. Se um teste falha, ele lê o erro, corrige o bug e executa os testes novamente. Tudo dentro do mesmo Harness, repetindo o ciclo de pensar e verificar até o trabalho ser concluído. Sem o Harness, você teria que alimentar cada etapa manualmente. Com ele, o agente gerencia todo o fluxo de trabalho por conta própria. Um exemplo popular de um Harness em ação é o padrão Claw. A Microsoft disponibilizou isso no Foundry e é uma ótima demonstração de como essas peças se unem. Agentes do estilo Claw e Werms. Vamos falar sobre os agentes estilo Claw. O nome vem de projetos de código aberto, como OpenClaw. Esses agentes residem em sua máquina, aguardam instruções, então executam tarefas longas por conta própria. Estão sempre prontos para intervir quando você precisa deles. Pense neles como um assistente pessoal que nunca tira folga. A versão da Microsoft chama-se Hermes. Ele roda dentro do sandbox de agentes hospedados no Foundry e vem com habilidades impressionantes. O Hermes tem seu próprio sistema de arquivos, sua própria memória e seu próprio conjunto de ferramentas. Ele pode configurar suas próprias rotinas de manutenção, limpando arquivos antigos e organizando seu espaço de trabalho. E se ele perceber que precisa de uma nova habilidade que não possui, ele pode criar uma na hora. Agora, aqui está a questão sobre os agentes Claw. Arquitetos de nuvem os chamam de Pets, não de Gado. Pets são únicos. Dá nomes a eles, cuida deles e não pode substituí-los facilmente. Gado é intercambiável. Então, se um cai e você inicia outro, agentes Claw são definitivamente Pé. Cada um tem seu próprio estado histórico e comportamento desaprendido. Essa singularidade os torna poderosos, mas também dificulta a recuperação e escalonamento. Se algo der errado, você não pode simplesmente descartar a instância e começar de novo, pois perderia todo esse conhecimento acumulado. A sua da Microsoft é algo chamado rotinas. Essas são tarefas agendadas que permitem ao agente despertar, realizar trabalhos de manutenção e depois voltar a dormir. Em vez de manter o sandbox funcionando 24x7, o que custa dinheiro, a gente desliga após um período de inatividade. O sistema de rotina desperta quando é hora de fazer algo, como limpar habilidades antigas, executar um backup ou verificar novas tarefas. Então ele volta a dormir. Isso economiza custos enquanto mantém o agente disponível quando você precisa dele. O sandbox se isola a cada sessão. Os arquivos, a memória e a configuração do seu agente permanecem contidos em seu próprio ambiente. E a estrutura gerencia esse estado entre as sessões para que você não precise se preocupar com dados de um agente vazando para outro. Construir sua própria estrutura do zero é possível, mas a maioria das empresas não precisa disso. O Foundry oferece uma plataforma pronta com todos esses recursos integrados. A verdadeira questão é, o que você quer que seu agente faça? Publicação e colaboração das estruturas encontram o zumbu. Então você construiu seu agente e deu a ele ferramentas, memória, orquestração e um sandbox. Agora, como as pessoas realmente o usam? É aqui que o Foundry torna as coisas fáceis. Uma vez que seu agente está construído e implantado, você pode publicá-lo no Microsoft 365 Copilot no Microsoft Teams com um clique. Não são 10 cliques em um pipeline de implantação de 3 dias, apenas um clique. E seu agente aparece exatamente onde as pessoas já trabalham, em seus e-mails, chats e documentos. O Foundry suporta dois modos de implantação. Primeiro, agente de assistência. Eles trabalham em seu nome, redigindo e-mails, agendando reuniões ou acessando documentos. Eles agem como uma extensão sua, como ter um assistente muito rápido que faz o que você pede. Segundo, agente de piloto automático. Esses são mais novos e mais interessantes. Eles agem em seu próprio nome, com seu próprio endereço de e-mail e sua própria identidade. Eles não precisam que você solicite o tempo todo. Eles tomam a iniciativa. Agente de piloto automático possui uma conta de usuário com um. Você pode adicioná-los a um chat em grupo do Teams, exatamente como o Firegon. Eles acompanham a conversa e entram quando podem ajudar, rastreando itens pendentes, respondendo a perguntas sobre o que a equipe está fazendo e até integrando novos membros ao enviar os documentos certos e apresentá-los às pessoas certas e apresentá-los às pessoas certas. Aqui está um exemplo concreto. Digamos que você tenha um agente gerenciador de fluxo de trabalho. Você ouve seu chat em grupo do Teams. Ninguém dizia isso do relatório do terceiro trimestre e pergunta até sexta-feira. O agente percebe que isso é uma tarefa. Ele cria a tarefa, atribui à pessoa certa e adiciona um lembrete para a quinta-feira verificar o progresso. Ninguém pediu para ele fazer isso. Ele apenas viu algo que precisava ser feito e fez. O Harness cuida de todas as permissões do bastidor. Apenas usuários autorizados podem interagir com a gente em um chat em grupo. A gente vê as mensagens que tem permissão para ver e ignora o restante. Ele respeita os mesmos controles de acesso que os membros humanos da sua equipe. É aqui que a engenharia do Harness realmente compensa. A gente deixa de ser um chatbot que você abre em uma aba do navegador. Ele se torna um membro produtivo da equipe. Ele vive onde você vive e trabalha como sua equipe trabalha. E faz tudo isso porque o Harness, o sistema em torno do modelo, lida com identidade e permissões, implantação e integração. Sem o Harness você teria apenas uma janela de chat para verificar. Mas qualquer ferramenta poderosa eu preciso salvar agora. Vamos falar sobre os guardrails que tornam tudo isso seguro. E há responsável e governança no Harness. Aqui está o ponto. A engenharia do Harness não é apenas sobre tornar os agentes mais capazes. É sobre torná-los seguros e confiáveis. Um agente que pode enviar e-mails, modificar arquivos e agir em chats em grupo é poderoso. Mas esse poder precisa de controles. Pense nisso como dar as chaves do prédio a um funcionário. Você quer que ele faça o trabalho, mas também define regras sobre o que ele pode acessar e quando. A abordagem da Microsoft é baseada no padrão de A responsável. Seis princípios guiam tudo. Justiça, confiabilidade e segurança. Privacidade e proteção. Inclusividade. Transparência e responsabilidade. Essas não são apenas boas ideias escritas em um cartaz. Elas são a base real para como toda plataforma é projetada desde o início. O Harness é onde esses princípios se tornam um código real. Os guardrails limitam o que o agente pode fazer. Canchos de ciclo de vida permitem que você aplique políticas em cada etapa da execução do agente. Antes do agente rodar, depois que ele roda, antes de chamar uma ferramenta, depois de obter um resultado e você pode injetar suas próprias verificações em qualquer ponto. Quer bloquear o agente de acessar certos bancos de dados? Você pode fazer isso. Quer exigir aprovação humana antes que o agente envie um e-mail? Você também pode fazer. Ambas são simples de configurar. O Well-Architected Framework do Azure inclui orientações dedicadas para cargas de trabalho de A. Ele cobre tudo, desde criptografia de dados até respostas a incidentes. A ideia é que construir um sistema de A não é fundamentalmente diferente de construir qualquer outro sistema empresarial. Você ainda precisa de segurança, confiabilidade e excelência em operação. O Well-Architected Framework oferece uma forma estruturada de pensar em tudo isso, sem se perder. Além disso, existe o Cloud Adoption Framework. Ele fornece um processo de quatro estágios para a governança de A. Primeiro, identifique os riscos. Pode dar errado. Segundo, mestre o impacto. Posseira a gravidade. Terceiro, omitir com controles. O que você pode implementar para prevenir? Quarto, opere com monitoramento. Como detectar problemas quando eles ocorrem? É uma abordagem prática passo a passo que transforma preocupações abstratas em ações concretas. Para os Agent Harnesses, especificamente, significa algumas coisas importantes. Limites máximos de passo para que o agente não rode para sempre. Restrições de ferramentas para que ele só acesse o que deve. Etapas de aprovação humana para ações de alto risco. Trilhas de auditoria para que toda decisão seja registrada e revisada. Filtros de segurança de conteúdo que capturam saídas problemáticas antes que alguém as veja. Cada peça trabalha em conjunto para manter seu agente sob controle e seguro. A Microsoft oferece segurança de conteúdo e avaliadores integrados dentro do FAM. Você pode testar seu agente em relação a critérios definidos antes de implantar. Ele se mantém no tópico? Ele lida com dados sensíveis, corretamente? Ele recusa solicitações que não deveria atender. Você pode executar essas avaliações automaticamente e obter uma pontuação antes de publicar o agente para a sua equipe. Dessa forma, se detecta problemas cedo e não depois que algo dá errado. Este é o quadro completo. Desde um prompt simples até um agente autônomo seguro em nível de produção. O modelo faz o pensamento, o harness faz todo o resto. A coordenação, as guardrails, a governança, tudo o que o torna confiável. Então, vamos recapitular a transformação. Começamos com o prompt one shot. Escreva um prompt e receba uma resposta. Isso funcionava para a tarefa sim. Depois passamos para a engenharia de conteúdo. Gerencio que o modelo recarregue a informação certa na hora certa. Isso funcionava para tarefas mais complexas. E agora chegamos à engenharia completa de harness. Construa um sistema completo ao redor do modelo, com memória, ferramentas, coordenação, guardrails e governança. Aqui está a avaliação. Um agente é tão confiável quanto o sistema ao redor dele. O modelo importa, sem dúvida, mas o harness é o que define o sucesso na produção. Você pode ter o melhor modelo do mundo, mas sem um bom harness, ele falhará em tarefas reais. E você pode ter um modelo decente com um excelente harness. Ele superará as expectativas sempre, sempre. Aqui está o seu desafio. No seu próximo projeto de A, pense além do prompt. Não pergunte o que devo dizer ao modelo. Pergunte qual sistema preciso construir em torno dele. Essa mudança de mentalidade é o que separa demonstrações de sistemas de produção. No próximo episódio, vamos mergulhar mais fundo em um componente de suporte à memória. Como agentes aprendem com o tempo, lembram do que fizeram e como isso muda o que podem realizar. Inscreva-se para não perder. Apenas o tempo, lembram do que fizeram e como isso muda o que fizeram e como isso muda o que fizeram.