🤖 Como criar seu primeiro Agente de IA Generativa: o que aprendi construindo o Theo

Meu nome é Luis Rangel e sou estudante de Análise e Desenvolvimento de Sistemas na FATEC-SP, atualmente no terceiro semestre.

Ainda estou no início da minha trajetória na tecnologia, mas acredito que aprender não significa apenas consumir conteúdo. Desenvolver projetos é uma das melhores formas de transformar teoria em prática, descobrir dificuldades que não aparecem em cursos e, principalmente, entender como diferentes tecnologias podem trabalhar juntas. Foi com essa mentalidade que surgiu o Theo

Quando comecei a estudar tecnologia, inteligência artificial generativa parecia algo distante da minha realidade. Eu sabia que existiam ferramentas capazes de conversar, gerar textos e responder perguntas, mas não imaginava que seria possível criar meu próprio agente de IA. Essa percepção mudou quando desenvolvi o Theo — Orientador de Criptomoedas, um projeto que me mostrou que criar um agente de IA pode ser muito mais acessível do que parece, principalmente quando começamos com um problema simples e bem definido. Neste artigo, vou compartilhar o caminho que percorri e mostrar como você pode usar essa experiência como referência para começar a desenvolver seu próprio agente de IA.

Antes de criar um agente, encontre um problema

Um dos maiores erros ao começar um projeto de IA é pensar primeiro na tecnologia e só depois no problema. Foi o contrário que aconteceu comigo. Durante uma conversa no meu curso técnico, eu estava falando sobre criptomoedas com um amigo. Outra pessoa chegou, perguntou sobre o assunto e, quando ouviu que estávamos conversando sobre criptomoedas, respondeu algo que chamou minha atenção:

"Acho legal, mas não entendo nada."

A partir daí, surgiu uma pergunta: e se existisse um agente capaz de explicar esse assunto para quem está começando? Esse foi o ponto de partida do Theo. A ideia não era criar uma ferramenta para dizer onde investir, mas sim um agente com objetivo educacional, capaz de explicar conceitos de criptomoedas utilizando informações previamente definidas. E essa é uma lição importante para qualquer projeto de IA:

Uma boa aplicação de inteligência artificial começa com um problema claro, não com um modelo de IA.

Mas afinal, o que é um agente de IA?

De maneira simplificada, podemos pensar em um agente de IA como um sistema que recebe uma entrada, utiliza informações e regras para processá-la e produz uma resposta ou ação. Isso é diferente de simplesmente abrir um chatbot e fazer uma pergunta. Um agente pode ter um objetivo específico, regras de comportamento, uma base de conhecimento, contexto de conversas e uma interface para interação com o usuário. No caso do Theo, o objetivo era bem definido: ajudar iniciantes a compreender conceitos relacionados às criptomoedas de maneira simples e didática. Definir esse objetivo foi importante porque ele ajudou a determinar o que o agente deveria fazer — e também o que ele não deveria fazer.

O primeiro passo: definir o escopo

Antes de escrever qualquer código, é importante responder algumas perguntas:

Quem vai utilizar o agente?

Qual problema ele resolve?

Que tipo de pergunta ele deve responder?

O que ele não deve responder?

No Theo, o público era formado por pessoas que estavam começando a aprender sobre criptomoedas. Isso significa que a comunicação precisava ser simples, evitando excesso de termos técnicos e utilizando explicações que facilitassem a compreensão. Também defini limites para o agente. Por exemplo, ele não deveria transformar uma dúvida educacional em uma recomendação de investimento. Quanto mais claro for o escopo, mais fácil será construir e testar o comportamento do agente.

Segundo passo: criar uma base de conhecimento

Uma IA generativa consegue produzir respostas muito convincentes, mas isso não significa que toda resposta estará necessariamente alinhada ao objetivo do nosso projeto. Por isso, uma base de conhecimento pode ser extremamente útil. No Theo, organizei informações em arquivos contendo conceitos, criptoativos, riscos, perguntas frequentes, fontes confiáveis e outros dados necessários para o funcionamento do agente. A ideia é simples: em vez de deixar toda a resposta depender do conhecimento geral do modelo, fornecemos ao agente informações específicas que fazem parte do projeto. Isso também ajuda a estabelecer uma regra importante:

A qualidade de um agente depende não apenas do modelo utilizado, mas também da qualidade das informações que você fornece a ele.

Terceiro passo: definir como o agente deve se comportar

Outro ponto fundamental é criar as instruções que orientam o agente. Pense nelas como um conjunto de regras que explica para a IA qual é o seu papel. No Theo, por exemplo, o agente deveria se comportar como um orientador educacional, utilizar uma linguagem acessível e permanecer dentro do tema de criptomoedas. Além disso, foram definidas regras para evitar respostas inventadas, impedir recomendações de investimento e limitar respostas para assuntos fora do escopo.

Isso mostra uma característica importante da engenharia de prompts:

Não basta dizer para a IA responder. É preciso explicar como ela deve responder.

Quarto passo: conectar tudo com código

Depois de definir o problema, a base de conhecimento e as regras, chega a hora de integrar esses elementos. No meu projeto, utilizei Python para carregar os arquivos de dados, organizar as informações e construir o contexto enviado ao modelo de IA. Também utilizei uma interface com Streamlit, permitindo que o usuário pudesse conversar com o agente de forma simples.

A estrutura pode ser visualizada de maneira bastante intuitiva:

Usuário → Interface → Código → Contexto + Regras → Modelo de IA → Resposta

Perceber essa sequência ajuda muito quem está começando, porque mostra que um agente de IA não precisa ser visto como uma tecnologia misteriosa. No fim, ele é um conjunto de componentes trabalhando em conjunto para resolver um problema.

Quinto passo: teste tudo — inclusive o que deveria dar errado

Uma etapa que muitas vezes é deixada de lado é a realização de testes.

Quando desenvolvemos um agente, não devemos verificar apenas se ele consegue responder corretamente. Também precisamos testar situações em que ele não deveria responder ou deveria recusar uma solicitação.

No Theo, por exemplo, foram realizados testes para verificar se ele conseguia:

• explicar corretamente conceitos presentes na base de conhecimento;
• recusar recomendações de investimento;
• identificar assuntos fora do escopo;
• admitir quando determinada informação não estava disponível.

Esse tipo de teste é importante porque uma resposta aparentemente convincente pode estar errada.

Em projetos de IA, saber dizer "não tenho essa informação" pode ser tão importante quanto saber responder.

O que aprendi desenvolvendo o Theo

Desenvolver esse projeto me mostrou que aprender inteligência artificial não significa necessariamente começar criando algo extremamente complexo. É possível começar com uma ideia pequena, definir um problema real e evoluir a solução aos poucos. Também percebi que um projeto de IA envolve muito mais do que simplesmente escolher um modelo. É necessário pensar em dados, contexto, regras, interface, testes e experiência do usuário. Para quem está começando na área tech, essa pode ser uma das partes mais interessantes: um único projeto permite praticar programação enquanto você aprende conceitos de IA, organização de dados e desenvolvimento de sistemas.

E agora?

Você não precisa começar criando o próximo grande produto de inteligência artificial. Comece com uma pergunta simples:

"Qual problema eu poderia resolver usando IA?"

Pode ser um agente para estudos, atendimento, organização de informações, suporte técnico, educação ou qualquer outro contexto que faça sentido para você. Depois, transforme a ideia em pequenas etapas: defina o público, estabeleça o objetivo, organize os dados, crie as regras, conecte o modelo e teste o resultado. Foi assim que comecei a construir o Theo. Meu projeto completo está disponível no GitHub para quem quiser conhecer a implementação e acompanhar essa experiência na prática.

Link do repositório: https://github.com/LuisRangel1999/dio-lab-bia-do-futuro