Como Transformei um Chatbot Instável em um Agente Robusto de IA

No começo, parecia simples: uma startup de saúde queria automatizar o atendimento dos pacientes usando um chatbot. Minha primeira abordagem foi testar o que existia de forma rápida: N8N, uma ferramenta no-code, perfeita para protótipos. Em poucos dias, eu já tinha um fluxo funcional. Pacientes podiam confirmar consultas, reagendar ou interagir sobre outras demandas básicas.

Mas rapidamente percebi que algo não estava certo. O chatbot, em produção, não se comportava como esperado. Às vezes confirmava uma consulta, às vezes não. Ajustar prompts não resolvia. O sistema era imprevisível. E ali entendi uma lição crucial: desenvolver agentes de IA não é só montar prompts, é engenharia de AI.

Outro ponto que me chamou atenção foi o perfil do usuário. Um paciente não sabe que está falando com um agente. Ele espera respostas claras, precisas e consistentes. Diferente de um usuário que está consciente de interagir com um agente de IA, onde se aceita certa autonomia e experimentação. Para o paciente, a previsibilidade era mais importante que a autonomia.

A migração para o LangChain

Foi aí que decidi migrar para o LangChain, estudando profundamente como criar agentes estruturados. A grande mudança foi a arquitetura:

• Em vez de um prompt único tentando resolver tudo, criei múltiplos prompts dentro de um workflow.
• O primeiro prompt identifica a intenção do paciente: confirmar consulta, reagendar, tratar do NPS, etc.
• Cada passo subsequente é responsável por uma tarefa específica, usando saídas estruturadas da LLM quando necessário.

Isso me permitiu delegar tarefas à IA com controle total, equilibrando autonomia e previsibilidade. Diferente de workflows simples, onde você espera que o sistema execute comandos de forma previsível, o agente agora tem inteligência, mas não liberdade excessiva. Ele faz o que precisa fazer, sem confundir ou frustrar o paciente.

O resultado

Um agente confiável, robusto e pronto para produção, com muito mais precisão e consistência. E mais importante: essa experiência me ensinou que dominar agentes de IA vai muito além de ferramentas populares. É sobre entender usuários, arquitetura e limites da autonomia.

No fim, construir um agente que funcione de verdade é menos sobre tecnologia "fashion" e mais sobre engenharia cuidadosa, testes contínuos e foco no usuário. É essa a diferença entre um protótipo que impressiona e um sistema que entrega resultados reais.