AI Workflows
Monte um atendimento híbrido com validação determinística, classificação LLM e roteamento. Acrescente AI Agent somente ao caminho que precisa escolher consultas. Use pedidos fictícios e tools de leitura. A entrega deve demonstrar nominal, ambíguo, schema inválido e pedido não autorizado, além das chamadas efetivamente feitas pelo agente.
O arquivo local verifica roteamento com classificações fictícias; ele não avalia um modelo. A etapa n8n deve usar um chat model autorizado e a versão registrada da instalação. Não forneça dados pessoais reais ao provedor. Seu relatório deve distinguir os testes determinísticos dos resultados de classificação e da seleção de ferramentas, porque cada um oferece evidência sobre um componente diferente.
IA & MLAutomaçãoAo terminar esta aula
- Autorização deve anteceder o consumo da classificação.
- O limiar do exemplo é uma hipótese didática que precisa de avaliação.
- A etapa agentic deve demonstrar escolha útil de ferramentas.
Antes de continuar: Leitura: AI Workflows
Construa a fronteira determinística
FundamentosSalve hibrido.cjs e execute os casos fornecidos. Acrescente P99 e confirme que o bloqueio ocorre antes de consumir a classificação. No editor n8n, crie entrada manual ou Webhook protegido, valide campos e associe o pedido ao usuário do ambiente. Mantenha a identidade da aplicação em contexto confiável. Um modelo que extrai P99 do texto não pode substituir a propriedade já estabelecida. Registre eventos separados para entrada válida, classificação recebida e caminho escolhido.
Defina categorias consulta, devolucao e revisão humana, além de erro de formato. Evite usar o mesmo ramo para qualquer problema. Um texto fora do domínio pode seguir revisão; uma estrutura malformada pode exigir correção limitada; ausência de permissão deve encerrar. Essa separação torna as métricas úteis e impede que um retry de formatação volte a consultar dados proibidos. O fluxo deve conservar o identificador da operação em todos os caminhos, inclusive nas pendências.
Configure a cadeia e uma avaliação pequena
AvaliaçãoAdicione o componente de cadeia LLM e um modelo autorizado. Prepare um prompt que descreve categorias e pede apenas os campos necessários, e valide a saída na aplicação. Crie casos claros para cada categoria e mensagens ambíguas com uma referência revisada por você. Capture a saída bruta e o resultado validado, removendo dados sensíveis. Se um parser ou schema do node ajuda a produzir JSON, teste mesmo assim campos ausentes e categoria desconhecida. A forma precisa ser verificada no ponto de consumo.
Não use o limiar0.8 do simulador como uma política pronta. Avalie se a confiança gerada separa acertos de erros no seu conjunto, e prefira revisão quando a entrada carecer de informação concreta. Registre taxa de encaminhamento e erros por classe sem generalizar de uma amostra pequena. Acrescente uma instrução adversarial que pede classificação privilegiada e verifique se a regra determinística conserva autorização. A defesa precisa funcionar mesmo quando a cadeia produz uma categoria equivocada.
Acrescente escolha de ferramentas somente onde necessária
FundamentosNo caminho de devolução, conecte AI Agent a uma consulta de política e uma consulta de estoque local. Nomeie ferramentas de forma específica e restrinja argumentos. Execute um caso que precisa somente da política e outro que exige as duas. Capture chamadas e observações. Se o agente chama tudo sempre, compare com um workflow fixo: talvez a autonomia não esteja oferecendo ganho. Não disponibilize confirmação de devolução como efeito sem a fronteira de aprovação estudada anteriormente.
Se usar MCP, confirme transporte e revisão suportados pelo node e pelo servidor instalado. Liste somente ferramentas de leitura permitidas e teste uma ferramenta ausente ou um servidor indisponível. O agente deve declarar a lacuna, não preencher o dado por imaginação. Uma mensagem de erro MCP precisa aparecer como falha de consulta na execução. Documente também credenciais e timeout sem publicar segredos, e compare a resposta com os dados reais ou fictícios que a tool devolveu.
Revise o fluxo completo
FundamentosRepita um caso após falha da geração e confira que nenhuma etapa com efeito foi duplicada. Registre chamadas, tentativas, caminho e resultado. Compare cadeia simples, híbrido e agente amplo usando as mesmas mensagens e critérios. A conclusão deve justificar onde a escolha contextual é necessária e onde regras fixas são mais claras. Caso somente o simulador tenha sido executado, marque avaliação LLM e integração MCP como pendentes, sem atribuir seus comportamentos esperados ao runtime real.
Exercício aplicado
Classifique atendimento e encaminhe devoluções a um agente de consultas. Preserve autorização determinística e revisão para ambiguidade, avaliando saída e chamadas separadamente.
- Execute as classificações fictícias e um pedido proibido.
- Monte cadeia LLM com schema e conjunto de casos revisados.
- Adicione agente com tools de leitura e capture escolhas.
- Compare desenhos usando erros, chamadas, latência e custo observado.
Abrir resolução comentada
Os testes locais separam consulta, revisão e erro de schema, e a autorização antecede todos esses caminhos. A cadeia real deve produzir classificações que a aplicação valida contra o mesmo contrato. Casos ambíguos são encaminhados segundo uma política avaliada, e não por confiança arbitrária aceita como fato.
O agente de devolução escolhe apenas tools de leitura. Falhas de consulta permanecem visíveis na resposta e no histórico. A comparação arquitetural usa as mesmas entradas, mede erros e chamadas e conserva controles de acesso em todos os desenhos, evitando melhorar desempenho por remover uma defesa necessária.
function rotear(pedido,c) {
if(pedido!=='P7')throw new Error('pedido nao autorizado');
if(!c || !['consulta','devolucao'].includes(c.intencao) || !Number.isFinite(c.confianca) || c.confianca<0 || c.confianca>1)return {ramo:'erro_schema'};
if(c.confianca<0.8)return {ramo:'revisao',motivo:'limiar didatico'};
return {ramo:c.intencao};
}
console.log(rotear('P7',{intencao:'consulta',confianca:0.95}));
console.log(rotear('P7',{intencao:'devolucao',confianca:0.4}));
console.log(rotear('P7',{intencao:'admin',confianca:1}));
try { rotear('P99',{intencao:'consulta',confianca:1}); } catch(e) { console.log(e.message); }
for(const confianca of [NaN,Infinity,-1,2]) console.log('adversarial',rotear('P7',{intencao:'consulta',confianca}));Como conferir seu resultado
- Pedido proibido é bloqueado antes das consultas.
- Schema inválido e ambiguidade possuem caminhos distintos.
- A seleção de tools é observável e permanece no catálogo permitido.
Aplique em um problema novo
Primeiro resolva sem consultar a resposta. Explique suas decisões e guarde a evidência. A conclusão de leitura é independente desta autoavaliação.
Confira seus pré-requisitos
- Validar enum/score antes de roteamento.
- Separar cadeia LLM e tool agent.
Entradas com confiança −0,2/1,2/Infinity usam enum válido; outra tem duas intenções e confiança 0,9. Pedido P99 pertence a outra conta. Resolva erro/revisão/autorização.
Conferir raciocínio e critérios de domínio
Os três scores fora do intervalo/sem finitude vão para erro_schema, não rota automática. Schema válido exigiria score finito em[0,1].
A mensagem com duas intenções vai para revisão pela política de ambiguidade, apesar de0,9. Confiança gerada não confirma adequação factual.
P99 é negado antes de consumir classificação ou consultar tools. Comparar cadeia/agente não pode remover esse controle para parecer mais eficiente.
Evidências para autoavaliação ou revisão por pares
- Finitude e intervalo: Os três scores fora do intervalo/sem finitude vão para erro_schema, não rota automática. Schema válido exigiria score finito em[0,1].
- Ambiguidade: A mensagem com duas intenções vai para revisão pela política de ambiguidade, apesar de0,9. Confiança gerada não confirma adequação factual.
- Autorização anterior: P99 é negado antes de consumir classificação ou consultar tools. Comparar cadeia/agente não pode remover esse controle para parecer mais eficiente.
Um erro frequente
Formato válido significa decisão correta.
Schema correto não prova que a decisão é adequada à entrada.
Teste sua compreensão
Responda com suas palavras antes de abrir o comentário. Saber explicar uma decisão é parte do domínio.
1. Confianca do modelo é probabilidade calibrada?
Não por definição. Ela precisa ser avaliada.
Um número convincente pode não separar acertos de erros.
2. Toda etapa com LLM precisa ser agente?
Não. Uma transformação fixa pode usar cadeia.
Autonomia se justifica quando a próxima ação depende do contexto.
3. Classificação correta concede acesso ao pedido?
Não. Autorização deriva da aplicação.
A interpretação da intenção não prova propriedade do recurso.
Seu progresso fica salvo neste navegador. Concluir a leitura não substitui demonstrar o domínio nos exercícios.
Referências e aprofundamento
Documentação oficial e trabalhos originais. As referências registram o escopo e as limitações para você conferir o que sustentam.
- Basic LLM Chain
n8n • consulta: 2026-10-06
n8nIA & MLNó de LLM, mensagens e output parser.
Limites: Chain tem contrato diferente de agente com tools e memória; revisar versão do node.
- AI Agent
n8n • consulta: 2026-10-06
n8nAgentesIA & MLAgente com chat model e ao menos uma tool; Tools Agent.
Limites: Seletor de tipo de agente depreciado desde1.82; nodev1 previsto para remoção em3.0.
- MCP Client Tool
n8n • consulta: 2026-10-06
n8nMCPConsumir tools externas, autenticação e seleção das ferramentas expostas ao agente.
Limites: Página ainda usa SSE Endpoint; verificar versão do node e transportes realmente suportados, sem generalizar para MCP atual.
- Agents vs chains
n8n • consulta: 2026-10-06
n8nAgentesComparação entre execução fixa de chains e seleção de ferramentas por agente.
Limites: Exemplo é conceitual; escolher agência somente onde há decisão variável mensurável.
- Split with conditionals
n8n • consulta: 2026-10-06
n8nIf e Switch para rotas determinísticas.
Limites: Testar ausência de dados e todos os ramos.