AI Workflows
Um workflow pode usar um LLM sem entregar a ele o controle do processo inteiro. No caso de atendimento desta semana, regras determinísticas validam pedido e identidade, o modelo interpreta a intenção e a aplicação escolhe caminhos permitidos. Só uma etapa que precisa decidir quais consultas realizar será agentic. Essa arquitetura híbrida conserva previsibilidade nos limites de negócio e utiliza o modelo onde a linguagem do usuário realmente exige interpretação.
Vamos comparar um node de cadeia LLM com um AI Agent e suas tools, incluindo integração MCP quando disponível. O objetivo não é escolher o componente mais autônomo, mas localizar a incerteza e controlar sua propagação. O exemplo local usa classificações fictícias para testar roteamento e validação da saída. Ele não chama modelo nem demonstra qualidade de classificação; o laboratório exige avaliar a etapa LLM real na versão n8n instalada.
JavaScriptIA & MLAutomaçãoAo terminar esta aula
- LLM em um workflow não exige controle agentic de todas as etapas.
- Saída estruturada precisa de validação e caminho para dúvida.
- Catálogo de ferramentas e autorização ficam sob controle da aplicação.
Antes de continuar: Laboratório: n8n base
Uma cadeia aplica uma transformação definida
FundamentosUma cadeia LLM recebe entrada preparada e produz saída para a tarefa configurada. Isso é adequado a resumo, extração ou classificação quando o fluxo já sabe o que deve acontecer antes e depois. No atendimento, a cadeia pode classificar consulta, devolução ou outra intenção, devolvendo um objeto. A aplicação valida esse objeto e toma a próxima decisão. O modelo não precisa selecionar uma API financeira para classificar a mensagem, e a classificação não pode servir como prova de que o usuário possui autorização sobre o pedido citado.
Defina a saída com valores permitidos e um caminho de dúvida. Um campo confianca produzido pelo modelo não é uma probabilidade calibrada por definição. Um limiar só se justifica depois de avaliar casos representativos e observar seus erros. Uma saída fora do schema deve ir para correção controlada ou revisão, e não ser tratada como a primeira categoria disponível. Para preservar dados, limite a entrada ao necessário e mantenha o identificador autorizado do pedido fora da extração livre quando a aplicação já o conhece.
Um agente escolhe consultas dentro de um catálogo
AgentesAI Agent conecta um modelo e ferramentas e permite que ele escolha operações para cumprir a tarefa. Ele é útil quando a próxima consulta depende da mensagem e das observações, como verificar política e estoque antes de responder uma devolução. A ferramenta precisa de nome, argumentos e retorno claros, além de validação própria. Uma tool HTTP genérica que aceita URL arbitrária amplia demais o espaço de ação. Prefira ferramentas específicas com base de endpoint fixa e escopo reduzido, conservando efeitos em operações separadas.
Uma ferramenta MCP pode expor consultas remotas ao agente conforme os recursos da integração n8n. A presença desse node não prova suporte a toda revisão MCP ou a todas as formas de autenticação. Confira transporte e compatibilidade da versão instalada e registre quais ferramentas foram disponibilizadas. Se o servidor oferece operação de leitura e de alteração, o workflow não precisa disponibilizar ambas. A escolha do catálogo permitido é parte da política do host. Um agente deve ser avaliado também por quais ferramentas chamou, não somente por sua resposta final.
Partes determinísticas protegem a decisão
FundamentosO fluxo híbrido começa por validação de entrada, identidade e propriedade. Depois, a classificação LLM interpreta a intenção. Um node de condição encaminha categorias conhecidas; casos ambíguos vão para revisão. A etapa agentic, se necessária, consulta somente ferramentas autorizadas. Por fim, a aplicação valida saída e aplica aprovação antes de qualquer efeito. O desenho reduz a quantidade de decisões que dependem de texto probabilístico. O modelo ajuda a interpretar linguagem, mas não define os direitos de acesso nem o limite de gasto.
O simulador valida pedido P7 e categorias permitidas, aceita somente consulta ou devolucao e marca revisão quando a confiança fictícia está abaixo de um limiar didático. O número0.8 não é recomendação universal e não foi calibrado. Ele existe para tornar o ramo de dúvida observável. O lab deve substituir essa hipótese por uma política avaliada, possivelmente usando evidências de ambiguidade em vez de um número gerado. O erro de schema continua separado do caminho de revisão, porque uma saída malformada e uma classificação incerta são problemas diferentes.
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); }Avalie o componente e o workflow completo
AutomaçãoPrepare mensagens claras, ambíguas, adversariais e fora do domínio. Para classificação, compare a categoria com uma referência revisada e conte confusões por classe. Para o agente, registre chamadas, argumentos, observações, tempo e resultado. Para o workflow, confira se alguma saída incorreta conseguiu produzir um efeito proibido. Uma classificação errada pode ser tolerável quando leva a revisão; uma classificação certa não torna aceitável consultar um pedido de outra pessoa. Os critérios de conteúdo e de controle precisam ser medidos separadamente.
Revise retries da etapa LLM e efeitos posteriores. Se a geração falhar, você pode tentar novamente dentro de um orçamento, mas não deve refazer automaticamente uma alteração já concluída. Conserve identidade da operação e registros de aprovação. Compare o híbrido com uma cadeia simples e um agente completo nos mesmos casos, registrando qualidade, latência e custo observado. A arquitetura vencedora depende do problema. Se as consultas são sempre fixas, uma cadeia com ferramentas determinísticas pode ser suficiente; se o caminho varia com observações, a etapa agentic passa a ter justificativa.
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
A classificação nominal consulta com confiança fictícia0.95 vai ao ramo consulta. Uma intenção desconhecida vai a erro de schema, enquanto devolucao0.4 vai a revisão. P99 é rejeitado antes da classificação ser consumida. A resolução mostra que saída do modelo é uma entrada a validar e não a fonte da identidade ou da autorização.
No workflow integrado, substitua a classificação fictícia pela cadeia LLM e capture casos com referência. Disponibilize tools somente na etapa que precisa escolhê-las. O limiar deve ser avaliado ou removido em favor de uma política de ambiguidade adequada, e qualquer efeito permanece protegido por aprovação e idempotência.
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.
Classificação devolve intenção válida/confiança NaN; pedido é de outra conta. Escolha ordem e rota.
Conferir raciocínio e critérios de domínio
Score deve ser finito no intervalo[0,1]; NaN é erro de schema.
Ambiguidade exige política avaliada, não limiar inventado como certeza.
Autorização antecede classificação/consulta; outro pedido não alcança tools.
Evidências para autoavaliação ou revisão por pares
- Contrato: Score deve ser finito no intervalo[0,1]; NaN é erro de schema.
- Revisão: Ambiguidade exige política avaliada, não limiar inventado como certeza.
- Autoridade: Autorização antecede classificação/consulta; outro pedido não alcança tools.
Um erro frequente
Confiança gerada é probabilidade calibrada.
Confiança gerada precisa ser avaliada e não é calibrada por definição.
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.