Agentes de IA, segundo Andrew Ng: da ideia ao sistema

• Link: x.com/Dipanshu_AI/status/2104053762440728588 ^[2]
• Autor do post: @Dipanshu_AI (nome exibido: Dipanshu Kushwaha), conta de dicas de IA que republica vídeos de terceiros.
• Publicado em: 27/set/2026, 00:41 (horário de Brasília) · cerca de 400 curtidas na leitura de 04/out/2026.
• Texto (tradução do trecho visível): "Não perca 2 anos aprendendo a ser engenheiro de IA agentic em 2026. Andrew Ng, o padrinho da IA, deu o manual completo para virar um do zero. Curso de 1 hora. Grátis: • 00:00 noções de agentes de IA • 12:12 fluxos agentic e padrões de projeto • 53:27 Práticas…" (o resto do texto não aparece na versão pública incorporável).
• Vídeo anexado: 1h45min51s.
• Notas da comunidade: nenhuma na leitura de 04/out/2026.

Quem fala. Andrew Ng, fundador da DeepLearning.AI e um dos professores de IA mais conhecidos do mundo. O conteúdo vem do curso Agentic AI, de nível intermediário, ministrado por ele na DeepLearning.AI ^[1].

Onde nasceu o conteúdo. O curso oficial tem 9h55, 31 aulas em vídeo, 7 exemplos de código e 8 avaliações, em 5 módulos: introdução, reflexão, uso de ferramentas, dicas práticas (evals) e padrões para agentes muito autônomos (planejamento e multiagentes). Foi anunciado por Ng na The Batch em 08/out/2025 ^[7], e a página indica atualização em 02/fev/2026 ^[1]. O vídeo do post foi publicado por terceiros, não pelo canal oficial, e junta trechos dos módulos 1, 4 e 5; os módulos de reflexão e ferramentas quase não aparecem.

A ideia já tinha sido escrita antes. Em mar/2024, Ng publicou na newsletter The Batch a série "Agentic Design Patterns", com os mesmos quatro padrões ^[3]. Em dez/2024, a Anthropic publicou um guia independente que chega a conclusões parecidas: comece simples e só aumente a complexidade quando necessário ^[4].

Legenda: ✅ confirmado por fonte independente · ⚠️ parcial ou exagerado · ❌ contradito · ❓ sem fonte.

• Fonte primária: página oficial do curso Agentic AI, com duração, módulos, preço e regras da auditoria gratuita ^[1].
• Independente 1: texto do próprio Ng na The Batch (20/mar/2024), que já trazia os quatro padrões e os números do HumanEval ^[3].
• Independente 2: guia da Anthropic "Building effective agents" (19/dez/2024), de outra empresa, que distingue fluxos (workflows) de agentes e recomenda a solução mais simples possível ^[4].
• Independente 3: artigo de Hamel Husain "Your AI Product Needs Evals" (29/mar/2024), sobre testes, rastros e análise de erros em produtos com LLM ^[5].
• Mesmo autor, lançamento: carta de Ng na The Batch (08/out/2025) anunciando o curso; ali ele diz que "o maior indicador" de sucesso de uma equipe é saber conduzir um processo disciplinado de evals e análise de erros ^[7].
• Independente 4: anúncio da Anthropic de 19/mai/2026 sobre orquestração multiagente e avaliação por rubrica em produto ^[6].

O que mudou desde o lançamento (out/2025) (checado em 04/out/2026):

• O curso foi atualizado em 02/fev/2026 e o módulo de ferramentas ganhou aulas sobre execução de código e MCP (protocolo aberto para conectar modelos a ferramentas) ^[1].
• Os padrões viraram produto. Em 19/mai/2026, a Anthropic lançou nos Managed Agents a orquestração multiagente (um agente líder divide o trabalho e delega a especialistas com modelo, prompt e ferramentas próprios) e os outcomes: você escreve uma rubrica e um avaliador separado confere o resultado em contexto próprio, pedindo nova rodada quando falta algo. É o padrão de reflexão com eval embutido. Ambos estão em beta público ^[6].
• O próprio guia de 2024 avisa que envelheceu: a página da Anthropic tem hoje uma nota dizendo que boa parte das ferramentas descritas mudou desde dez/2024 ^[4]. Os princípios (simplicidade, transparência, boas ferramentas) continuam.
• O que não mudou: medir antes de otimizar e olhar os rastros de cada etapa continuam sendo o centro do trabalho ^[5].

Limites. O vídeo do post não é oficial; os cortes entre blocos são aproximados. A transcrição automática do vídeo diz "40%" para o GPT-3.5 no HumanEval, enquanto o texto da The Batch diz 48,1%; usamos o número escrito ^[3].

1. 00:00–12:12 · O que é IA agentic e graus de autonomia: do prompt único ao fluxo de várias etapas.
2. 12:12–31:25 · Benefícios (qualidade, paralelismo, tarefas antes impraticáveis), decomposição de tarefas e primeira visão de evals.
3. 31:25–37:40 · Panorama dos quatro padrões de projeto.
4. 37:40–53:27 · Evals de ponta a ponta: como montar o primeiro conjunto de testes.
5. 53:27–1:20:30 · Análise de erros, evals por componente, troca de modelos, custo e latência.
6. 1:20:30–1:30:20 · Planejamento: o modelo propõe os passos e o sistema executa ("Planning workflows").
7. 1:30:20–1:45:51 · Multiagentes e padrões de comunicação.

Tempos do vídeo anexado ao post ^[2], conferidos com a transcrição; os títulos das aulas correspondem ao programa oficial ^[1].

1. Autonomia é um espectro

• Em uma frase: "agente" é um fluxo de várias etapas, e a pergunta útil é quanta decisão você entrega ao modelo.
• Explicação: num extremo, o engenheiro fixa a sequência e as ferramentas; no outro, o modelo escolhe ferramentas, repete passos e decide quando parou. Mais etapas custam mais tempo e dinheiro, mas costumam melhorar a qualidade ^[1]. A Anthropic chama o primeiro caso de workflow (caminhos de código predefinidos) e o segundo de agente (o modelo dirige o próprio processo) ^[4].
• Exemplo do vídeo: escrever um ensaio "de uma vez" versus esboçar, pesquisar, escrever, revisar e reescrever.

2. Decomposição de tarefas

• Em uma frase: quebre o trabalho como uma pessoa faria, em passos que um LLM, um código, uma ferramenta ou um humano consigam executar.
• Exemplo do vídeo: processar uma fatura em PDF: converter em texto, extrair quatro campos (emissor, endereço, valor, vencimento) e gravar no banco.
• Erro comum: um passo grande demais ("resolva o atendimento"). Se um passo falha muito, divida-o de novo.

3. Os quatro padrões de projeto

• Reflexão: gerar, criticar com critérios e reescrever. Fica muito melhor com feedback externo, como o erro de uma execução real de código ^[1][3].
• Uso de ferramentas: o modelo não finge saber o que só uma fonte externa responde; chama busca, banco de dados, calculadora ou código ^[1].
• Planejamento: o modelo propõe a sequência de passos em vez de o engenheiro programar cada ramificação ^[1].
• Multiagentes: especialistas com papéis diferentes, como numa equipe com gestor ^[1][3].

4. Evals: medir antes de mexer

• Em uma frase: um eval é um teste repetível de algo que importa para o usuário. Para Ng, saber conduzir evals e análise de erros é o que mais separa equipes que avançam das que passam meses ajustando prompts ^[7].
• Como começar: faça um protótipo seguro, leia saídas reais e monte 10 a 20 casos. Comece imperfeito e refine ^[1][5].
• Código ou juiz: critérios objetivos (data extraída certa, limite de 10 palavras numa legenda) viram código; critérios subjetivos usam um LLM como juiz com rubrica clara. Ng prefere contar itens presentes (por exemplo, quantos de 5 pontos obrigatórios aparecem) a notas vagas de 1 a 5.
• Ponta a ponta × componente: o primeiro diz se o sistema melhorou; o segundo mostra onde mexer.

5. Análise de erros

• Em uma frase: leia os rastros das respostas ruins e conte em que etapa cada falha nasceu.
• Exemplo do vídeo: num agente de pesquisa, os termos de busca eram ruins em 5% dos casos, mas os resultados da busca eram ruins em 45%. Trocar o prompt não resolveria o problema, que estava no buscador. São números didáticos, não um benchmark.
• Ordem de intervenção: instruções e exemplos, depois ferramentas, depois troca de modelo; ajuste fino (fine-tuning) só quando o resto se esgotou. Custo e latência vêm depois da qualidade.

6. Planejamento

• Exemplo do vídeo: numa loja de óculos, a pergunta "há óculos redondos em estoque por menos de US$ 100?" vira um plano: buscar descrições, checar estoque, conferir preço.
• Dica prática: peça o plano em JSON, para que o código consiga validar e executar cada passo sem interpretar texto livre.
• Cuidado: o plano gerado parece plausível, mas ações externas (responder e-mail, mexer em agenda) precisam de checagem e permissão antes de executar.

7. Multiagentes e comunicação

• Pergunta útil: que partes do trabalho exigem capacidades ou ferramentas diferentes? Não "quantos agentes?".
• Padrões: sequencial (simples, mas um erro inicial se propaga), gestor (um coordenador delega e decide o próximo passo) e todos-com-todos (criativo, porém difícil de prever; Ng o trata como experimental).
• Hoje: o padrão gestor é o que a Anthropic colocou em produto como orquestração multiagente ^[6].

• Pré-requisito recomendado: How I use LLMs, de Andrej Karpathy (fev/2025), para entender ferramentas como busca, código e deep research do ponto de vista de quem usa.
• Base teórica: Transformers, por Andrej Karpathy (Stanford CS25, 2023) explica o modelo que roda dentro de cada etapa.
• Próximo passo na trilha: Code w/ Claude: 8 palestras sobre programar com agentes mostra esses padrões em uma ferramenta real de programação (sub-agentes, memória, rotinas).

• Antes de "criar um agente", escreva o processo à mão: entrada, 3 a 5 passos, quem executa cada um e onde há revisão humana.
• Monte de 10 a 20 exemplos reais e uma nota binária de aceitação antes de mexer em prompts.
• Guarde os rastros (entradas e saídas de cada etapa) e classifique as falhas por etapa.
• Use código para checar o que é objetivo e um LLM juiz só para o que é subjetivo, com rubrica.
• Peça planos em JSON e valide-os antes de executar ações externas.
• Só separe em vários agentes quando um fluxo único falhar de forma mensurável.

Análise de erros Error analysis

Ler respostas ruins e contar em que etapa cada falha nasceu.

Autonomia Autonomy

Quanto o modelo decide sozinho os passos e as ferramentas.

Eval Evaluation

Teste repetível da qualidade de uma saída do sistema.

Eval de componente Component-level eval

Teste de uma etapa isolada, como os resultados da busca.

Fluxo agentic Agentic workflow

Processo em várias etapas em que um LLM planeja, age e revisa.

LLM como juiz LLM-as-a-judge

Usar um modelo com rubrica para avaliar saídas subjetivas.

MCP Model Context Protocol

Protocolo aberto para conectar modelos a ferramentas e dados.

Orquestrador Orchestrator / manager

Agente que divide a tarefa e delega a especialistas.

Rastro Trace

Registro das entradas e saídas de cada etapa de uma execução.

Reflexão Reflection

Padrão em que o modelo critica e reescreve a própria saída.

1. Qual é a melhor definição de agente, segundo o curso?

   • a) Um modelo maior
   • b) Um fluxo de várias etapas com algum grau de autonomia
   • c) Qualquer chatbot
   • d) Um robô físico
   Ver resposta ›

   b) Autonomia é um espectro, não um rótulo binário ^[1].

2. Quais são os quatro padrões de projeto?

   • a) Prompt, contexto, RAG e fine-tuning
   • b) Reflexão, uso de ferramentas, planejamento e multiagentes
   • c) Busca, resumo, tradução e voz
   • d) Treino, validação, teste e deploy
   Ver resposta ›

   b) Os mesmos quatro aparecem no curso e na The Batch ^[1][3].

3. Num agente de pesquisa, os termos de busca são ruins em 5% dos casos e os resultados em 45%. Onde mexer primeiro?

   • a) No prompt que gera os termos
   • b) Na etapa de busca e recuperação de fontes
   • c) Trocar todo o modelo
   • d) Fazer fine-tuning
   Ver resposta ›

   b) A análise de erros aponta a etapa que mais falha.

4. Por que o post erra ao dizer "curso de 1 hora"?

   • a) Porque o vídeo tem 1h45 e o curso oficial tem 9h55
   • b) Porque o curso é pago
   • c) Porque Ng não é o professor
   • d) Não erra
   Ver resposta ›

   a) ^[1].

5. Quando usar um LLM como juiz em vez de código?

   Ver resposta ›

   quando o critério é subjetivo (tom, qualidade de um texto); critérios objetivos, como uma data ou um limite de palavras, devem ser checados por código.

6. Que padrão de 2024 virou recurso de produto em 2026?

   Ver resposta ›

   a orquestração multiagente com um agente líder, e a reflexão com avaliador separado (outcomes), lançadas pela Anthropic em 19/mai/2026 ^[6].

Toque no cartão para virar. Baixar CSV para o Anki › (separador “;”, colunas frente;verso;tags)

Tarefa (30 min): escolha uma tarefa repetitiva do seu trabalho (responder uma dúvida frequente, resumir um documento, classificar pedidos). Escreva: a entrada, de 3 a 5 etapas, quem executa cada uma (LLM, código, ferramenta ou pessoa), a saída esperada e o ponto de revisão humana. Depois liste 10 exemplos reais e defina uma regra de aceitação sim/não para cada saída.

Feito quando: você tem o fluxo desenhado, 10 exemplos com a resposta esperada e um critério de aceitação que outra pessoa conseguiria aplicar sem perguntar nada.

• Curso Agentic AI (DeepLearning.AI) · curso · intermediário · vídeos gratuitos no modo auditoria; laboratórios no PRO ^[1].
• Agentic Design Patterns Part 1 (The Batch) · artigo · iniciante · o texto original dos quatro padrões ^[3].
• Building effective agents (Anthropic) · artigo · intermediário · padrões de workflow com exemplos ^[4].
• Your AI Product Needs Evals (Hamel Husain) · artigo · intermediário · como montar evals e ler rastros ^[5].

1. DeepLearning.AI. Agentic AI (curso, instrutor Andrew Ng), atualizado em 02/fev/2026. https://www.deeplearning.ai/courses/agentic-ai · fonte primária · acessado em 04/out/2026.
2. @Dipanshu_AI. Post com o vídeo, 27/set/2026. https://x.com/Dipanshu_AI/status/2104053762440728588 · ponto de partida · acessado em 04/out/2026.
3. Ng, A. Agentic Design Patterns Part 1. The Batch, 20/mar/2024. https://www.deeplearning.ai/the-batch/how-agents-can-improve-llm-performance/ · mesmo autor, texto anterior · acessado em 04/out/2026.
4. Anthropic. Building effective agents, 19/dez/2024. https://www.anthropic.com/engineering/building-effective-agents · independente · acessado em 04/out/2026.
5. Husain, H. Your AI Product Needs Evals, 29/mar/2024. https://hamel.dev/blog/posts/evals/ · independente · acessado em 04/out/2026.
6. Anthropic. New in Claude Managed Agents: dreaming, outcomes, and multiagent orchestration, 19/mai/2026. https://claude.com/blog/new-in-claude-managed-agents · independente · acessado em 04/out/2026.
7. Ng, A. Check Out Our Course on How to Build AI Agents! The Batch, 08/out/2025. https://www.deeplearning.ai/the-batch/check-out-our-course-on-how-to-build-ai-agents · mesmo autor, anúncio do curso · acessado em 04/out/2026.

• Post original: @Dipanshu_AI, 27/set/2026 · Curso oficial: DeepLearning.AI
• Preparado em: 04/out/2026 pelo agente 📚 Estudos, a partir de um resumo anterior de 27/set/2026 e da transcrição automática do vídeo.
• Última verificação das fontes: 04/out/2026.
• Método: transcrição comparada com o programa oficial do curso; padrões e números conferidos nos textos originais de Ng e em guias independentes.
• Limites conhecidos: o vídeo não é oficial e corta aulas; a transcrição automática pode errar números e nomes.
• Validade: princípios estáveis; produtos e preços, revisar a cada 6 meses.