Desenvolvimento de agentes de IA para empresas: RAG e MCP em produção

Na maioria dos casos, RAG: ele consulta os dados atuais da empresa a cada pergunta, cita a fonte e dispensa retreino quando a informação muda. Fine-tuning vale quando o problema é tom, formato ou uma tarefa muito específica e estável, e só quando uma eval mostra ganho sobre prompt e contexto. É comum combinar os dois, e o diagnóstico mostra qual abordagem o seu caso pede.

Engenharia de contexto é decidir o que entra na janela do modelo a cada passo: memória de curto, médio e longo prazo, compactação, orçamento de tokens e handoffs entre agentes e sessões, para o agente acertar mais e gastar menos. Harness engineering é o que fica em volta do modelo, como ferramentas, permissões e verificações; o termo tem guia próprio: “Harness engineering: o que é e quando importa”.

Depende do problema e da stack do seu time, e a escolha fica registrada em um ADR. LangGraph atende fluxos com estado, persistência e aprovação humana, desenhados como grafo; Deep Agents, sobre o LangGraph, soma planejamento, subagentes e skills para tarefas longas; LangChain oferece os blocos básicos; Mastra e Vercel AI SDK servem times em TypeScript. Para agentes de IA autônomos, como OpenClaw e Hermes Agent (Nous Research), configuramos permissões, canais e tarefas agendadas.

Com um dataset versionado de casos reais e de borda, evals automatizadas a cada mudança de prompt, modelo ou ferramenta e um trace de cada execução em produção. As evals combinam verificações em código, revisão humana e LLM-as-a-judge, e uma regressão bloqueia o release. Os traces, em OpenTelemetry, LangSmith ou Langfuse, mostram acerto, latência, tokens, custo por tarefa e casos passados a uma pessoa. Em um agente que já existe, essa medição é o primeiro passo do diagnóstico.

Sim: quando o problema pede um modelo próprio, aplicamos ciência de dados e aprendizado supervisionado (classificação, regressão e previsão), validado em dados separados do treino. Fine-tuning de LLM e aprendizado por reforço (RLHF, RL com recompensas verificáveis) entram só quando uma eval mostra ganho sobre prompt e contexto, porque custam mais para manter. Não treinamos modelos de base: o nosso foco é resolver problemas de negócio.

Com defesa em camadas: instruções do sistema isoladas do conteúdo externo, validação de entrada e saída, sanitização das respostas do LLM e permissões mínimas por ferramenta. Ações sensíveis exigem aprovação humana, e testes adversariais rodam no CI antes de cada release. No Mirador, motor de IA generativa da The Hackett Group, implementamos defesas contra prompt injection e a trilha de auditoria do system prompt.

Depende de três fatores: o número de integrações, a qualidade dos dados e o nível de autonomia do agente. Por isso não publicamos tabela de preços. O diagnóstico de 1 a 2 semanas define escopo, riscos e estimativa, e a proposta pode ser de escopo fechado ou time & materials com teto, em BRL ou USD. Além do desenvolvimento, há o custo recorrente de tokens, que projetamos, monitoramos por modelo e reduzimos com prompt caching e cache semântico.

A Master Timm desenvolve agentes de IA, RAG e MCP servers em produção, a partir de São Paulo, para empresas no Brasil e nos Estados Unidos. Para a The Hackett Group (NASDAQ: HCKT), fizemos a arquitetura e a entrega da plataforma de dados DIAL e do Mirador, motor de IA generativa sobre Claude e OpenAI; os dois estão nos nossos cases. Quem desenha a arquitetura também escreve o código, sem repasse para um time júnior.