AI-901: como compreender arquiteturas de agentes no Microsoft Foundry
Vou ensinar a competência de compreender arquiteturas de agentes no Microsoft Foundry — um tema prático importante no AI-901 porque mostra como coordenar LLMs, ferramentas e fluxos de trabalho para resolver tarefas complexas. Saber isto ajuda tanto no exame (compreensão conceptual) como na prática, ao desenhar soluções de automação assistida por IA.
O que precisas de saber
Arquitecturas de agentes descrevem como vários componentes (um ou mais LLMs, módulos de observação ou ferramentas externas, memória, orquestração) trabalham em conjunto para executar tarefas autónomas ou assistidas. Um agente não é apenas o modelo; é o padrão que gere chamadas ao modelo, decide quando usar ferramentas (ex.: pesquisa, APIs, cálculo), guarda contexto e toma decisões sobre passos seguintes.
Exemplo simples: um agente de suporte ao cliente recebe uma pergunta sobre faturas. O fluxo típico:
- Receber a pergunta (input do utilizador).
- Usar um classificador de intenção (ou o LLM) para decidir se precisa de aceder a dados da conta.
- Se sim, invocar uma ferramenta que consulta a base de dados ou um serviço externo.
- Agregar a resposta com contexto disponível na memória e gerar a resposta final ao cliente.
Como funciona (passo-a-passo)
Vou descrever, passo a passo, uma arquitectura de agente típica implementada no Microsoft Foundry para um caso prático: um agente que responde a perguntas sobre documentos internos (FAQ e contratos) e pode executar pesquisas semânticas.
-
Componentes principais:
- LLM: motor generativo que gera texto e justifica acções.
- Tooling: funções que o agente pode invocar (ex.: search, calculator, APIs pagas).
- Memory: armazenamento de contexto (histórico de conversas, embeddings).
- Orchestrator: lógica que determina quando chamar cada componente.
-
Fluxo lógico simplificado:
- Receber input do utilizador.
- O orquestrador envia um prompt ao LLM com instruções (system prompt) e contexto reduzido.
- O LLM decide: responder directamente, pedir mais informação, ou invocar uma tool (ex.: pesquisa semântica).
- Se invocar uma tool, o orquestrador executa a chamada e devolve o resultado ao LLM.
- O LLM produz a resposta final; o orquestrador actualiza a memory e retorna ao utilizador.
-
Exemplo de prompt (esquema) usado pelo orquestrador:
System: "És um assistente de suporte com acesso a ferramentas: SEARCH(documents), GET_ACCOUNT(account_id). Usa ferramentas quando precisas de dados factuais." User: "Como posso cancelar o meu contrato?" #Instruções para o LLM: descreve se precisas de usar SEARCH, e que query."O LLM responde com uma acção: por exemplo, "CALL_TOOL: SEARCH(query='cancel contract policy')" ou fornece directamente a resposta se já souber.
-
Implementação prática no Foundry (visão geral):
- Define os conectores às fontes (OneLake, repositórios de documentos) e indexa com embeddings, se necessário.
- Cria as tools como microserviços ou funções no Foundry que exponham endpoints seguros.
- Configura um pipeline de orquestração onde os prompts system/user e a lógica de decisão residem — podes usar componentes visuais do Foundry para compor o fluxo.
- Testa com prompts e logs para ajustar quando o agente deve chamar ferramentas e como resumir resultados.
Na prática: exemplo mínimo (pseudocódigo)
Este pseudocódigo ilustra a lógica de um orquestrador que decide entre resposta directa e uso de ferramenta.
function handleUserInput(userInput, sessionContext) {
prompt = buildPrompt(systemInstructions, sessionContext, userInput)
llmResponse = callLLM(prompt)
if (llmResponse.intent == 'CALL_TOOL') {
toolResult = callTool(llmResponse.toolName, llmResponse.toolArgs)
updatedPrompt = buildPrompt(systemInstructions, sessionContext, userInput, toolResult)
final = callLLM(updatedPrompt)
updateMemory(sessionContext, userInput, final)
return final
} else {
updateMemory(sessionContext, userInput, llmResponse.answer)
return llmResponse.answer
}
}
Erros comuns
1) Confiar no LLM para todas as decisões sem definir limites: sem regras claras, o LLM pode tentar responder factualmente sem aceder a dados actualizados.
2) Excesso de contexto no prompt: enviar todo o historial ou documentos grandes cria respostas lentas e pode ultrapassar limites de token; em vez disso, sumariza e usa retrieval quando necessário.
3) Ferramentas inseguras ou sem validação: permitir que o agente execute acções (ex.: alterar dados) sem autenticação e logs adequados pode causar problemas de segurança e auditoria.
Como praticar
Para estudar esta competência de forma eficaz: pratica a construção de um agente simples no Microsoft Foundry, indexando documentos com embeddings e criando uma tool de pesquisa. Testa diferentes system prompts e regista decisões e chamadas de ferramentas para diagnóstico.
Recursos oficiais e gratuitos que deves usar: o Practice Assessment OFICIAL da Microsoft (é gratuito) e a study guide da Microsoft para AI-901 (também gratuita). Estes materiais ajudam a validar que compreendeste os conceitos sem nunca recorrer a dumps ou perguntas reais do exame.
Em resumo
- Arquitecturas de agentes combinam LLMs, ferramentas, memória e orquestração para resolver tarefas complexas.
- Um bom orquestrador decide quando chamar ferramentas, reduz o contexto enviado ao LLM e mantém segurança e logs.
- Testa e itera: ajusta prompts, thresholds e políticas de uso de ferramentas para evitar respostas erradas ou inseguras.
- Usa os recursos oficiais gratuitos da Microsoft (Practice Assessment e study guide) para praticar de forma segura e alinhada com o exame.