Agentes, automação e IA em produção — o que funciona, o que quebra e por quê.
Quando uma API não informa uma métrica, gravar zero transforma uma lacuna de observação em uma afirmação. Preserve o desconhecido na ingestão para não fabricar resultado no dashboard.
Uma policy de RLS decide quais registros uma identidade pode alcançar. Ela não escolhe quais campos essa identidade pode alterar. Dados de autoridade precisam de privilégio por coluna ou de uma mutação de servidor estreita.
Excluir uma rota do rastreamento não decide quem pode receber seus dados. Painéis, relatórios e APIs internas precisam responder com autenticação e autorização no servidor antes de qualquer consulta.
Na noite do 1º turno de 2026, um agente leu os arquivos públicos do TSE, projetou o resultado com 36,6% apurado e errou por menos de 1 ponto. O que segurou a noite foi dado verificável, fonte cruzada e premissa escrita.
Uma tool MCP que não executa ações externas ainda precisa de contrato, autorização, limite de uso e saída tratada. O rótulo readOnlyHint não aplica nenhuma dessas garantias.
Quando frontmatter e caminho do arquivo definem URL, visibilidade, sitemap e CTA, conteúdo precisa passar por um release verificável — não apenas por revisão de texto.
Um timeout não diz se a escrita externa aconteceu. Antes de automatizar uma ação com IA, defina a chave que representa a intenção, o registro do efeito e o caminho para conflito.
Resposta final não explica uma execução. Para recuperar um workflow com IA, registre correlação, decisão, chamada de ferramenta, transição de estado e handoff — sem despejar dados sensíveis no log.
Internet instável, um canal bloqueado e um QR Code impresso mostraram a diferença entre testar IA e operar um agente de verdade.
O que um agente pode mostrar ao vivo e o que ele nunca deveria prometer no palco. A regra dos 5 segundos, e por que a demo que funcionou foi a mais burra de todas.
O arquivo ajuda agentes a encontrar conteúdo canônico em formato simples. Não força crawling, indexação, citação nem ranking. Um teste no meu próprio site mostrou a diferença.
A pergunta 6 da série: limites. Leitura, preparação e escrita são três níveis de ação com três regras diferentes — e a trava real nunca mora no prompt.
Resultado é só um dos quatro eixos. A pergunta 5 da série: como avaliar trajeto, segurança e custo — e por que um agente que acerta gastando dez vezes mais não é sucesso, é sorte que ainda não deu errado.
Histórico infinito não é memória — é custo e ruído. A pergunta 4 da série: o que precisa sobreviver entre etapas, o que precisa sobreviver entre execuções, e o que precisa ser esquecido de propósito.
Dois meses depois do lançamento a gente contratou um hacker ético. Ele achou duas falhas críticas. A pior era um ID de conversa exposto no front-end que dava acesso a dados de outro cliente. A lição não é sobre IDOR.
Passamos de escrita direta no banco para RabbitMQ, e de RabbitMQ para uma fila no próprio Postgres. A troca que importou não foi de tecnologia: foi decidir guardar o payload cru antes de processar.
A ingestão parou de madrugada. Nove dos nossos dez números de WhatsApp tinham sido banidos de uma vez. Em dois meses migramos 100% da operação de Bubble para Next.js + Supabase — e pivotamos o produto no meio do caminho.
Um agente não chama sua API porque leu o código — ele lê a descrição e decide. Por isso cada ferramenta é um contrato: o que faz, entradas, saídas, erros, se é reversível e se precisa de aprovação.
Antes de escrever qualquer prompt, um agente exige 7 decisões de design. São as mesmas 7 que separam um agente confiável de uma demo bonita.
A diferença prática entre chatbots e agentes de IA, e por que essa distinção muda arquitetura, produto, risco e operação.
Usamos cookies pra entender como o site é usado e melhorar sua experiência. Você pode aceitar ou recusar. Política de privacidade
