Tipos de Agentes de IA: Reativos, Planejadores e Autônomos
By:César Medina
Contact: cesar.medina@innovox.com.br
- 8 minutes read - 1604 wordsArtigo 5 da Série IA Agêntica: Sistemas que Percebem, Decidem e Agem
Nos últimos artigos desta série, vimos o que é um agente, como ele difere de um simples modelo de linguagem, e quais componentes formam sua anatomia. Chegou a hora de responder uma pergunta prática: quando você diz “agente de IA”, de qual tipo está falando?
A resposta importa. Um agente reativo e um agente autônomo podem usar o mesmo modelo de linguagem por baixo, mas se comportam de maneiras completamente diferentes. Confundir os dois leva a expectativas erradas, arquiteturas inadequadas e frustrações desnecessárias.

Classificação de agentes
Não existe uma taxonomia oficial de agentes de IA. Diferentes pesquisadores e frameworks usam termos diferentes para coisas parecidas. Mas, na prática, três categorias cobrem a grande maioria dos sistemas que você vai encontrar ou construir:
- Agentes reativos (rule-based ou reflexivos)
- Agentes orientados a LLM (LLM-driven)
- Agentes planejadores (multi-step planners)
Essas categorias não são excludentes e podem se combinar. Um agente real frequentemente mistura características das três. Mas entender cada uma separadamente clareia o raciocínio.
1. Agentes Reativos
O que são
Agentes reativos respondem a estímulos do ambiente com ações predefinidas. Não planejam. Não raciocinam sobre consequências futuras. Recebem uma entrada, consultam um conjunto de regras, e executam a ação correspondente.
A lógica central é simples:
SE condição X → ENTÃO ação Y
Como funcionam na prática
Pense em um chatbot de atendimento ao cliente que identifica palavras-chave e redireciona para departamentos. Ou em um script de automação que monitora logs e dispara alertas quando detecta um padrão de erro. Ou ainda em um assistente de e-mail que classifica mensagens por remetente e aplica etiquetas.
Nenhum desses sistemas “pensa”. Eles reagem.

Pontos fortes
- Previsíveis: o comportamento é determinístico. Para uma entrada X, a saída Y é sempre a mesma.
- Rápidos: sem overhead de raciocínio. A latência é baixa.
- Fáceis de auditar: você pode inspecionar cada regra e entender o comportamento sem surpresas.
- Confiáveis em contextos controlados: em ambientes onde o conjunto de situações possíveis é finito e bem mapeado, regras funcionam muito bem.
Limitações
O problema aparece quando o mundo fica mais complexo do que as regras previstas. Se a situação não se encaixa em nenhuma regra, o agente não sabe o que fazer. Ele não generaliza. Cada exceção exige uma nova regra, e logo o sistema vira um labirinto de condições.
Além disso, regras são estáticas. Elas não aprendem com novas situações e não adaptam o comportamento com base em contexto histórico.
Agentes reativos são ótimos quando o problema é bem definido. São frágeis quando o problema tem variação significativa.
2. Agentes Orientados a LLM
O que são
Aqui entra o modelo de linguagem como motor de decisão. Em vez de regras fixas, o agente usa um LLM para interpretar a situação e decidir o que fazer. A inteligência deixa de estar no código e passa a estar no modelo.
A estrutura básica muda para:
entrada → LLM (raciocínio) → ação
Como funcionam na prática
O agente recebe uma entrada (texto, dados, contexto), envia para o modelo com um prompt que descreve as ferramentas disponíveis e o objetivo, e executa a ação que o modelo indicar. O resultado pode ser chamar uma API, escrever um arquivo, responder uma pergunta, ou qualquer outra coisa que as ferramentas do agente permitem.

O salto em relação ao modelo reativo
A diferença crucial é que o LLM generaliza. Ele foi treinado em uma quantidade enorme de texto e aprendeu padrões de raciocínio. Isso significa que ele consegue lidar com situações que não foram explicitamente programadas, interpretar linguagem ambígua, e adaptar a resposta ao contexto.
Um agente LLM-driven pode receber “preciso de uma tabela comparando os três planos da concorrência” e saber que isso envolve buscar dados, estruturar uma tabela e formatar a resposta, sem que nenhuma regra tenha sido escrita para esse caso específico.
Limitações
A generalização vem com um custo: imprevisibilidade. O mesmo input pode gerar outputs ligeiramente diferentes. O modelo pode “alucinar”, cometer erros de raciocínio ou interpretar mal a intenção.
Além disso, agentes LLM-driven simples ainda são essencialmente reativos em sua estrutura: recebem um input e produzem uma resposta. A diferença é que o motor de decisão é probabilístico, não baseado em regras. Para tarefas que exigem múltiplos passos coordenados ao longo do tempo, isso não é suficiente.
3. Agentes Planejadores (Multi-step Planners)
O que são
Planejadores são agentes que, antes de agir, constroem um plano. Eles decompõem um objetivo complexo em subtarefas, executam cada passo, observam os resultados, e ajustam o plano conforme necessário.
O ciclo que os define é:
objetivo → plano → ação → observação → revisão do plano → próxima ação → ...
Esse loop continua até que o objetivo seja alcançado ou o agente conclua que não consegue avançar.

Como funcionam na prática
Imagine pedir a um agente: “Pesquise os três principais concorrentes do nosso produto, compare os preços e gere um relatório em PDF.”
Um agente reativo não saberia o que fazer. Um agente LLM simples tentaria responder tudo de uma vez, provavelmente inventando dados.
Um agente planejador faria algo assim:
- Identificar que a tarefa tem três subtarefas: pesquisa, comparação e geração de documento
- Usar uma ferramenta de busca para coletar informações sobre cada concorrente
- Estruturar os dados coletados em uma tabela comparativa
- Chamar uma ferramenta de geração de PDF com o conteúdo estruturado
- Verificar se o PDF foi gerado corretamente e reportar o resultado
Se na etapa 2 um concorrente não tiver informações de preço disponíveis publicamente, o agente revisa o plano: tenta outra fonte, ou registra essa lacuna no relatório, em vez de inventar um número.
Frameworks que implementam esse padrão
Vários frameworks modernos são construídos em torno desse modelo de planejamento:
- ReAct (Reasoning + Acting): o modelo alterna entre raciocinar sobre a situação e executar ações, produzindo um trace de pensamento explícito antes de cada ação.
- Plan-and-Execute: o agente gera um plano completo antes de começar a executar, e uma segunda etapa acompanha a execução.
- LangGraph, AutoGen, CrewAI: frameworks que implementam grafos de estado onde cada nó representa uma etapa do plano e as arestas representam transições condicionais.
Vamos explorar cada um desses patterns com profundidade em artigos futuros.
Por que planejadores são diferentes
A distinção fundamental é o horizonte temporal. Agentes reativos operam no presente imediato: recebo X, faço Y. Planejadores operam sobre sequências: para chegar em Z, preciso passar por A, B e C, nessa ordem, ajustando conforme o que acontece em cada passo.
Essa capacidade de raciocinar sobre uma sequência de passos futuros é o que permite que agentes planejadores realizem tarefas que levam minutos ou horas, não apenas segundos.
Comparação direta
| Característica | Reativo | LLM-driven | Planejador |
|---|---|---|---|
| Motor de decisão | Regras fixas | LLM (um passo) | LLM (múltiplos passos) |
| Generalização | Nenhuma | Alta | Alta |
| Previsibilidade | Total | Parcial | Parcial |
| Tarefas complexas | Não | Limitado | Sim |
| Uso de memória | Raro | Opcional | Essencial |
| Latência | Muito baixa | Média | Alta |
| Custo de tokens | Zero | Baixo | Alto |
| Facilidade de debug | Alta | Média | Baixa |
Nenhuma categoria é melhor que as outras de forma absoluta. A escolha depende do problema.
Quando usar cada tipo
A decisão não é filosófica, é prática. Algumas perguntas ajudam a guiar a escolha:
Use um agente reativo quando:
- O conjunto de situações possíveis é finito e bem mapeado
- A velocidade de resposta é crítica
- Auditabilidade e previsibilidade são requisitos obrigatórios (ex: sistemas regulados)
- O custo de tokens importa muito
Use um agente LLM-driven quando:
- As entradas variam muito e regras fixas não cobrem todos os casos
- Você precisa de linguagem natural como interface
- A tarefa cabe em um único turno de raciocínio
Use um agente planejador quando:
- A tarefa envolve múltiplos passos sequenciais
- O agente precisa usar várias ferramentas em coordenação
- O objetivo final não pode ser alcançado em uma única ação
- Você precisa que o agente lide com falhas intermediárias e ajuste o plano
A realidade: sistemas híbridos
Na prática, sistemas de produção raramente usam um único tipo puro. Um produto real pode ter:
- Um agente reativo para triagem rápida de requisições (classificar, rotear, validar formato)
- Um agente LLM para interpretar a intenção do usuário e gerar respostas conversacionais
- Um agente planejador para executar fluxos de trabalho complexos em segundo plano
Essa composição permite que cada parte do sistema use o tipo de agente mais adequado para o seu papel. Velocidade onde velocidade importa, raciocínio onde raciocínio é necessário, planejamento onde a tarefa é longa e incerta.
No próximo artigo desta série, vamos sair da teoria e construir o primeiro agente funcional do zero, com código, um loop real de percepção-ação-observação, e ferramentas integradas.
Resumo
- Reativos operam por regras fixas. Rápidos, previsíveis, frágeis fora do escopo mapeado.
- LLM-driven usam um modelo de linguagem como motor de decisão. Generalizam bem, mas operam em um único turno.
- Planejadores decompõem objetivos em passos, executam em loop e ajustam o plano com base nos resultados. São os mais capazes para tarefas complexas, e os mais difíceis de depurar.
A escolha entre eles não é uma questão de qual é mais avançado. É uma questão de qual resolve o problema que você tem.
Este é o quinto artigo de uma série sobre IA agente, sistemas que percebem, decidem e agem. É técnico o suficiente para desenvolvedores, mas ainda acessível para quem está começando.
Equipo de ingeniería de InnoVox
Engenheiros focados em construir sistemas de IA confiáveis