A automação tradicional segue instruções fixas, e um chatbot simples responde à mensagem que tem diante de si. Um agente baseado em metas funciona de forma diferente. Ele parte de um resultado desejado e planeja as ações necessárias para alcançá-lo. Depois, avalia novas informações à medida que a tarefa se desenvolve. Este artigo explica o conceito, a arquitetura de suporte e os principais casos de uso. Também compara agentes baseados em metas com outros tipos de agentes de IA e apresenta o Kimi Agent como uma forma prática de experimentar a execução de tarefas orientada a metas.
O que é um agente baseado em metas?
Um agente baseado em metas é um sistema de IA que toma decisões e realiza ações em torno de um objetivo definido. Ele avalia o estado atual, considera possíveis próximas etapas e seleciona ações que aproximam o sistema do resultado desejado. O agente pode usar ferramentas, acompanhar o progresso e revisar seu plano quando novas informações mudam a situação.
Por exemplo, um agente de suporte ao cliente pode responder a uma pergunta. Um agente baseado em metas pode trabalhar para resolver toda a questão do cliente. Ele pode revisar o histórico da conta e consultar uma base de conhecimento aprovada. Pode então diagnosticar o problema, preparar uma solução ou escalar o caso quando as evidências forem insuficientes.
Como funciona um agente baseado em metas?
Um agente baseado em metas geralmente segue um ciclo repetitivo. Primeiro, define o resultado desejado e observa o ambiente atual. Depois, cria um plano, seleciona uma ação e avalia o resultado. Se o resultado não fizer a tarefa avançar, o agente pode replanejar ou solicitar ajuda.
Definição da meta
O processo começa com uma definição precisa de sucesso. A meta pode conter várias condições relacionadas, mas cada condição deve ser testável. Também pode incluir restrições, como prazos, fontes de dados aprovadas, limites de gastos, aprovações necessárias e ações proibidas. Um modelo de linguagem pode transformar uma solicitação vaga em submetas específicas, mas os critérios finais de sucesso devem permanecer visíveis para o responsável pelo fluxo de trabalho.
Percepção do ambiente e do estado
O agente reúne informações sobre o estado atual a partir de solicitações do usuário, sistemas externos, arquivos, bancos de dados, respostas de API ou eventos do sistema. Em um ambiente robótico, os sensores fornecem informações sobre objetos próximos e condições em mudança. O estado também deve registrar tarefas concluídas, aprovações pendentes e suposições que falharam. Valores claros de erro e status ajudam o agente a decidir se deve continuar, tentar novamente ou escalar.
Planejamento e decomposição de tarefas
O módulo de planejamento transforma a meta em uma rota executável. Ele divide um objetivo amplo em tarefas menores e identifica dependências entre elas. No caso da integração de novos funcionários, o plano pode começar com a coleta e verificação de documentos antes de preparar solicitações de conta e aguardar a aprovação baseada em função. Um processo estável pode usar um plano fixo, enquanto um fluxo de trabalho em mudança precisa de pontos de decisão para replanejamento incremental.
Seleção e execução de ações
Depois de criar um plano, o agente seleciona a próxima ação aprovada. Ele pode consultar um sistema, pesquisar um documento, atualizar um registro ou pedir informações faltantes a uma pessoa. Cada ação deve ter uma entrada definida e um resultado esperado. O agente precisa verificar o resultado antes de marcar a etapa como concluída, e ações de alto impacto devem ficar em pausa para aprovação humana.
Feedback e replanejamento
A execução não é um processo unidirecional. O agente compara o resultado mais recente com a meta e verifica se o plano ainda faz sentido. Novas evidências podem confirmar a rota atual, revelar um obstáculo ou criar uma alternativa mais segura.
O ciclo pode ser representado como:
A meta pode permanecer estável enquanto a rota muda. Um robô de armazém pode escolher outro caminho após detectar um obstáculo. Um agente de pesquisa pode buscar em outra fonte quando a primeira não responde à pergunta. Orçamentos de execução, como limites de turnos, chamadas de ferramentas, tentativas ou tempo, evitam operação indefinida e facilitam a mensuração do desempenho.
Componentes principais de uma arquitetura de agente baseado em metas
Uma arquitetura de agente baseado em metas conecta objetivos com estado, planejamento, ferramentas e supervisão. A implementação exata varia, mas cada componente deve ter uma responsabilidade clara.
Meta e critérios de sucesso
A camada de meta define o estado desejado. Ela explica o que o agent precisa realizar e o que conta como conclusão. Também pode identificar condições de falha e restrições que se aplicam durante toda a execução.
Por exemplo, um fluxo de trabalho de documentos pode exigir que todos os campos obrigatórios sejam verificados antes de o registro ser enviado. Um registro incompleto não é um sucesso parcial se o fluxo de trabalho exige verificação completa. Critérios explícitos ajudam o agent a parar no momento certo.
Modelo de mundo e base de conhecimento
Um modelo de mundo dá ao agent uma representação operacional do seu ambiente. Pode incluir o estado atual do sistema, recursos disponíveis, relações conhecidas e as consequências prováveis das ações. Uma base de conhecimento fornece informações de apoio quando o agent precisa tomar uma decisão.
O modelo de mundo é útil porque o agent não consegue planejar apenas com base na meta. Ele precisa entender em que ponto o fluxo de trabalho está no momento. Também precisa distinguir o contexto temporário da tarefa do conhecimento de longo prazo. A recuperação deve fornecer informações relevantes sem colocar toda uma coleção de dados no contexto ativo.
Um registro de estado bem gerenciado pode mostrar etapas concluídas, dependências pendentes, tentativas falhas e status de aprovação. Regras de acesso e a proveniência dos dados devem reger tudo o que for armazenado para uso posterior.
Módulo de planejamento
O módulo de planejamento cria e atualiza a rota em direção à meta. Ele pode gerar uma sequência de ações, dividir o trabalho entre especialistas ou escolher a próxima etapa de forma dinâmica.
Um bom planejamento leva em conta dependências e incertezas. Ele não presume que toda ferramenta retornará o resultado esperado. Pode incluir caminhos alternativos, etapas de validação e condições de escalonamento. Um plano deve permanecer provisório quando novas evidências puderem mudar a melhor próxima ação.
Camada de ferramentas e ações
As ferramentas permitem que o agent interaja com sistemas além do modelo. Exemplos comuns incluem busca, consultas a bancos de dados, processamento de arquivos, ações no navegador, APIs de negócios e atualizações de registros.
Toda ferramenta precisa de um contrato claro. O contrato deve definir entradas válidas, saídas esperadas, permissões, erros e efeitos colaterais. As ações de leitura e de escrita devem ser separadas sempre que possível. Operações sensíveis devem usar regras de validação e aprovação mais rígidas.
Execução, avaliação e mecanismos de proteção
A camada de execução realiza a ação selecionada. A camada de avaliação verifica o resultado em relação ao plano e aos critérios de sucesso. Os mecanismos de proteção definem o que o agent pode fazer e quando deve parar.
Fluxos de trabalho em produção devem registrar decisões, chamadas de ferramentas, observações e mudanças de estado. Esse registro apoia a depuração e a revisão humana. Portões de aprovação são especialmente importantes antes de ações irreversíveis, comunicação externa, mudanças financeiras ou atualizações de produção.
Agent baseado em metas vs outros tipos de agents de IA
Agents baseados em metas são parte de um conjunto mais amplo de designs de agents de IA. As categorias podem se sobrepor, mas destacam formas diferentes de tomar decisões.
| Tipo de agente | Como decide | Capacidade de planejamento | Melhor uso |
|---|---|---|---|
| Agente reflexo simples | Responde à entrada atual | Pouca ou nenhuma | Regras fixas e reações imediatas |
| Agente reflexo baseado em modelo | Usa um modelo de estado interno | Limitada | Ambientes que exigem memória básica |
| Agente baseado em objetivos | Seleciona ações que avançam em direção a um objetivo definido | Sim | Objetivos claros com caminhos variáveis |
| Agente baseado em utilidade | Escolhe o resultado mais vantajoso | Análise avançada de compensações | Múltiplos objetivos concorrentes |
| Agente de aprendizagem | Melhora com a experiência ou o feedback | Pode evoluir ao longo do tempo | Tarefas que se beneficiam de adaptação |
Um agent reativo responde ao que vê no momento. Um agent baseado em metas considera como uma ação afeta um estado futuro. Esse comportamento voltado para o futuro torna os sistemas baseados em metas mais adequados quando o objetivo é estável, mas o caminho não é.
Um agent baseado em utilidade resolve um problema de decisão diferente. Ele compara resultados possíveis e atribui valor a eles. Por exemplo, um sistema de atendimento ao cliente pode equilibrar velocidade de resolução, custo de reembolso e satisfação do cliente ao escolher uma resposta. Um agent baseado em metas geralmente se concentra em se a condição-alvo foi alcançada. Um sistema baseado em metas ainda pode incluir componentes de aprendizado ou baseados em utilidade quando o fluxo de trabalho exigir.
Agent baseado em metas vs agent baseado em tarefas
Agents baseados em tarefas e agents baseados em metas podem automatizar trabalho útil. A diferença está no nível em que o sistema recebe instruções e mede o sucesso.
| Dimensão | Agente baseado em tarefas | Agente baseado em objetivos |
|---|---|---|
| Ponto de partida | Uma instrução específica | Um resultado desejado |
| Escopo | Uma tarefa definida | Um fluxo de trabalho conectado |
| Próxima ação | Geralmente especificada pelo usuário ou pelo fluxo de trabalho | Selecionada pelo agente |
| Medida de sucesso | Conclusão de tarefas | Alcance de metas |
| Adaptação | Geralmente limitada | Pode replanejar quando as condições mudam |
| Intervenção humana | Pode ser necessária em cada etapa | Geralmente necessária em limites ou exceções |
Agents baseados em tarefas são úteis quando a ação já é conhecida. Agents baseados em metas são úteis quando o resultado é claro, mas o caminho pode variar. Um sistema baseado em tarefas pode extrair um campo de um documento. Um sistema baseado em metas pode usar essa extração como uma etapa em um processo maior que valida a informação e direciona exceções.
A distinção diz respeito à responsabilidade sobre o fluxo de trabalho, não ao número de agents. Um único agent pode perseguir uma meta ampla. Vários agents também podem executar tarefas separadas sem compartilhar um plano mais amplo.
Casos de uso de agents baseados em metas
Agents baseados em metas se encaixam em ambientes onde o destino é claro, mas as condições podem mudar antes de a tarefa terminar.
Robótica e automação de armazéns
Um robô de armazém pode receber a meta de mover um pacote até uma área de expedição. Ele precisa identificar o pacote, planejar uma rota, evitar obstáculos e monitorar sua posição. Se outro robô bloquear o caminho planejado, o agent pode avaliar uma rota alternativa.
A meta permanece a mesma. A sequência de ações muda de acordo com o ambiente. Isso torna a robótica um exemplo claro de planejamento em direção a um estado futuro, em vez de reagir apenas ao obstáculo mais próximo.
Suporte ao cliente e resolução de problemas
Um fluxo de trabalho de suporte pode definir sucesso como a resolução de um problema do cliente com uma resposta precisa e aprovada. O agent pode ler a conversa, recuperar informações da conta, consultar uma base de conhecimento e determinar se o problema precisa de escalonamento.
O sistema não deve declarar sucesso após redigir uma resposta. Ele deve verificar se a resposta resolve o problema e se uma ação necessária foi concluída. Mudanças sensíveis devem permanecer sujeitas a uma etapa de aprovação humana.
Integração de novos funcionários
A integração de novos funcionários envolve tarefas conectadas que dependem de cargo, localização, data de início e status de aprovação. Um agent baseado em metas pode acompanhar o resultado maior em vez de tratar cada solicitação como uma ação isolada.
Ele pode coletar documentos, verificar informações, preparar solicitações de conta e aguardar a aprovação de um gestor. Se um campo obrigatório estiver faltando, o agent pode pausar ou solicitar a informação ausente. Ele não deve contornar uma regra de permissão apenas para manter o plano em andamento.
Fluxos de pesquisa e conteúdo
Um fluxo de pesquisa pode começar com a meta de produzir um relatório estruturado com base em evidências confiáveis. O agent pode dividir a questão em subtópicos, buscar em fontes aprovadas, organizar as descobertas e identificar lacunas.
Se uma fonte não sustentar uma afirmação, o agent pode revisar o plano de pesquisa. Uma etapa de revisão pode verificar se o relatório final responde à pergunta original. A revisão humana continua importante quando o relatório fundamenta uma decisão relevante.
Resposta a incidentes e operações
Um agent de resposta a incidentes pode trabalhar para identificar a causa de um problema em um serviço. Ele pode inspecionar logs, revisar implantações recentes, verificar dependências e comparar as evidências entre sistemas.
O workflow pode mudar conforme novos sinais surgem. Um agent pode recomendar um rollback ou uma mudança de configuração, mas ações que afetam a produção devem exigir autorização. O loop baseado em metas ajuda a organizar a investigação sem transformar recomendação em execução descontrolada.
Benefícios dos agents baseados em metas
Melhor tratamento de trabalhos com múltiplas etapas
Um agent baseado em metas pode organizar ações conectadas em torno de um resultado final. Não é preciso fornecer cada etapa de baixo risco quando o workflow tem limites claros.
Mais flexibilidade do que a automação baseada em regras
Regras fixas funcionam bem em condições estáveis. Sistemas baseados em metas podem selecionar outro caminho aprovado quando uma entrada muda ou uma ação esperada falha.
Critérios de sucesso mais claros
Uma meta definida torna a avaliação mais significativa. O sistema pode verificar se o resultado pretendido foi alcançado, em vez de medir o sucesso pela extensão ou fluência de uma resposta.
Melhor continuidade do workflow
O agent pode preservar o estado da tarefa e identificar o que ainda falta concluir. Isso importa quando um workflow pausa para uma aprovação ou aguarda informações de outro sistema.
Delegação humana mais útil
As pessoas podem definir o resultado, as restrições e os pontos de aprovação. O agent pode então gerenciar decisões rotineiras dentro desse limite operacional, enquanto humanos cuidam das exceções e das escolhas de maior impacto.
Como projetar um agent baseado em metas confiável
Um design confiável começa pelo workflow, não pelo modelo. Use a arquitetura mais simples capaz de concluir a tarefa com segurança.
Defina uma meta mensurável: Escreva uma condição de conclusão que um avaliador possa verificar.
Defina condições de sucesso e falha: Explique quando o agent deve continuar, parar ou escalar.
Divida a meta em subtarefas: Dê a cada subtarefa uma saída e uma dependência claras.
Limite o acesso a ferramentas: Forneça apenas as ferramentas necessárias para a função atual.
Separe permissões de leitura e escrita: Trate a recuperação de informações de forma diferente das ações que alteram o estado.
Adicione pontos de aprovação: Exija confirmação antes de operações sensíveis ou irreversíveis.
Registre a execução: Grave planos, chamadas de ferramentas, resultados e mudanças de estado.
Defina limites de execução: Use limites de tempo, turnos, tentativas e custo.
Teste o workflow completo: Avalie os resultados, não apenas as respostas individuais do modelo.
Expanda gradualmente: Comece com um único agent e adicione coordenação apenas quando surgir uma necessidade medida.
A regra prática é simples: use a arquitetura de menor complexidade capaz de concluir o workflow de forma confiável. Mais autonomia só é útil quando resolve um problema operacional específico.
Conheça o Kimi Agent: um agent baseado em metas que você pode usar hoje
O loop de planejamento deste guia não é apenas teoria. É assim que o Kimi Agent executa tarefas reais. Você descreve o resultado em uma frase, e o Kimi decompõe isso em subtarefas e executa cada etapa com ferramentas integradas. Depois, ele avalia o resultado antes de entregar a saída final. Não há camada de orquestração para construir nem código de workflow para manter.
Diga a meta, receba um resultado pronto
O Kimi Agent funciona como um agent baseado em metas deve funcionar: dê a ele um objetivo, não um procedimento. Ele planeja o caminho por conta própria e produz um trabalho que você pode usar diretamente.
Um relatório de pesquisa com fontes citadas, através da Pesquisa aprofundada do Kimi
Um site funcional com várias páginas construído a partir de um briefing curto
Uma apresentação em PPT, documento ou planilha pronta para editar
Você pode enviar até 50 arquivos de uma vez como material de origem, para que PDFs, slides e imagens existentes façam parte do contexto da tarefa.
Tarefas longas são concluídas sozinhas
Um agent baseado em metas se prova em trabalhos que exigem mais de uma etapa. A Pesquisa aprofundada do Kimi geralmente roda de 10 a 25 minutos por tarefa e continua em segundo plano, então você pode sair da página e voltar a um relatório finalizado. O agent acompanha o próprio progresso, em vez de esperar que você dê um prompt a cada etapa.
Escale uma meta em centenas de tarefas paralelas
Quando um único agent não é suficiente para o tamanho da tarefa, o Kimi Agent Swarm divide a meta entre mais de 100 sub-agents e suporta até 1.500 chamadas de ferramentas em paralelo. Ele foi projetado para busca em larga escala, escrita extensa e processamento em lote — o mesmo loop baseado em metas, multiplicado.
Você continua definindo os limites
O design baseado em metas mantém as pessoas no controle dos resultados, e o Kimi funciona da mesma forma. Você define a meta e as restrições, depois revisa o plano e o resultado entregue. Fatos importantes e decisões de grande impacto continuam sob revisão humana. A autonomia cuida do caminho; o julgamento permanece com você.
Limitações e desafios
Agentes baseados em objetivos oferecem mais flexibilidade do que a automação fixa, mas também introduzem novos modos de falha. Um objetivo vago pode levar o agente a um resultado errado, enquanto um espaço de decisão grande pode tornar o planejamento custoso. Os planos também podem ficar desatualizados à medida que o ambiente muda. Prioridades conflitantes podem exigir raciocínio baseado em utilidade ou julgamento humano em vez de um simples teste de conclusão. Falhas de ferramentas e dados desatualizados criam riscos adicionais, especialmente quando o agente pode alterar sistemas externos. Implantações confiáveis, portanto, precisam de resultados de ferramentas validados, replanejamento controlado, permissões limitadas, registros visíveis e aprovação humana para ações de alto impacto.
Conclusão
Um agente baseado em objetivos trabalha em direção a um resultado definido, em vez de responder apenas à última entrada. Ele usa um ciclo que conecta o planejamento à ação e depois avalia o resultado observado antes de decidir o próximo passo. Essa abordagem se encaixa em fluxos de trabalho em que o destino é claro, mas o caminho pode mudar. Comece com critérios de sucesso explícitos e permissões limitadas. Adicione complexidade apenas quando o fluxo de trabalho exigir. O Kimi Agent oferece uma forma prática de explorar a execução de tarefas orientadas a objetivos sem precisar construir uma arquitetura de agente do zero.