Recursos
O ciclo de vida de desenvolvimento de agentes de IA: fases, evals e guardrails
Construir um agente de IA não é como lançar uma funcionalidade qualquer. A saída é probabilística, as ferramentas têm efeitos reais e a qualidade mede-se com evals, não só com testes. Eis o ciclo de vida que aguenta em produção.
O ciclo de vida de desenvolvimento de agentes de IA é o processo para construir, lançar e operar agentes de IA: definir a tarefa e os critérios de sucesso, escolher modelo e ferramentas, construir prompts, ferramentas e memória, avaliar com evals offline e red teaming, implementar com guardrails e aprovação humana, e depois monitorizar e iterar. Difere do SDLC clássico porque o comportamento de um agente é probabilístico, por isso as evals e os guardrails em execução cobrem muito do que antes garantiam os testes fixos.
Publicado 2026-11-11 · Última atualização 2026-11-11 · Equipa editorial do Automo
O que torna diferente o ciclo de vida de um agente
Esta página trata da construção dos próprios agentes: agentes de suporte, copilotos internos, agentes de pesquisa ou de operações que chamam ferramentas em nome de alguém. Se quer saber como a IA muda o ciclo de vida do software comum, leia IA no SDLC. Para a definição de um ciclo de vida operado por agentes, veja O que é um SDLC de IA.
Três factos distinguem o trabalho com agentes. A mesma entrada pode dar saídas diferentes, por isso uma única execução bem-sucedida prova pouco. Os agentes agem através de ferramentas, por isso uma resposta errada pode tornar-se uma ação errada: um reembolso emitido, um registo apagado, um email enviado. E a qualidade deriva depois do lançamento, porque mudam os modelos, os prompts, os dados e o comportamento dos utilizadores. O ciclo de vida seguinte é construído em torno destes três factos.
As seis fases do ciclo de vida de um agente
Na primeira vez, as fases seguem-se por ordem; depois tornam-se um ciclo. Cada falha em produção passa a ser um novo caso de eval, e cada alteração às evals devolve o agente às fases quatro a seis.
1. Definir a tarefa e os critérios de sucesso
Escreva a tarefa, os utilizadores, o que o agente pode e não pode fazer, e como vai saber que funciona: taxa de sucesso alvo, tipos de erro aceitáveis, latência e custo por tarefa. Reúna já entre 30 e 100 exemplos reais. Serão o seu primeiro conjunto de evals.
2. Escolher o modelo e as ferramentas
Escolha o modelo mais pequeno que passa a fasquia nos seus exemplos, e o mínimo de ferramentas de que a tarefa precisa. Cada ferramenta é uma permissão. Comece só com leitura; tudo o que escreve, paga ou envia recebe um âmbito estreito.
3. Construir prompts, ferramentas e memória
Escreva o prompt de sistema e as descrições das ferramentas, acrescente pesquisa ou memória apenas onde a tarefa precisa de contexto, e versione tudo como código. Uma alteração de prompt é uma alteração de código e merece revisão e histórico.
4. Avaliar com evals offline e red teaming
Corra o agente contra o conjunto de evals em cada alteração e pontue o sucesso da tarefa, a correção das chamadas a ferramentas, a segurança e o custo. Acrescente casos adversários como injeção de prompts, pedidos fora de âmbito e tentativas de extrair dados. Uma alteração que baixa a pontuação não é lançada.
5. Implementar com guardrails e aprovação humana
Publique atrás de filtros de entrada e saída, limites de frequência e de gasto, e credenciais com âmbito reduzido. Exija aprovação humana para ações irreversíveis ou de valor elevado até que as evals e os dados de produção justifiquem mais autonomia. Comece com uma pequena parte do tráfego.
6. Monitorizar e iterar
Registe cada execução com as suas chamadas a ferramentas, reveja uma amostra de conversas, acompanhe custo, latência e taxa de escalamento, e transforme falhas reais em novos casos de eval. O conjunto de evals deve crescer todas as semanas em que o agente está em produção.
O ciclo de vida de um agente num relance
| Fase | Resultado principal | Controlo humano | Risco principal |
|---|---|---|---|
| Definir | Especificação da tarefa, métricas, primeiros exemplos | Aprovação do âmbito e dos limites | Objetivos vagos que ninguém consegue testar |
| Modelo e ferramentas | Escolha do modelo, lista de ferramentas com âmbitos | Aprovação de cada permissão de escrita | Ferramentas com poder a mais |
| Construir | Prompts, ferramentas e memória versionados | Revisão de alterações a prompts e ferramentas | Alterações de prompt sem registo |
| Avaliar | Pontuações de evals e resultados de red teaming | Decisão sobre a fasquia de lançamento | Lançar depois de meia dúzia de boas demos |
| Implementar | Guardrails, limites e pontos de aprovação | Aprovação de ações de risco | Ações irreversíveis sem revisão |
| Monitorizar | Traces, dados de custo, novos casos de eval | Revisão semanal de falhas | Deriva silenciosa da qualidade |
Evals e guardrails são a espinha dorsal
Num SDLC clássico, os testes dizem se o código faz o que deve. Nos agentes esse papel passa para as evals, que pontuam distribuições e não respostas isoladas. Mantenha três tipos: um conjunto de regressão com tarefas reais, um conjunto adversário para red teaming e um pequeno conjunto de referência revisto por um especialista do domínio. Corra-os em cada alteração de prompt, modelo ou ferramenta, tal como a CI corre testes em cada commit.
Os guardrails cobrem o que as evals não conseguem prever. Atuam em execução: o que o agente pode chamar, quanto pode gastar, que ações esperam por uma pessoa. O agente que prepara um reembolso não deve ser o mesmo que o aprova. Esta separação de funções é o mesmo princípio que, num SDLC de IA governado, coloca a revisão humana antes do merge.
Onde entra o Automo Build
A maioria dos agentes é lançada como funcionalidade dentro de uma app: um assistente de suporte num portal de clientes, um agente de aprovações numa ferramenta interna. Com o Automo Build constrói essa app, funcionalidades de IA incluídas, a partir de um prompt, enquanto os agentes da plataforma escrevem e testam o código e agentes revisores e Guardrails verificam cada alteração antes do merge. O agente que lança segue o mesmo caminho revisto até à produção que o resto da app.
Perguntas frequentes
O que é o ciclo de vida de desenvolvimento de agentes de IA?
É o processo para construir e operar agentes de IA: definir a tarefa e os critérios de sucesso, escolher modelo e ferramentas, construir prompts, ferramentas e memória, avaliar, implementar com guardrails e aprovação humana, e depois monitorizar e iterar.
Em que difere do SDLC?
As fases parecem-se, mas o comportamento de um agente é probabilístico e o agente age através de ferramentas. Por isso as evals, o red teaming, os guardrails em execução e a monitorização em produção são centrais, enquanto um SDLC clássico assenta sobretudo em testes determinísticos.
O que são evals de um agente?
Conjuntos de testes repetíveis que pontuam as saídas e as chamadas a ferramentas de um agente em tarefas reais e adversárias. Travam lançamentos tal como os testes unitários travam alterações de código, e crescem à medida que a produção revela novas falhas.
Quando precisa um agente de IA de aprovação humana?
Em ações irreversíveis, caras ou visíveis para clientes: pagamentos, eliminações, mensagens enviadas, alterações de permissões. Mantenha a aprovação nessas ações até que os resultados das evals e os dados de produção mostrem que o agente as gere com fiabilidade, e depois alivie-a tipo de ação a tipo de ação.