Os termos que aparecem quando você começa a usar agentes de IA.
Respostas curtas e explicações práticas para as dúvidas que mais aparecem em fóruns, documentações e conversas de trabalho. Cada verbete diz o que é, por que importa e onde ver isso funcionando no Zé Bot.
28 verbetes · atualizado em novembro de 2026
Fundamentos
O vocabulário que aparece em toda conversa sobre IA aplicada ao trabalho.
Agente de IA é um modelo de linguagem com ferramentas e um objetivo: em vez de só responder, ele executa passos até concluir a tarefa.
A diferença para um chat é o laço de ação: o modelo lê o pedido, decide o próximo passo, usa uma ferramenta (ler arquivo, rodar comando, buscar na web), observa o resultado e repete. Quanto mais ferramentas e contexto, mais autonomia — e mais necessidade de permissão e revisão.
“Muita gente entra em comunidades perguntando "o que é um agente de IA?" antes de tentar construir um.
Agente persistente é aquele que mantém identidade, instruções e memória entre conversas, em vez de recomeçar do zero a cada sessão.
No Zé Bot, cada agente tem nome, função, instruções próprias, workspace, histórico, memória e ferramentas permitidas. Isso permite retomar um trabalho semanas depois sem reexplicar o contexto — e é o que separa um assistente de um funcionário digital.
“A reclamação mais comum é "o modelo esquece tudo entre uma conversa e outra".
Agente autônomo executa várias etapas sem pedir confirmação a cada passo. Autonomia é uma escala, não um interruptor.
Na prática, autonomia se define por três decisões: quais ferramentas o agente pode usar, quanto tempo pode rodar sozinho e quando precisa de aprovação humana. Um agente totalmente autônomo em um repositório de produção é risco; em uma pasta de rascunhos, é produtividade.
LLM é o modelo que gera texto a partir de padrões aprendidos. Ele não "sabe" fatos: prevê a continuação mais provável.
Por isso a qualidade depende tanto do contexto fornecido quanto do modelo. Um LLM bom com contexto ruim erra; um modelo médio com contexto certo e ferramentas de verificação costuma acertar mais.
Janela de contexto é a quantidade de informação que o modelo consegue considerar de uma vez, medida em tokens.
Tudo entra na janela: instruções, histórico, arquivos e resultados de ferramentas. Quando ela enche, algo precisa sair — e é aí que a memória de longo prazo e o recorte de histórico fazem diferença.
“Dúvida frequente: "por que ele esquece o que falei no começo da conversa?".
Token é a unidade de texto que o modelo processa e cobra. Em português, um token costuma equivaler a menos de uma palavra.
Custo e limite são contados em tokens de entrada (o que você manda) e de saída (o que o modelo gera). Agentes gastam mais porque releem contexto a cada passo — por isso "economizar contexto" virou assunto central em comunidades de IA.
Alucinação é quando o modelo afirma algo falso com confiança. Não é mentira: é preenchimento de lacuna.
A defesa não é pedir "não invente". É dar fonte verificável, exigir citação e usar ferramentas que consultam dados reais. Em agentes, aprovação humana antes de ações irreversíveis reduz o dano de uma alucinação.
Modelo local roda na sua máquina, sem enviar prompts para um servidor. Você troca velocidade de ponta por privacidade e custo previsível.
Com Ollama ou LM Studio é possível rodar modelos abertos no próprio computador. Eles não alcançam os maiores modelos de nuvem em raciocínio aberto, mas resolvem bem tarefas com dados próprios, funcionam offline e não têm limite de tokens por assinatura.
“Discussão recorrente: "local ou nuvem?" — a resposta costuma ser "os dois, para trabalhos diferentes".
Ferramentas e protocolos
Os nomes que aparecem nas documentações e nos comparativos.
MCP é um padrão aberto para conectar modelos a ferramentas e dados externos, como um "USB-C" das integrações de IA.
Um servidor MCP expõe ferramentas, recursos e prompts que qualquer cliente compatível pode usar. Isso evita integração sob medida para cada modelo: o mesmo servidor atende Claude, Cursor, Zé Bot e outros. O risco é de confiança: um servidor MCP pode ler dados sensíveis, então instale apenas o que você conhece.
“Pergunta clássica em fóruns: "sei lá o que é MCP, vi falarem" — e a resposta precisa ser curta antes de virar tutorial.
ACP é um protocolo para um aplicativo hospedar agentes de diferentes fornecedores com a mesma interface.
Enquanto MCP conecta ferramentas ao modelo, ACP conecta o agente ao aplicativo que o executa. É o que permite trocar o motor por trás de um workspace sem reescrever a integração.
Function calling é o mecanismo pelo qual o modelo pede a execução de uma função em vez de apenas escrever texto.
O modelo devolve uma chamada estruturada ("leia o arquivo X"), o aplicativo executa e devolve o resultado. É a base de qualquer agente: sem isso, o modelo só conversa.
RAG é buscar trechos relevantes em uma base de conhecimento e entregá-los ao modelo antes de responder.
Serve para responder com base em documentos que o modelo não viu no treinamento. A qualidade depende da busca, não só do modelo: recuperar o trecho errado gera uma resposta errada com aparência de certeza.
Memória de agente é o que sobrevive entre conversas: preferências, decisões e fatos do projeto que o modelo não deveria redescobrir.
Há dois tipos: memória explícita (arquivos e notas que você e o agente mantêm) e implícita (resumo automático do histórico). No Zé Bot, a memória fica no workspace local, o que permite inspecionar, corrigir e apagar.
“Threads populares: "os limites de token me fizeram repensar a memória".
Orquestração é decidir qual agente ou modelo faz cada parte do trabalho, em que ordem e com qual contexto.
Em um workspace, orquestrar significa passar tarefas entre agentes, manter o estado do trabalho e evitar que dois agentes editem a mesma coisa. Sem orquestração, você tem várias abas abertas; com ela, um fluxo.
Runtime é o motor que executa o agente: a CLI ou biblioteca de um fornecedor, como Codex, Claude Code ou OpenCode.
O runtime define quais modelos, ferramentas e permissões existem. Um workspace pode trocar de runtime sem trocar de interface — é o que permite usar o motor certo para cada tarefa.
Sandbox é um ambiente isolado onde o agente executa comandos sem acesso livre ao resto da máquina.
É a diferença entre "o agente pode rodar qualquer coisa" e "o agente roda apenas dentro deste diretório". Em desenvolvimento, sandbox reduz o estrago de um comando errado; em produção, é requisito.
Aprovação humana é a pausa obrigatória antes de uma ação sensível, como apagar arquivos ou enviar algo para fora.
Não é burocracia: é o ponto onde o custo do erro é maior que o custo de conferir. O bom fluxo mostra exatamente o que será feito, com o comando ou o diff, e registra a decisão.
Prompt injection é quando conteúdo malicioso lido pelo agente (um site, um e-mail, um arquivo) tenta dar ordens a ele.
O agente não distingue com segurança "dado" de "instrução". A mitigação é limitar ferramentas, desconfiar de conteúdo externo e exigir confirmação para ações de impacto.
Na prática
Como esses conceitos aparecem no dia a dia de quem usa o Zé Bot.
Sessão é uma execução contínua de conversa com o agente, com começo e fim.
Uma sessão longa acumula contexto e custa mais tokens; várias sessões curtas exigem resumo e memória para não perder o fio. Escolher entre as duas é parte do trabalho.
Subagente é um agente acionado por outro para uma tarefa específica, como revisar um código ou buscar fontes.
A vantagem é isolar contexto: o subagente pode gastar muitos tokens explorando sem poluir a conversa principal. A desvantagem é coordenação — alguém precisa consolidar o resultado.
Rotina é um trabalho que roda sozinho em um horário ou evento, sem você pedir de novo.
Exemplos: resumir e-mails às 8h, revisar o repositório toda sexta, gerar relatório mensal. Rotina boa tem saída previsível e falha visível; rotina ruim é a que ninguém percebe que parou.
Gatilho é o evento que inicia uma rotina ou um agente — horário, mensagem, arquivo novo ou clique.
Quanto mais frouxo o gatilho, mais execuções inúteis. Quanto mais rígido, mais chance de não disparar. O equilíbrio aparece com o tempo e com registro de execuções.
Artefato é um resultado produzido pelo agente que você guarda: documento, planilha, imagem ou página.
Guardar o artefato — e não só a conversa — é o que permite revisar, versionar e reaproveitar. Também facilita auditoria: dá para ver o que foi entregue e quando.
Conector é a integração com um serviço externo, como GitHub, Slack, Discord ou Telegram.
Conectores ampliam o alcance do agente e, ao mesmo tempo, o risco. A regra prática é conceder o menor escopo possível e revisar permissões de tempos em tempos.
Local-first é um aplicativo que funciona com os dados na sua máquina, sem depender de um servidor para funcionar.
Na prática: banco local, arquivos no disco, sincronização opcional. O ganho é privacidade e disponibilidade; o preço é que backup e acesso remoto viram responsabilidade sua (ou um recurso bem feito).
Use nuvem quando precisa do melhor raciocínio e de acesso de qualquer lugar; use local quando o dado não pode sair ou o custo precisa ser previsível.
Não é uma disputa ideológica. O melhor arranjo costuma ser híbrido: modelo de nuvem para trabalho aberto, modelo local para material sensível, e a mesma camada de organização por cima.
“Threads como "deciding between cloud AI and local LLMs" repetem o mesmo conselho: ferramenta certa para o trabalho certo.
Da teoria para o trabalho
O Zé Bot aplica esses conceitos em um app de desktop: agentes persistentes, memória local, permissões e rotinas usando os planos de IA que você já paga.
Zé Bot.
