Agente de IA para design de interiores: Claude sem RAG e sem LangChain

Uma análise publicada no Habr detalha um agente de IA baseado em Claude para automatizar projetos de design de interiores: 712 linhas de código no lugar de frameworks de RAG.

Quais são os componentes do agente

Os papéis dos dois modelos Claude são divididos de forma clara, conforme o tipo de tarefa. A interface de chat roda no Claude Haiku 4.5: o modelo responde rapidamente às perguntas dos clientes, refina o pedido e conduz o diálogo. A geração de conceitos de design fica com o Claude Sonnet 4.6, que transforma os desejos do cliente em uma descrição estruturada do interior. As fotos que ilustram os conceitos vêm da biblioteca Pexels, uma opção bem mais barata e rápida do que gerar imagens com o DALL-E.

Principais parâmetros da solução:

• Claude Haiku 4.5 — diálogo com o cliente: rápido e econômico
• Claude Sonnet 4.6 — geração de conceitos de design estruturados
• Pexels API — seleção de fotos no lugar do DALL-E
• Um único arquivo main.py, 712 linhas de código, dois prompts de sistema
• Nada de orquestradores, bancos vetoriais ou frameworks sobre a API

Essa arquitetura não foi escolhida por acaso. Para um estúdio com orçamento limitado e pouco volume de clientes, uma stack completa de RAG seria engenharia excessiva. O Haiku sai mais barato no diálogo, e o Sonnet só entra em ação quando é preciso geração criativa estruturada. Não faz sentido resolver um problema de escala que ainda não existe.

Que problemas surgiram no caminho?

O primeiro ponto pouco óbvio é o limite de cache de prompts do Claude Haiku 4.5. O cache de contexto só é ativado a partir de 4096 tokens. Se o prompt de sistema for menor que esse limite, cada requisição é tratada como nova, e o cache simplesmente não funciona. Sob carga intensa, isso afeta de forma perceptível tanto o custo das requisições quanto a latência das respostas.

O segundo detalhe é o comportamento do Sonnet 4.6 com saída estruturada. Às vezes, o modelo envolve a resposta JSON em um bloco de texto adicional em vez de devolver um JSON limpo. Nesse caso, o `json.loads()` padrão falha com erro. O autor testou várias estratégias de parsing e optou por um wrapper simples com lógica de fallback, mais confiável do que capturar o JSON com expressões regulares.

"Isto não é um guia de especialista, está mais para um diário de bifurcações.

Tentei explicar com honestidade por que tomei cada decisão", diz o desenvolvedor.

A lógica de divisão entre os modelos merece atenção à parte. O autor chegou a processar tudo com um único modelo, mas logo concluiu que o Haiku deve ser usado onde velocidade e custo importam, e o Sonnet onde a qualidade da saída estruturada é essencial. A tentativa de economizar rodando a geração de conceitos no Haiku trouxe resultados visivelmente piores.

Onde a abordagem começa a falhar?

O desenvolvedor deixa claros os limites da sua solução. Um único arquivo de 712 linhas funciona bem para um MVP e um estúdio pequeno, mas a escala trará problemas:

• Com o crescimento da base de clientes, será preciso armazenar o histórico de conversas, o que exige um banco vetorial ou armazenamento externo
• Se o estúdio quiser receber e analisar fotos enviadas pelos clientes, será necessário um pipeline multimodal
• Registrar os logs do agente em arquivo deixa de ser viável com vários usuários simultâneos e carga real
• À medida que o projeto cresce, fica mais difícil testar e versionar os prompts em um único arquivo

A principal conclusão do autor: para uma tarefa com escopo estreito e bem definido, abrir mão do RAG não é preguiça, e sim uma escolha de arquitetura consciente. Os frameworks resolvem problemas reais de escala, mas também criam outros: complexidade, dependências e overhead de infraestrutura. Se o problema ainda não apareceu, não vale a pena criá-lo só para usar uma ferramenta.

O que isso significa

A publicação mostra que a Claude API basta para um agente em produção sem frameworks auxiliares, desde que a tarefa seja bem específica. Para quem está começando a construir agentes com Claude, é um relato franco de problemas reais: o limite de cache do Haiku 4.5, o parsing de JSON do Sonnet 4.6 e a distribuição consciente de tarefas entre modelos de níveis diferentes.

Como usar o Claude em um agente de design?

O artigo apresenta uma arquitetura com dois modelos: o Claude Haiku 4.5 responde às perguntas dos clientes e refina o pedido, enquanto o Claude Sonnet 4.6 gera os conceitos de design.

É preciso RAG para um agente com Claude?

Não necessariamente. O agente descrito funciona sem frameworks de RAG e sem bancos de dados vetoriais, e todo o sistema cabe em 712 linhas de código.

Dá para usar o Claude em design de interiores?

Sim. No caso apresentado, o Claude Sonnet 4.6 gera os conceitos de design e o Claude Haiku 4.5 cuida da interação com os clientes.

É preciso RAG para um agente de IA com Claude?

Não necessariamente. O aplicativo de exemplo não usa RAG: o sistema funciona com dois prompts de sistema e 712 linhas de código.