A MTS AI montou uma equipe virtual que cria agentes de IA a partir de uma descrição em texto
A MTS AI levou o protótipo de competição até o produto: a «Equipe de IA» (AI Force), dentro da MWS AI Agents Platform, monta um bot a partir de uma descrição em texto. O usuário escreve o que precisa, e o LLM projeta a arquitetura e entrega um agente quase pronto. Para que ele não apronte surpresas no meio do trabalho, o modelo foi cercado por ferramentas, conhecimento, regras e bloqueios. A conclusão para as equipes: a confiabilidade de um agente corporativo vem da estrutura ao redor do modelo, e não de um único modelo forte.
Processado por IA de Habr: MTS AI; editado por Hamidun News
Fazer um agente de demonstração que impressione o júri leva algumas semanas. Fazer um agente em que um cliente corporativo confie um fluxo de trabalho é bem mais difícil: ele precisa funcionar sempre, não apenas em casos felizes, e não pode sair com nada inesperado no meio da tarefa. Foi exatamente esse problema que a equipe da MTS AI enfrentou depois que seu protótipo Meta Agent ficou em primeiro lugar em uma competição interna. Na segunda parte de um longo texto no Habr, o autor conta no que esse protótipo se transformou: na função «Equipe de IA» (AI Force), dentro da MWS AI Agents Platform.
O que a «Equipe de IA» faz
A ideia é simples. O usuário descreve em linguagem comum o bot de que precisa, e o sistema, baseado em um grande modelo de linguagem, se comporta como uma equipe virtual de desenvolvimento. Ele assume o ciclo rotineiro de engenharia: analisa os requisitos, projeta a arquitetura, monta a configuração do agente e entrega o resultado em um formato que a plataforma consegue executar. No protótipo, a saída era um JSON; no produto, um agente «pronto, quase». Os autores dizem explicitamente «quase»: uma pessoa ainda confere o resultado.
Para quem já trabalhou com plataformas low-code, o sentido é claro. Ali existe uma barreira entre a ideia e a solução funcionando: é preciso entender a interface, os blocos e as configurações. A Equipe de IA reduz essa barreira e transforma a plataforma em uma espécie de vibe coding para agentes: você descreve a tarefa, recebe um esboço e ajusta.
A metáfora do mestre de oficina
Para explicar o funcionamento, o autor compara o sistema a um mestre de oficina. O mestre tem máquinas e bancada, ferramentas, conhecimento sobre o material, instruções passo a passo para operações típicas, regras de segurança, travas físicas e um caderno onde registra as lições aprendidas. Cada elemento do sistema corresponde a um trecho de código:
- LLM toma as decisões, como a cabeça do mestre.
- MCP (protocolo de conexão de ferramentas) e MCP tools são chamadas concretas à API da plataforma: criar um nó, configurar uma conexão, validar a configuração.
- Skills (SKILL.md) são conhecimento estruturado sobre a plataforma, ou seja, como ler o «desenho técnico».
- Workflows / Recipes são roteiros passo a passo: primeiro a marcação, depois a furação, depois a montagem.
- Rules são regras que o agente mantém sempre no contexto.
- Hooks (PreToolUse / PostToolUse) são bloqueios de infraestrutura que disparam antes e depois da chamada de uma ferramenta.
- Findings (FINDINGS.md) é uma base de padrões acumulados no trabalho real.
Por que os bloqueios valem mais que os pedidos
A ideia mais prática desse esquema diz respeito aos hooks. Uma regra no prompt é um pedido: «tenha cuidado». O modelo pode ignorá-la, sobretudo em um diálogo longo. O hook funciona como a proteção de uma máquina: se a condição não for atendida, a chamada da ferramenta simplesmente não passa. Isso não é um pedido, é uma restrição construtiva. Em produção, essa diferença é decisiva: um comportamento que não pode ser violado pelo código é mais confiável do que um comportamento que o modelo «lembra».
O segundo detalhe útil é o arquivo FINDINGS.md. O agente e os desenvolvedores registram ali os padrões das execuções reais: o que quebrou, qual sequência de ações funcionou. É uma forma barata de «aprendizado» sem retreinar o modelo: o conhecimento fica em arquivos, é carregado quando necessário e é editado da maneira comum.
O que levar em conta
Para quem constrói agentes próprios, essa história leva a três conclusões. Primeiro, o conhecimento sobre o domínio (Skills) e as receitas passo a passo devem ficar separados do modelo: são fáceis de atualizar e de verificar. Segundo, tudo o que não pode ser violado deve sair do prompt e ir para hooks antes e depois das chamadas de ferramentas. Terceiro, mantenha um registro de padrões da operação real e conecte-o ao agente.
Há também limitações. A parte publicada não traz números: quantos tokens são consumidos para montar um agente, qual a fatia de montagens bem-sucedidas sem ajustes, quanto custa cada execução. Não é possível avaliar a economia da solução só com este texto, e vale aguardar a continuação. Além disso, trata-se da descrição de uma plataforma interna da MTS: o conjunto de ferramentas está atrelado à sua API, e a arquitetura só pode ser transposta como abordagem. Mesmo assim, a abordagem em si — LLM, ferramentas MCP, skills, receitas, regras, hooks e registro de descobertas — já parece um modelo de trabalho aproveitável por qualquer equipe que desenvolva agentes para venda, e não apenas para competições.
- 22 de nov. de 2026AWS Quick ganhou conector para o Meta Ads: campanhas e relatórios por comando de texto
- 21 de nov. de 2026O MiniMind, projeto aberto, permite treinar a sua própria LLM do zero por US$ 0,42 em uma RTX 3090
- 21 de nov. de 2026TensorRT-LLM supera o vLLM na H100: 2780 contra 2400 tokens/s no Llama 3.3 70B
- 21 de nov. de 2026Inkling 2 Mini, aberta e com 16 GB de memória, alcança Qwen3.8-27B em ranking independente
Perguntas frequentes sobre a notícia
O que a «Equipe de IA» faz?
A ideia é simples. O usuário descreve em linguagem comum o bot de que precisa, e o sistema, baseado em um grande modelo de linguagem, se comporta como uma equipe virtual de desenvolvimento. Ele assume o ciclo rotineiro de engenharia: analisa os requisitos, projeta a arquitetura, monta a configuração do agente e entrega o resultado em um formato que a plataforma consegue executar. No protótipo, a saída era um JSON; no produto, um agente «pronto, quase».
O que se sabe sobre A metáfora do mestre de oficina?
Para explicar o funcionamento, o autor compara o sistema a um mestre de oficina. O mestre tem máquinas e bancada, ferramentas, conhecimento sobre o material, instruções passo a passo para operações típicas, regras de segurança, travas físicas e um caderno onde registra as lições aprendidas. Cada elemento do sistema corresponde a um trecho de código: LLM toma as decisões, como a cabeça do mestre.
Por que os bloqueios valem mais que os pedidos?
A ideia mais prática desse esquema diz respeito aos hooks. Uma regra no prompt é um pedido: «tenha cuidado». O modelo pode ignorá-la, sobretudo em um diálogo longo. O hook funciona como a proteção de uma máquina: se a condição não for atendida, a chamada da ferramenta simplesmente não passa. Isso não é um pedido, é uma restrição construtiva. Em produção, essa diferença é decisiva: um comportamento que não pode ser violado pelo código é mais confiável do que um comportamento que o modelo «lembra».
Build & Ship Production AI Agents Without Boilerplate Code
Start your free 72-hour trial at Hamidun Academy (academy.hamidun.com) — interactive lessons on Claude Code & Cursor, live Tech Radar, and production agent templates.
O essencial da IA — uma vez por semana
Sete histórias que realmente importaram, escolhidas a dedo. Sem ruído nem releases.
Pronto! Verifique seu e-mail para a confirmação.