O que é IA agêntica?

A IA já é capaz de fazer, não só ajudar. A IA agêntica está saindo do papel passivo e assumindo o controle, projetada para planejar, executar e se adaptar para tomar decisões autônomas com base em seu ambiente e executar tarefas dentro do seu escopo operacional. Esse potencial para resolução de problemas proativa e orientada por objetivos é imensamente promissor para enfrentar desafios complexos em vários domínios. Descubra o que você precisa saber.

O que é IA agêntica?

IA agêntica se refere a um sistema de IA capaz de tomar decisões com base no desempenho anterior e na avaliação atual do que é necessário para realizar uma tarefa, operando com supervisão humana mínima. Um sistema de IA agêntica pode analisar o estado atual do seu progresso em direção ao seu objetivo e, então, tomar decisões apropriadas, como adicionar novas etapas ou pedir ajuda a humanos ou outros sistemas de IA.

Diferentemente da IA ​​tradicional — termo comumente usado para serviços de IA não generativa —, a IA agêntica não fica presa a um modelo de entrada/saída por meio de consultas e supervisão humanas. Em vez disso, a tecnologia é agêntica o suficiente para que o sistema possa tomar medidas complexas em direção ao seu objetivo, consultando humanos somente quando necessário.

Outra maneira de pensar sobre IA agêntica é compará-la a um gerente em relação a um técnico. Agentes de IA especializados são treinados para executar tarefas definidas com base em informações externas, como um técnico qualificado designado para uma tarefa. A IA agêntica pode implementar várias técnicas, incluindo IA generativa, enquanto toma decisões de forma independente, como um gerente decidindo quais técnicos são necessários para concluir um projeto. Usando essa analogia, o gerente pode colaborar com colegas e receber feedback de técnicos de campo, otimizar fluxos de trabalho, solicitar mais informações e implementar recursos adicionais conforme necessário.

Principais conclusões

• IA agêntica se refere a sistemas de IA capazes de tomar decisões sobre como atingir um objetivo e, em seguida, executar essas decisões.
• Os sistemas de IA agêntica podem colaborar com agentes de IA e humanos para definir e atingir objetivos.
• Os sistemas de IA agêntica geralmente usam ferramentas, incluindo modelos de IA, agentes de IA especializados e serviços de IA orquestrados, para atingir objetivos estratégicos.
• Embora sejam capazes de ações mais complexas e independentes do que a IA tradicional, os sistemas de IA de agente também podem exigir muito mais recursos.

IA agêntica explicada

A IA agêntica representa a terceira onda de desenvolvimento de IA. A explosão inicial da IA ​​moderna viu a introdução de tecnologias, incluindo mecanismos de recomendação e preenchimento automático de texto, que analisavam grandes conjuntos de dados para identificar correlações estatísticas e calcular resultados prováveis. A segunda onda veio mais recentemente, à medida que novos algoritmos, maior poder de processamento e disponibilidade de dados levaram à capacidade da IA ​​de gerar conteúdo criativo, incluindo texto, imagens e música.

A terceira onda da IA ​​se concentra na capacidade de reunir elementos e habilidades díspares sob o guarda-chuva de escolha. É importante diferenciar entre agentes de IA e sistemas de IA agêntica. Os agentes têm acesso a recursos de IA preditiva, generativa e outros. Em vez de esperar que um usuário solicite, digamos, uma saída generativa, um agente é programado para trabalhar em direção a um objetivo específico. Assim, a IA agêntica analisa os caminhos para o objetivo e toma decisões sobre a melhor maneira de concluir a tarefa. Os agentes também podem considerar um registro de conclusão de tarefas anteriores para melhorar os resultados.

Com a capacidade de processar e sintetizar grandes volumes de dados, um agente de IA pode ser capaz de realizar pesquisas em um nível que os humanos não conseguem. Ao fazer escolhas sem prompt, os agentes podem descobrir mais informações e absorver feedback, ajudando-os a se tornarem parceiros colaborativos, seja para trabalho, hobbies ou tarefas pessoais.

Os sistemas de IA agêntica crescem ao unir agentes de IA individuais e outros sistemas ou ferramentas apropriados em um todo coeso. Por exemplo, um agente de IA pode lidar com reclamações de clientes. Um sistema de IA agêntica pode então usar esses dados para ajudar designers de produtos e líderes de marketing a adaptar suas ofertas com base em padrões de comportamento do cliente.

Portanto, a questão que as empresas enfrentam não é "o que a IA agêntica pode fazer por nós?" Em vez disso, as empresas deveriam perguntar: “Por onde devemos começar?” A resposta geralmente são plataformas de IA pré-construídas que oferecem fácil integração, escalabilidade e personalização.

Como funciona a IA agêntica?

Os sistemas de IA agêntica são projetados para gerenciar e executar vários elementos de IA em busca de uma meta de projeto estabelecida. Embora os detalhes específicos de cada missão variem um pouco, o seguinte ilustra as etapas gerais usadas pelos sistemas de IA agêntica:

1. Estabelecendo uma meta e parâmetros: O objetivo e as restrições do projeto são recebidos da contribuição humana.
2. Tarefas e etapas: Um LLM apropriado, possivelmente um modelo de base selecionado entre opções pré-construídas, processa essas informações para encadear as tarefas necessárias para atingir o objetivo, permanecendo dentro dos parâmetros e limitações estabelecidos.
3. Decisões autônomas: Com as tarefas definidas, o sistema de IA decide como atingir seus objetivos e executa de forma autônoma ou com interação humana, quando apropriado.
4. Feedback e revisão: O agente receberá dados de tarefas paralelas e ajustará o fluxo de trabalho conforme necessário. Isso pode significar qualquer coisa, desde cortar etapas para otimizar o fluxo de trabalho até adicionar novas etapas para coleta de dados adicionais. O que torna os sistemas de IA agêntica tão atraentes é sua capacidade de tomar decisões e se adaptar com base em dados em tempo real.
5. Melhoria sistêmica: À medida que o agente trabalha em direção ao seu objetivo, ele aplica os resultados e ações registrados em um ciclo de feedback sistêmico, comumente conhecido no setor de IA como "data flywheel". Este ciclo expande os limites do agente, visando melhorar a precisão e a eficiência ao longo do tempo.

Para que os sistemas de IA agêntica funcionem conforme o planejado, as equipes de TI geralmente disponibilizam automações/agentes e dados de nível inferior aos agentes. Uma vez implementado, as empresas podem integrar um sistema comercial de IA que atenda às suas necessidades de função, personalização, escalabilidade e desempenho antes de refiná-lo para execução com base nas metas do projeto.

Como a IA agêntica é diferente da tradicional?

IA tradicional é o termo da indústria para sistemas de IA que não são generativos e, portanto, não são autônomos. Esses sistemas baseados em regras e lógica recebem dados, processam-nos e produzem mais dados como saída. Veja o exemplo da detecção de fraudes. Nesse caso, o sistema se concentraria nos registros de clientes de uma empresa financeira após ser treinado para identificar anomalias e discrepâncias em uma série de categorias, incluindo tipo de compra, região, valor e hora do dia. Trata-se de uma situação de entrada (dados de transação)/saída (determinação do status de fraude). Apesar das decisões de fluxo de trabalho envolvidas, a IA está, em última análise, executando uma tarefa predefinida para a qual foi especificamente treinada.

A IA agêntica foi projetada para ser mais independente, concentrando-se em um objetivo e, então, decidindo a melhor maneira de chegar lá. Um sistema de IA agêntica tem a independência de buscar as informações necessárias para determinar como atingir seu objetivo ou até mesmo se conectar com outras ferramentas disponíveis. Vamos voltar ao exemplo da detecção de fraudes. A IA agêntica pode fazer perguntas e descobrir informações que podem fornecer mais contexto e, portanto, produzir melhores resultados. Portanto, se um modelo anterior de detecção de fraudes notasse uma anomalia no preço de compra e na categoria que levasse a uma sinalização, um sistema de IA agêntica seria capaz de se comunicar com outros sistemas para coletar mais detalhes sobre a situação do cliente.

Nesse caso, solicitar detalhes meteorológicos pode revelar que a região do cliente enfrentou uma tempestade repentina e massiva, com relatos generalizados de condições de desastre. Além disso, a onda de compras repentinas veio de lojas de materiais de construção e supermercados, o que pode indicar compras de suprimentos de emergência. Apesar do comportamento atípico, o agente pode aplicar esse conhecimento e enviar notas contextuais ao relatar o sinalizador para que uma pessoa possa tomar a decisão final. Devido à capacidade da IA ​​agêntica de tomar decisões, o supervisor tem muito mais informações para emitir um julgamento final sem precisar fazer todo esse trabalho.

Qual é a diferença entre IA agêntica e generativa?

Tanto a IA agêntica quanto a generativa são sistemas poderosos e cada uma delas atende a propósitos específicos e únicos. A IA agêntica se concentra na tomada de decisões e ações, enquanto a IA generativa se concentra na geração de conteúdo. Embora a IA generativa tenha crescido em poder e capacidade nos últimos anos — e as saídas em si tenham melhorado em precisão e qualidade — ,ela ainda é um fluxo de trabalho de entrada/saída de dados.

Em outras palavras, a IA generativa ainda requer um prompt.

Veja o exemplo de um grande modelo de linguagem para pesquisar um relatório técnico. O pesquisador oferecerá uma variedade de instruções e obterá resultados detalhados. O pesquisador também pode fazer perguntas complementares com base no resultado ou alterar o contexto da consulta para fornecer uma abordagem ou perspectiva diferente. O pesquisador pode então combinar essas informações e extrair o que é mais apropriado para o relatório.

Com a IA agêntica, muito desse processo poderia teoricamente ser simplificado. Em vez de fazer uma série de perguntas e considerar onde estão as lacunas de informação, o pesquisador fornece ao sistema de IA agêntica um objetivo: quanto mais específico e detalhado, melhor. Com esse objetivo, o sistema de IA agêntica pode então se comunicar com um LLM para gerar uma saída. Sabendo qual é o objetivo pretendido, o sistema de IA pode então pegar as informações fornecidas e continuar refinando até que o resultado seja satisfatório. Além disso, o sistema de IA agêntica pode se comunicar com outras fontes externas e modelos de IA, abrindo um caminho de pesquisa original que pode ser aplicado ao resultado antes de fornecer um resultado final ao usuário.

Para uma analogia do mundo real, a IA generativa é como ter um kit de ferramentas para consertar uma pia com vazamento. Um agente de IA é mais como chamar um encanador para consertar o vazamento e explorar quais problemas relacionados, se houver, podem ter causado o problema. E um sistema de IA agêntica é mais parecido com um empreiteiro geral, que pode orientar o encanador e também coordenar com um eletricista e um inspetor de mofo para investigar danos relacionados ao vazamento.

Casos reais de uso de IA agêntica

A IA agêntica tem o potencial de acelerar operações e resolver problemas em uma variedade de casos de uso: para empresas, governos, aplicações pessoais e muito mais. A seguir, mostramos algumas maneiras pelas quais a IA agêntica pode se integrar à vida diária.

• Perfis de saúde: Os dados do paciente podem vir de muitas fontes, incluindo dispositivos wearable, resultados de exames de sangue e sinais vitais de um exame físico. Quando reunidos, esses dados podem mostrar um padrão indicativo de uma condição emergente. No entanto, chegar a essa conclusão exige um conhecimento institucional mais amplo, combinado com a capacidade de acessar e avaliar esses dados. A IA agêntica pode processar rapidamente todos os dados recebidos de um paciente específico para ver sinais emergentes de problemas. Além disso, o agente tem autonomia para coletar dados adicionais conforme necessário para identificar e produzir um relatório para o médico supervisor.
• Sinistros de seguro: Os sinistros de seguro lidam com muitas partes diferentes, muitas vezes processando informações de várias fontes. Os sistemas de IA agêntica podem agilizar esse processo identificando dados críticos e relevantes de formulários e detalhes enviados para fazer referência cruzada e verificar informações. Ao mesmo tempo, o sistema pode gerenciar o processo de fluxo de trabalho e avisar as partes interessadas quando elas tiverem solicitações de ação pendentes.
• Gerenciamento da cadeia de suprimentos: Muitos elementos de uma cadeia de suprimentos típica — da previsão ao gerenciamento de estoque — podem se beneficiar da IA ​​agêntica. Um exemplo específico é o transporte e o gerenciamento de rotas. Nesse caso, os dados logísticos padrão vêm do sistema de rastreamento da remessa. No entanto, um agente de IA pode interagir com outros sistemas para considerar a otimização de rotas. Clima, trânsito e até mesmo fatores como estabilidade política e feriados nacionais podem ser potencialmente considerados, com ajustes gerados pelo agente para otimizar as rotas de entrega.
• Gestão de tráfego: Os governos podem integrar IA agêntica em sistemas de controle de tráfego para sintetizar uma variedade de dados recebidos. Dados de tráfego em tempo real de câmeras e sensores, dados meteorológicos e de construção, e análises preditivas usando padrões históricos podem ser processados ​​e analisados ​​por uma IA de supervisão para ajustar o tempo dos semáforos e ajudar a reduzir o congestionamento e aliviar a frustração dos motoristas.

Benefícios da IA agêntica

A IA agêntica representa uma atualização para automação e melhoria de processos, potencialmente levando a inúmeros benefícios, especialmente quando construído sobre uma base sólida de carga de trabalho e gerenciamento de dados e sistemas de agentes específicos para aplicações.

A seguir estão alguns dos benefícios mais comuns que as empresas desfrutam quando implementam com sucesso a IA agêntica.

• Operações sempre ativas: A IA agêntica vai além da necessidade de entrada da IA ​​não agêntica ao concluir uma tarefa e, em vez disso, trabalha em direção a um objetivo. Essa autonomia na tomada de decisões significa que ela pode contribuir para operações sempre ativas, seja para processamento de dados, coleta de pesquisas, resposta a solicitações e perguntas de clientes ou outras funções.
• Redução de custos: Os sistemas de IA agêntica podem ser rápidos, precisos e sempre funcionais, o que pode levar à eficiência de custos. A fonte de economia varia de acordo com o setor, mas as empresas geralmente se beneficiam ao executar análises mais rapidamente e em maior escala, o que permite que elas tomem decisões que podem ajudá-las a melhorar processos ou atingir marcos mais rapidamente.
• Maior produtividade: Quando um sistema de IA agêntica é direcionado a um objetivo, como classificar transações financeiras, fazer lançamentos contábeis ou ajudar clientes, a IA pode tomar decisões sobre coletar informações adicionais, executar uma análise tangencial ou outras tarefas relacionadas. Os sistemas de IA agêntica podem coletar informações rapidamente e, ao mesmo tempo, possibilitar uma variedade de processos paralelos, tudo com intervenção humana mínima.
• Novas perspectivas: A IA agêntica foi projetada para atingir uma meta com autonomia para tomar decisões sobre como atingir seu objetivo. Tangentes e coleta/processamento de dados adicionais estão dentro do escopo de possibilidades de um agente, e isso pode abrir portas para insights novos e inesperados.

Desafios da IA agêntica

À medida que a IA começa a apresentar interações mais humanas, os desafios se tornam uma combinação de questões técnicas, como lidar com o processamento necessário e estabelecer mecanismos de confiança, controle e alinhamento com os valores e intenções da empresa. Quanto mais autonomia a IA tiver para definir metas, planejar ações e interagir com pessoas, mais as organizações podem querer considerar o desenvolvimento de métodos de monitoramento e intervenção, sem sufocar o potencial de inovação e resolução de problemas.

Aqui estão quatro questões específicas para observar.

• Precisão: Os sistemas de agentes geralmente melhoram a precisão do nível humano. No entanto, como sempre, dados ruins podem levar a resultados indesejáveis, incluindo imprecisões ou ações errôneas. Assim como um novo funcionário, as empresas podem querer monitorar sistemas de agentes recém-implementados até que os resultados estejam consistentemente corretos. E, assim como acontece com um novo funcionário, a confiança deve ser conquistada. Com isso em mente, considere que as primeiras tarefas gerenciadas por sistemas de IA agêntica devem ser de baixo risco e facilmente corrigíveis.
• Gerenciamento de dados e carga de trabalho: Em última análise, qualquer sistema de IA é uma extensão dos dados da empresa e do gerenciamento das cargas de trabalho e recursos de computação e rede necessários usados ​​para uma tarefa. Portanto, as equipes de TI podem querer determinar se sua infraestrutura local e em nuvem, bancos de dados e outros recursos são eficientes e otimizados antes de embarcar na integração de agentes.
• Privacidade de dados: A autonomia da IA ​​significa que ela pode solicitar acesso a sistemas e dados externos. À medida que os agentes processam grandes volumes com rapidez, o potencial de encontrar informações confidenciais aumenta. Abordar a privacidade e a conformidade regulatória, além de informações acessíveis sobre ações e dados acessados, pode permitir que a IA agêntica funcione com menos risco de comprometer dados confidenciais.
• Transparência: Os agentes são a base da IA ​​agêntica e devem ser desenvolvidos com meios para explicar decisões e conclusões. Além disso, considere que elementos-chave, como a lógica do agente e os métodos de avaliação, devem ser disponibilizados para que seja possível confirmar se são bem fundamentados ou corrigi-los caso não sejam.

Como começar a usar a IA agêntica

8 etapas para implementar a IA agêntica

Os projetos de IA agêntica geralmente são exclusivos de organizações com parâmetros baseados em recursos disponíveis, metas de equipe e outras variáveis. No entanto, as etapas gerais a seguir descrevem como a maioria das equipes começa com projetos de IA agêntica.

1. Defina objetivos

Os sistemas de IA agêntica têm independência e capacidade de definição de metas, onde planejam e executam tarefas de várias etapas em direção a um resultado com intervenção humana mínima. Isso é diferente de sistemas de IA não autônomos e focados em tarefas, que podem ter o objetivo de produzir uma saída específica e precisa — digamos, uma imagem gerada por uma consulta ou um filme que alguém irá gostar. Até que o objetivo desejado seja definido, as equipes não podem se concentrar em construir um sistema com base nos recursos disponíveis. Os objetivos também podem informar com qual sistema pré-construído começar.

2. Projete para robustez e confiabilidade

Defina parâmetros de desempenho e métricas apropriados abrangendo o ciclo de vida do sistema, desde o treinamento e a implementação até a IA ativa. Revisões de segurança, conformidade e qualidade são fatores-chave e devem integrar o máximo de perspectivas possível. Por fim, mesmo que um projeto esteja atingindo ou até mesmo excedendo os KPIs, as equipes ainda vão querer se comprometer com o monitoramento e as melhorias contínuas para acompanhar o que, espera-se, seja uma demanda crescente. Pense em possíveis pontos de falha e desenvolva planos de contingência.

3. Incorpore camadas de segurança

Como a IA agêntica tem certo nível de autonomia para tomar decisões, considere camadas de segurança para seu projeto. Isso pode incluir proteções técnicas que ajudam a evitar o uso indevido, camadas de segurança e privacidade de dados para ajudar a proteger os dados enquanto a IA interage com outros sistemas e etapas de supervisão humana nos fluxos de trabalho do projeto.

4. Limite o escopo e a autonomia

Projetos de IA agêntica exigem parâmetros para ajudar a evitar que decisões de IA excedam os limites de escopo ou autonomia. Exemplos de parâmetros incluem limites de decisão que acionam intervenção humana, restrições em certas ações e decisões, restrições para acessar certos tipos de materiais e incorporação de ciclos de feedback para ajudar a garantir que os resultados do agente continuem melhorando.

5. Foque em explicabilidade e transparência

Como a IA agêntica age de forma independente, conclusões e ações devem ser explicáveis ​​para que, quando as equipes examinem as decisões, os comos e os porquês fiquem claros. A explicabilidade oferece suporte à melhoria do modelo e ajuda na solução de problemas quando as metas não são atendidas de forma ideal.

6. Estabeleça controles claros e priorize privacidade, segurança e conformidade

Sua organização provavelmente estabeleceu regras para abordar privacidade, segurança e conformidade. Considere se essas diretrizes são aplicáveis ​​a novos sistemas, como IA agêntica. Toda vez que um sistema autônomo toma uma decisão, se conecta com outros sistemas, processa entradas ou gera saídas, isso representa um risco potencial, portanto, estabelecer controles é uma consideração importante.

7. Monitoramento, avaliação e melhoria contínuos

Assim como acontece com qualquer nova tecnologia, os sistemas de IA agêntica devem ser monitorados. As áreas a serem observadas incluem desempenho (quão disponível o sistema está e quão rápido ele conclui as tarefas atribuídas) e a precisão dos resultados ou ações. Considere também o monitoramento do comportamento. Ao registrar ações e decisões ao longo do tempo, você pode identificar padrões de comportamento incomuns ou inesperados ou mudanças que podem indicar desvio de dados ou degradação do modelo. A profundidade e a frequência do monitoramento dependerão da criticidade da IA ​​agêntica e de como sua falha pode afetar a organização.

8. Incentive a colaboração e a contribuição multidisciplinar

Uma ampla e diversificada gama de perspectivas permite que as equipes obtenham insights sobre resultados e oportunidades de treinamento que, de outra forma, poderiam ser negligenciados. Ao analisar o modelo de diversas perspectivas, as equipes podem ter um sistema de IA agêntica mais completo e otimizado, que ajuda a reduzir pontos cegos e riscos potenciais.

Todos os detalhes acima sobre monitoramento, análise e transparência resultam em transferências claras que delineiam responsabilidades entre os agentes de IA que compõem o sistema e as equipes humanas.

O futuro da IA agêntica

Os arquitetos estão trabalhando para tornar os sistemas de IA agêntica mais robustos, confiáveis ​​e capazes de operar de forma eficaz e segura em ambientes complexos e dinâmicos. O campo está evoluindo rapidamente, e espera-se que pesquisas contínuas sobre design modular, benefícios da nuvem, mecanismos avançados de aprendizado e outras áreas continuem contribuindo para a construção de sistemas autônomos mais confiáveis.

A seguir estão algumas áreas que devem ser observadas.

• Precisão: À medida que os sistemas de IA agêntica são refinados, as equipes buscarão novas maneiras de melhorar a precisão por meio de processos de aprendizagem que podem incorporar feedback de sucessos e fracassos para melhorar as políticas e a tomada de decisões. Fique atento a técnicas como aprendizado por reforço e melhores técnicas de filtragem e validação.
• Integração: Atualmente, a IA agêntica está apenas sendo integrada aos sistemas empresariais, incluindo aplicações corporativas. Nos próximos anos, espera-se que o uso da IA ​​agêntica amadureça e se torne mais adaptável e personalizável, com pontos de entrada mais fáceis em mais funções.
• Eficiência energética: O consumo de energia é um dos maiores desafios da IA. A IA agêntica, com seus processos inerentemente mais complexos e pesquisa autodirigida, está projetada para usar mais recursos do que casos de uso de IA anteriores. Encontrar maneiras de reduzir a pegada energética dos modelos pode ser fundamental para o sucesso a longo prazo da IA ​​agêntica.
• Autonomia: Atualmente, os sistemas de IA agêntica geralmente funcionam com supervisão humana, no entanto, isso não é um requisito. Isso ocorre porque a tecnologia não conquistou confiança totalmente agêntica. O objetivo da tecnologia de IA agêntica é encontrar um equilíbrio adequado entre autonomia, funcionalidade e controle.

Conheça os OCI Generative AI Agents

As empresas podem incorporar a IA generativa de forma fácil e rápida com os Oracle Cloud Infrastructure (OCI) Generative AI Agents. Com o poder de processamento e a escalabilidade da OCI, a plataforma de IA agêntica da Oracle combina LLM e recursos de geração aumentada de recuperação com dados de uma empresa, permitindo insights poderosos descobertos de forma autônoma e guiados por interfaces de linguagem natural. Ferramentas de automação para sistemas de IA agêntica, como Oracle Integration, podem ajudar organizações a simplificar a orquestração de serviços, inclusive para automação de processos robóticos, ou RPA, robôs com observabilidade unificada e supervisão humana eficaz.

Perguntas frequentes sobre IA agêntica

Qual é a diferença entre RPA e IA agêntica?

RPA refere-se à automação de processos robóticos e se concentra em tarefas específicas em vez de decisões. Por exemplo, o RPA se destaca na automatização de tarefas repetitivas, como atualização de formatos de dados ou transferência de dados de uma aplicação para outra. Os sistemas de IA agêntica colaboram para definir, refinar e atingir metas; nesse caso, um agente de IA pode determinar que um conjunto de dados precisa ser acessado em um formato separado e empregará RPA para criar uma cópia do conjunto de dados antes de atualizar o formato.

Qual ​​é a IA generativa mais utilizada?

O ChatGPT continua sendo a ferramenta de IA generativa mais conhecida. Outras ferramentas populares de IA generativa que funcionam em outros meios incluem o Midjourney para criação de imagens e o Sora para geração de vídeos.

O que é um framework de IA agêntica?

De uma perspectiva de alto nível, frameworks de IA agêntica referem-se ao software e aos sistemas usados ​​para desenvolver sistemas de IA agêntica. Os frameworks de agentes são frequentemente construídos sobre componentes existentes para fornecer a base para refinamento e especificidade orientada a projetos para metas e capacidades. Os frameworks de agentes normalmente incluem módulos básicos para interpretação de linguagem, integração de ferramentas, gerenciamento de recursos, análise de sentimentos, pesquisa vetorial e pré-processamento de dados.