Além do Chatbot

No cenário atual da Inteligência Artificial, muito se fala sobre modelos de linguagem (LLMs), mas o verdadeiro desafio das empresas não é apenas "gerar texto", e sim executar processos reais com segurança. Na RTS-IT, resolvemos essa equação com o SafeHarn, nossa plataforma de agentes composáveis que vai além da conversa, integrando-se profundamente ao ecossistema de negócios.

O que é o SafeHarn?

O SafeHarn não é apenas uma interface de chat. Ele é um ecossistema de agentes inteligentes configurados com Prompts, Skills (habilidades), Rules (regras de negócio) e Tools (ferramentas como APIs, Python e Bancos de Dados).

Diferente de automações simples, um agente no SafeHarn possui um modelo mental de execução. Ele pode operar em diferentes modos, desde o AgentLoop — onde o LLM planeja, executa e avalia cada passo (Plan → Execute → Evaluate) — até orquestrações complexas via grafos visuais.

O Coração Determinístico: SafeFlow como "Action Engine"

Um dos maiores diferenciais da nossa arquitetura é a introdução do SafeFlow atuando como uma Action Engine.

Embora o LLM seja excelente para tomar decisões contextuais, existem processos que não podem falhar e não devem depender da "imprevisibilidade" da IA para decidir o próximo passo.

• Como funciona: O SafeFlow permite criar sequências de execução determinísticas. Ele executa uma ordem fixa de ferramentas e vínculos de argumentos (argBindings) definidos na Skill.

• O resultado: O LLM recebe o resultado pronto dessas execuções para tomar a decisão final, garantindo que o "trilho" do processo seja seguido à risca, sem alucinações no fluxo de trabalho.

Orquestração Visual: O Poder do HarnFlow

Para processos que exigem múltiplos agentes trabalhando em harmonia, utilizamos o HarnFlow. Através de uma interface de grafos inspirada em autômatos, definimos fluxos acíclicos (DAG) onde os dados fluem entre agentes.

Um recurso poderoso aqui é o nó RESUME (ou Join), que permite que o sistema aguarde a conclusão de tarefas paralelas antes de consolidar os resultados e prosseguir, garantindo que nenhum lead ou dado seja deixado para trás.

SafeHarn em Ação: O Caso de Sucesso da SafeImob

A melhor forma de entender o poder dessa integração é ver o SafeHarn operando no mercado imobiliário com a SafeImob. O fluxo é uma sinfonia de automação:

1. Captação: Assim que um lead chega via redes sociais, um gatilho (Webhook) é disparado.

2. Hidratação de Dados: Um agente entra em cena para enriquecer os dados do lead, buscando informações complementares via API.

3. Engajamento via WhatsApp: Outro agente assume a conversa inicial. Ele não apenas responde, mas usa ferramentas (nurture_properties_get) para consultar o banco de dados da SafeImob em tempo real e fornecer detalhes precisos sobre imóveis.

4. Sincronização com CRM: Todo o histórico é salvo e o lead é movido automaticamente no Kanban do Marketing da SafeImob através de APIs de gerenciamento de estágio (nurture_crm_move_stage).

Segurança e Auditoria: O Padrão RTS-IT

O SafeHarn foi construído para o ambiente corporativo. Por isso, toda execução de agente gera um resultado auditável em JSON, com logs completos e validação de schema de saída. Isso garante que, além de eficiente, a automação seja transparente e esteja sob controle total da administração.

Conclusão

O SafeHarn, potencializado pelo motor de ação do SafeFlow, representa a nova geração da automação agêntica. Ele permite que as empresas deleguem tarefas complexas para a IA com a confiança de que as regras de negócio serão respeitadas.

Como funciona o Action Engine?

O Action Engine funciona como o "coração determinístico" da plataforma SafeHarn, sendo responsável por garantir que processos críticos de negócio sejam executados com precisão e segurança. Diferente de outros modos de operação onde a IA decide quais ferramentas usar, o Action Engine é o único caminho de execução que não permite que o LLM escolha as ferramentas (tools).

Abaixo estão os detalhes de como esse motor opera:

• Execução Determinística: Ele permite criar sequências de execução onde a ordem das ferramentas é fixa. O motor executa o toolOrder e os vínculos de argumentos (argBindings) definidos previamente em uma Skill, sem depender da imprevisibilidade da IA para decidir o próximo passo.

• Pula a Fase de Planejamento (PLAN): No ciclo de vida de um agente comum (AgentLoop), o LLM planeja quais ferramentas chamar. No Action Engine, essa fase de planejamento é ignorada. O sistema executa as ferramentas em ordem fixa e, opcionalmente, realiza uma avaliação final (EVALUATE).

• Integração com o LLM: Após a execução determinística das ferramentas, o resultado pronto é entregue ao LLM. Assim, o modelo de linguagem atua apenas na tomada de decisão final ou na elaboração da resposta, garantindo que o "trilho" do processo tenha sido seguido à risca, sem alucinações.

• Ativação por Skill: Este modo é acionado automaticamente quando uma Skill é configurada com executionMode: action_engine ou quando possui argBindings (vínculos de argumentos).

• Segurança Corporativa: O principal objetivo deste motor é converter processos que "não podem falhar" em automações "inquebráveis", onde a lógica de negócio é preservada acima da criatividade do modelo de linguagem.

No caso prático da SafeImob, por exemplo, o Action Engine garante que a hidratação de dados e a consulta ao banco de dados sigam exatamente o fluxo programado antes mesmo do agente iniciar a conversa via WhatsApp com o lead

Como funciona o AgenteLoop?

O AgentLoop é o núcleo cognitivo e o motor de execução principal dos agentes no SafeHarn, funcionando como um modelo mental onde a Inteligência Artificial planeja, executa e avalia cada passo de uma tarefa. Ele opera dentro do worker da plataforma e é composto por um ciclo de vida estruturado em etapas sequenciais.

Abaixo estão as fases detalhadas do funcionamento do AgentLoop:

1. Preparação (PREPARE)

Nesta fase inicial, o sistema organiza os recursos que o agente terá à disposição. Isso inclui carregar as ferramentas obrigatórias e permitidas (mandatory/allowed tools) definidas nos playbooks, realizar buscas no banco vetorial Qdrant para encontrar as ferramentas mais relevantes e aplicar filtros de segurança e grupos de sub-tarefas.

2. Planejamento (PLAN)

É aqui que a "inteligência" toma as decisões. O LLM (Large Language Model) analisa a tarefa e os inputs recebidos para escolher quais chamadas de ferramentas (tool_calls) são necessárias para resolver o problema. Se o modelo configurado não suportar ferramentas, esta lista será vazia.

3. Consolidação (MERGE)

O sistema valida o plano gerado pelo LLM. Ele injeta ferramentas que foram marcadas como obrigatórias na Skill, filtra apenas as ferramentas permitidas e decide se deve ignorar ou utilizar o cache de execuções anteriores.

4. Execução (EXECUTE)

A execução propriamente dita ocorre em dois estágios para garantir a integridade dos dados e o controle de custos:

• Estágio 1: Execução paralela de ferramentas técnicas como APIs, Python, Banco de Dados (DB), Busca Web, E-mail e Telegram.

• Estágio 2: Execução de Provedores (Providers), que geralmente são consultas pagas feitas após o primeiro estágio ter gravado o contexto necessário.

5. Avaliação (EVALUATE)

Após receber os resultados das ferramentas, o LLM entra em uma fase de análise crítica. Ele decide se o status da tarefa é:

• Complete: A tarefa foi finalizada com sucesso.

• Needs_tools: Mais ferramentas são necessárias para concluir o objetivo.

• Needs_correction: O resultado obtido precisa de ajustes.

6. Validação e Repetição (VALIDATE)

O resultado final passa por uma validação de JSON Schema para garantir que a saída está no formato esperado pela empresa. Caso o status não seja "Complete", o ciclo se repete desde o Planejamento até que o objetivo seja alcançado, o limite de maxLoops seja atingido ou ocorra uma convergência no processo.

Diferença Crucial: Enquanto o AgentLoop depende do LLM para decidir o que fazer (fase PLAN), o motor Action Engine pula essa fase de planejamento, seguindo uma ordem determinística e fixa de ferramentas definida pelo desenvolvedor

Sobre o HarnFlow, o que ?

O HarnFlow é a ferramenta de orquestração visual da plataforma SafeHarn, utilizada para criar fluxos complexos de automação onde múltiplos agentes de IA trabalham em harmonia.

Abaixo, detalho seu funcionamento e principais diferenciais com base nos documentos técnicos:

1. Conceito de Grafos (DAG)

Diferente de uma conversa simples, o HarnFlow permite que o usuário desenhe um Grafo Acíclico Dirigido (DAG). Nesse ambiente visual, você define a sequência de execução, onde cada nó representa um agente ou uma função específica, e as arestas determinam o caminho que os dados percorrem.

2. O Nó RESUME (Join)

Um dos recursos mais poderosos é o nó RESUME (também chamado de Join). Ele atua como um ponto de sincronização: quando um fluxo se divide para que vários agentes trabalhem em paralelo (fan-out), o nó RESUME aguarda a conclusão de todas essas tarefas antes de consolidar os resultados e permitir que o fluxo prossiga. Isso garante que nenhum dado crítico seja deixado para trás.

3. Execução Técnica e Paralelismo

• FlowRunner: No "coração" do sistema (o worker), o componente responsável por rodar esses grafos é o FlowRunner.

• Ondas de Execução: O sistema utiliza o algoritmo de Kahn para organizar a execução em "ondas". Isso permite que agentes que não dependem uns dos outros rodem de forma paralela, otimizando o tempo total do processo.

• Field Mappings: A passagem de informações entre os nós é feita através de mapeamentos de campos (fieldMappings) nas arestas do grafo, garantindo que o output de um agente chegue exatamente como o input necessário para o próximo.

4. HarnFlow vs. Orchestrator LLM

É importante distinguir o HarnFlow do modo Orchestrator:

• No HarnFlow, o plano de execução é estático e definido pelo usuário de forma visual. É ideal para processos de negócio fixos que exigem previsibilidade.

• No Orchestrator, o LLM decide dinamicamente como decompor a tarefa em sub-tarefas e as executa de forma sequencial.

Exemplo Prático

Na SafeImob, o HarnFlow poderia ser usado para orquestrar uma análise documental completa: um agente valida o CPF, outro pesquisa antecedentes e um terceiro analisa o histórico de crédito simultaneamente; o nó RESUME junta essas três análises e entrega um relatório final consolidado para o corretor

Quer transformar seus processos em fluxos inteligentes e inquebráveis? Conheça o SafeHarn.