Contexto de IA
Sentir, decidir, agir, fechar: anatomia de um fluxo de trabalho de agente de IA
Uma IA que lhe dá conselhos é útil. Uma IA que fecha o ciclo – lê o contexto, raciocina, executa uma ação e registra o resultado – é como o trabalho realmente é realizado.
2026-06-26 · 8 min de leitura
O que diferencia o fluxo de trabalho de um agente de IA de uma sessão de chat
Chat AI é fundamentalmente solicitação-resposta: você pergunta, ele responde, nada muda em seus sistemas. O fluxo de trabalho de um agente de IA é diferente em tipo, não apenas em grau. O modelo lê o contexto ao vivo de suas ferramentas, raciocina sobre ele, grava ações de volta nessas ferramentas e os resultados alimentam o próximo ciclo. A IA não está aconselhando você sobre o seu trabalho – ela está realizando uma parte definida dele.
Esta distinção é importante porque a maior parte da sobrecarga no trabalho do conhecimento não é tomada de decisão. É o tecido conjuntivo em torno das decisões: reunir o contexto para decidir, comunicar a decisão, atualizar os sistemas que a acompanham, acompanhar quando algo falha. Um fluxo de trabalho do agente lida com esse tecido conjuntivo. Você fornece o julgamento; o loop cuida da logística.
O ciclo Sense-Decide-Act-Close é o modelo da Lodestar sobre como os fluxos de trabalho dos agentes de IA devem ser estruturados. Cada estágio tem uma responsabilidade clara e, juntos, formam um ciclo fechado que realmente conclui o trabalho, em vez de adicionar mais conselhos à sua pilha.
Sentido: ler o contexto antes de raciocinar
Sentido é o estágio em que a IA lê o contexto de que precisa para raciocinar bem. No Lodestar, isso significa chamar ferramentas de leitura do MCP: puxar seu painel, ler itens de ação com seus links de evidências, buscar conteúdo de thread de e-mail, verificar eventos de calendário, consultar o gráfico de conhecimento em busca de documentos relevantes ou decisões anteriores.
A qualidade do estágio Sense determina a qualidade de tudo o que se segue. Um modelo de raciocínio sobre uma conversa completa de e-mail, o histórico de quem deve o quê e a tendência de sentimento desse contato chegarão a conclusões melhores do que um raciocínio sobre o resumo da situação. A camada de contexto é o que torna o Sense significativo e não superficial.
O pipeline de enriquecimento da Lodestar é executado antes que a IA toque nos dados. No momento em que você faz uma pergunta, seus e-mails já foram classificados e vinculados a projetos, os itens de ação foram extraídos com suas citações originais e o sentimento foi calculado por contato. O modelo não está fazendo análise de texto bruto – está lendo um contexto estruturado e enriquecido. Isso comprime o estágio Sense de minutos para segundos.
Decida: onde o modelo ganha seu sustento
Decidir é o estágio que a maioria das pessoas imagina quando pensa em IA: o modelo raciocina sobre o contexto e determina o que fazer. Em um fluxo de trabalho de agente bem construído, Decidir é onde a capacidade de raciocínio do modelo de fronteira é aplicada a um problema que realmente vale seu custo computacional — não reconstruindo o contexto que você já tinha, mas fazendo um julgamento sobre ele.
O estágio Decidir para um fluxo de trabalho de planejamento matinal pode ser assim: "Dados esses sete itens atrasados, esses três tópicos recebidos e este calendário, quais são as três coisas de maior aproveitamento a serem feitas antes do meio-dia?" O modelo pesa urgência, risco de relacionamento e dependências – o tipo de julgamento multifatorial que não se reduz a uma regra.
Para um fluxo de trabalho de acompanhamento do cliente, Decidir pode ser: "Essa tendência de sentimento caiu duas semanas consecutivas, os últimos três e-mails ficaram sem resposta e a renovação será em seis semanas. Elabore um e-mail de recuperação e proponha duas tarefas de acompanhamento." Esse raciocínio requer contexto (Sentir), julgamento (Decidir) e a capacidade de agir de acordo com a conclusão – que é o próximo estágio.
Agir: registrando os resultados por meio do MCP
Agir é onde o loop se torna real. O modelo chama as ferramentas de gravação do MCP: action_items_create para registrar um novo compromisso, emails_reply_link para abrir um rascunho em seu cliente de e-mail, marcos_partial_update para registrar a conclusão de uma fase, timeline_events_create para registrar o que aconteceu e quando.
O princípio de design na camada Act da Lodestar é que ações consequenciais surgem para revisão humana. Os rascunhos de e-mail são exatamente isso – rascunhos. Você vê a resposta proposta, decide que está correta e clica em enviar. A IA está fazendo o trabalho de redação; você mantém a decisão de envio. A criação de tarefas e atualizações de marcos acontecem imediatamente, pois são reversíveis e têm escopo definido para seu espaço de trabalho, mas mesmo essas são registradas na linha do tempo para que você possa ver o que a IA fez.
Isto não é um compromisso de segurança — é o design correto para um fluxo de trabalho profissional. Uma IA que não pode ser substituída não é útil num contexto em que os julgamentos dependem de informações que o modelo não pode ver: dinâmicas de relacionamento, nuances políticas, informações partilhadas verbalmente. A camada Act executa o trabalho mecânico; o portão do julgamento humano permanece no lugar para a comunicação.
Fechar: registrar, notificar, rastrear até terminar
Fechar é o estágio que impede a evaporação do trabalho. Depois que o modelo atua, a Lodestar registra o evento na linha do tempo (o que aconteceu, quem esteve envolvido, qual foi o resultado), atualiza o projeto relevante e o estado do marco e cria ou fecha itens de ação para que a imagem de rastreamento reflita a realidade.
O estágio Fechar também cuida do acompanhamento. Se uma tarefa de acompanhamento foi criada no estágio Agir, o Lodestar a rastreia até a conclusão – trazendo-a à tona no plano diário quando for devido, sinalizando-a no feed de necessidades de atenção se ela falhar e empurrando-a automaticamente até que seja fechada ou deliberadamente adiada.
É por isso que o loop é chamado Sense-Decide-Act-Close em vez de Sense-Decide-Act. Sem o estágio Close, você tem um modelo que executa ações, mas não deixa rastros. Com ele, cada ação de IA é auditável, cada compromisso é rastreado e a camada de contexto fica mais rica a cada loop concluído – tornando o próximo estágio do Sense mais preciso.
Um loop completo: o construtor fornece um recurso
Percorra um fluxo de trabalho concreto de agente de IA para um desenvolvedor solo usando Claude Code com Lodestar. Início da sessão: Claude chama dashboard_today e action_items_list. O estágio Sense retorna três itens com vencimento hoje, um bloqueando o recurso Jet Rebellion. Claude apresenta o plano com prioridades.
O desenvolvedor diz: "Implemente o item 42." Claude chama action_items_retrieve(42), depois Knowledge_search e files_content para obter as especificações e os arquivos de código relevantes. O sentido está completo. O modelo raciocina sobre as especificações, o código existente e o problema de bloqueio. Decidir produz um plano de implementação. Claude Code escreve o código, executa testes e implanta.
Agir: Claude chama action_items_partial_update(42, 'done') e timeline_events_create para registrar a conclusão. Ele chama emails_reply_link para abrir um rascunho notificando as partes interessadas que foram enviadas em CC no tópico de especificação original. O desenvolvedor analisa o rascunho e clica em enviar. Fechar: o item de ação é concluído, o marco é atualizado, a linha do tempo registra o evento e as partes interessadas são notificadas — tudo isso sem sair do editor.
Um ciclo completo: consultor recupera relacionamento com cliente
Um executivo fracionário começa a manhã com uma pergunta a Claude: “Alguma coisa pegando fogo?” Sentido: Claude chama dashboard_needs_attention e dashboard_sentiment. Retorna um cliente com uma queda de sentimento de -0,3 nas últimas duas semanas, dois tópicos não resolvidos durando dez dias sem resposta.
Decida: Claude lê os tópicos de e-mail (emails_content), o organograma (knowledge_org_charts) e os itens de ação abertos para este cliente (action_items_list). Ele identifica o que deu errado: uma entrega perdida, uma pergunta deixada sem resposta, um contato que ficou quieto. Elabora uma abordagem de recuperação.
Aja: emails_reply_link abre um rascunho para o contato certo abordando a situação diretamente. action_items_create registra duas tarefas de acompanhamento com proprietários e datas de vencimento. Fechar: timeline_events_create registra a decisão de reengajar. O plano diário apresentará ambas as tarefas de acompanhamento até que sejam marcadas como concluídas. O que levaria vinte minutos de reconstrução manual – ler tópicos, verificar notas, escrever uma resposta do zero – é executado em uma conversa.
Por que o ciclo é mais importante do que qualquer capacidade individual de IA
O poder do modelo Sentir-Decidir-Agir-Fechar não é um estágio único – é o ciclo. Um modelo que consegue raciocinar bem, mas não consegue ler o contexto estruturado, fornece conselhos genéricos. Um modelo que pode ler o contexto, mas não pode escrever de volta em seus sistemas, oferece conselhos melhores, ainda manuais. Um modelo que lê, raciocina, age e fecha produz trabalho finalizado: comprometido, rastreado e seguido.
Para operadores independentes e construtores técnicos, o efeito combinado é o mais importante. Cada loop concluído enriquece a camada de contexto. Um relacionamento com o cliente com cinquenta interações registradas, compromissos fechados e uma tendência de sentimento monitorada é uma entrada fundamentalmente diferente para o próximo estágio do Sense do que uma folha em branco. A IA se torna mais útil à medida que o loop é executado – não porque o modelo melhora, mas porque a memória da qual ele lê aumenta.
Isto é o que significa para a IA realmente fazer o trabalho, em vez de ajudá-lo. A arquitetura está disponível hoje através do servidor Lodestar MCP e de qualquer cliente AI compatível. O loop já está definido. A camada de contexto já está sendo construída. O que você traz é o trabalho.
Conclusão
O ciclo Sense-Decide-Act-Close é a estrutura que transforma um modelo capaz em um que realmente conclui o trabalho. O acesso antecipado ao Lodestar oferece a camada de contexto e o servidor MCP para executar esse loop desde o primeiro dia, com uma equipe de produto disponível para trabalhar em seus fluxos de trabalho específicos durante a integração.
Contexto explicado
Por que o contexto muda tudo na IA — e como o Lodestar constrói a camada de memória que seus modelos não têm.
Ler Contexto explicado