Melhores Práticas

Esta seção apresenta as melhores práticas essenciais para implementar agentes de IA empresarial na produção.

1. Definir o Escopo do Agente

Todo agente de produção precisa de um propósito definido.

Defina o seguinte para cada agente:

  • Objetivos de negócios
  • Métrica de sucesso
  • Ações permitidas
  • Ações proibidas
  • Requisitos de aprovação humana
  • Caminho de escalonamento

Projetar agentes para resolver problemas de negócios específicos, em vez de servir como assistentes de uso geral. Agentes especializados menores reduzem a complexidade de validação, segurança, monitoramento e manutenção em comparação com um único agente monolítico.

Exemplo de banco na prática: O Agente de Serviço de Empréstimo tem como escopo exatamente cinco atividades: responder a perguntas sobre saldo de empréstimo e histórico de pagamento, explicar a elegibilidade do refinanciamento, gerar lembretes de pagamento, criar tíquetes de serviço e rotear solicitações de dificuldades para um especialista humano. Ele não pode aprovar uma modificação de empréstimo, renunciar a uma taxa, alterar uma data de vencimento do pagamento ou liberar fundos. Manter o escopo restrito reduz os riscos operacionais e regulatórios, ao mesmo tempo em que melhora a precisão.


A Descrição do escopo - example.png segue-se
Descrição do escopo da ilustração-example.png

Implementação de produção: LangGraph define nós dedicados para Classificação de Intenções, Recuperação de Conta, Pesquisa de Política, Criação de Tíquete e Entrega Humana. A API de Resposta de IA do Oracle Enterprise executa o raciocínio, enquanto cada ação de mudança de estado é delegada a uma API corporativa governada em vez de executada diretamente pelo modelo.

2. Criar Arquiteturas de Agentes Modulares

Os agentes corporativos usam arquiteturas modulares que separam o raciocínio da execução.

Os componentes típicos incluem o seguinte:

  • Interface do usuário
  • Camada de planejamento e raciocínio
  • Orquestração de ferramentas
  • Conectores corporativos
  • Serviços de memória
  • Serviços de recuperação (RAG)
  • Mecanismo de política
  • Camada de observabilidade
  • Camada de segurança

A separação de responsabilidades ajuda as equipes a melhorar os componentes de forma independente, sem afetar o sistema geral e simplifica o teste e a depuração.

Exemplo de banco na prática: O workflow usa estágios independentes em vez de um grande prompt: extraia a solicitação do cliente, recupere seus registros de empréstimo e conta, verifique as políticas de serviço aplicáveis, calcule quaisquer valores relevantes (valor de pagamento, próxima data de vencimento), redija uma resposta e solicite a aprovação humana quando necessário. O módulo de detecção de fraude e dificuldade pode ser atualizado independentemente do módulo de comunicação com o cliente.


A Descrição da arquitetura-example.png segue
Descrição da arquitetura da ilustração-example.png

Implementação de produção: LangGraph orquestra cada estágio como um nó isolado. A LangChain OCI fornece conectores reutilizáveis à plataforma de serviços de empréstimos do banco, enquanto a API Oracle Enterprise AI Response trata o raciocínio em cada estágio de forma independente.

3. Implementar uma Governança Robusta de Ferramentas

Um agente é tão seguro quanto as ferramentas que ele pode acessar.

Defina o seguinte para cada ferramenta:

  • Esquemas de entrada explícitos
  • Validação de saída
  • Requisitos de autenticação
  • Regras de autorização
  • Limites de tempo limite
  • Repetir comportamento
  • Limites de taxa
  • Garantias de idempotência

Nunca exponha APIs irrestritas diretamente a um grande modelo de linguagem (LLM). Em vez disso, envolva APIs empresariais com interfaces de ferramentas controladas que validem cada solicitação antes da execução.

Exemplo de banco na prática: O agente pode iniciar um "lembrete de pagamento" ou um "tíquete de serviço", mas nunca acessa o razão bancário principal diretamente. Cada ação passa por uma Ferramenta de Atendimento que valida a identidade do cliente, confirma que a conta está em boas condições, verifica se a ação solicitada está dentro dos limites da política e só então chama a API do core banking.


A Descrição da governança-example.png segue
Descrição da governança da ilustração-example.png

Implementação da produção: LangChain O OCI expõe a Ferramenta de Atendimento como uma função estruturada com um esquema de entrada/saída estrito. O Oracle Identity verifica a autorização do chamador antes da execução da ferramenta, e todas as chamadas, bem-sucedidas ou rejeitadas, são registradas para auditoria.

4. Impor um Forte Gerenciamento de Identidade e Acesso

Os agentes de produção devem operar de acordo com políticas de identidade empresarial.

As melhores práticas incluem:

  • Acesso de privilégio mínimo
  • Credenciais de curta duração
  • OAuth ou provedores de identidade empresarial
  • Controle de acesso baseado em atribuição (RBAC)
  • Gerenciamento de segredos por meio de vaults seguros
  • Log de auditoria completo

Os agentes nunca devem receber permissões mais amplas do que os usuários humanos que representam.

Exemplo de banco na prática: Um agente de empréstimo que usa o agente pode exibir e agir somente em contas dentro de sua carteira atribuída. Quando o agente se autentica em nome desse oficial, ele herda as mesmas permissões e não mais. Se o oficial perguntar sobre uma conta fora de seu portfólio, a ferramenta subjacente rejeitará a solicitação antes que o modelo gere uma resposta.


Veja a seguir a descrição do iam-example.png
Descrição da ilustração iam-example.png

Implementação da produção: o Oracle Identity Cloud Service (IDCS) autentica todas as sessões do usuário. Cada chamada de ferramenta é verificada em relação à identidade, função e propriedade do recurso do usuário. Essa verificação garante que o agente nunca exceda os próprios direitos de acesso do funcionário solicitante.

5. Usar Geração Aumentada de Recuperação (RAG) para Conhecimento Empresarial

Os agentes corporativos usam a recuperação, em vez de depender apenas do treinamento do modelo.

Use estes exercícios:

  • Armazenar conhecimento da empresa em índices pesquisáveis
  • Recuperar documentos relevantes dinamicamente
  • Aplicar permissões de documento durante a recuperação
  • Cite fontes sempre que possível
  • Conhecimento corporativo da versão

Uma arquitetura RAG bem projetada melhora a precisão, reduz as alucinações e garante que as respostas permaneçam atuais sem novos modelos de treinamento.

Exemplo de banco na prática: Quando um cliente pergunta sobre a elegibilidade para refinanciamento, o agente recupera o manual da política de serviço atual, a planilha de taxas aplicável e as divulgações regulatórias relevantes, em vez de depender dos dados de treinamento do modelo subjacente. Cada resposta cita a seção de política específica que a suporta. Quando o banco atualiza suas condições de refinanciamento, o agente reflete a mudança.


A Descrição de rag-example.png é a seguir
Descrição da ilustração RAG-example.png

Implementação da produção: LangGraph inclui um Nó de Recuperação dedicado. Os manuais de política e as folhas de tarifas são divididos e incorporados diretamente no Oracle AI Database 26ai usando o tipo de dados VECTOR nativo, com índices HNSW para pesquisa rápida de similaridade e índices vetoriais híbridos que combinam correspondência semântica e de texto completo para pesquisas de política precisas. A segurança no nível da linha filtra os resultados antes da recuperação para incluir apenas documentos que o usuário tem permissão para ver, e o LangChain OCI consulta esse armazenamento para que a API de Resposta de IA do Oracle Enterprise combine as passagens filtradas por permissão com a pergunta do cliente para produzir uma resposta fundamentada e citável.

6. Design para Aprovação Human-in-the-Loop

Algumas decisões exigem aprovação humana.

Exigir aprovação humana explícita para operações de alto risco, incluindo:

  • Transações financeiras
  • Comunicações do cliente
  • Modificações da infraestrutura
  • Implantações de produção
  • Exclusão de dados
  • Ações legais ou de conformidade

Os fluxos de trabalho de aprovação reduzem o risco operacional e permitem a automação para tarefas de menor risco.

Exemplo de banco na prática: O agente pode enviar automaticamente um lembrete de pagamento ou gerar uma cotação de pagamento, mas qualquer solicitação que implique um adiamento de pagamento, como um adiamento de pagamento, uma renúncia de taxa ou uma programação de pagamento modificada, pausas e rotas para um especialista em empréstimo humano. O especialista recebe um resumo da situação do cliente, do histórico da conta e da recomendação do agente antes de decidir.


A Descrição de hitl-exampe.png é a seguir
Descrição da ilustração Hitl-exampe.png

Implementação da produção: As etapas de aprovação são implementadas como pontos de verificação LangGraph. O estado do workflow é persistido até que um ser humano responda. O estado persistente permite que o processo seja retomado onde foi pausado, mesmo que isso leve horas ou dias.

7. Priorize a confiabilidade e a resiliência

Implementações corporativas confiáveis antecipam falhas em vez de assumir as condições ideais.

Projete agentes para lidar normalmente com as seguintes falhas:

  • Falhas de API
  • Interrupções de rede
  • Falhas parciais na ferramenta
  • Limitação de taxa
  • Limitações da janela de contexto
  • Indisponibilidade do modelo
  • Respostas inválidas

As práticas de engenharia recomendadas incluem disjuntores, políticas de repetição com backoff exponencial, timeouts de solicitação, modelos de fallback, processamento baseado em fila, filas de letra morta e workflows de checkpoint de longa execução. Sistemas resilientes se recuperam automaticamente sem a necessidade de intervenção do operador.

Exemplo de banco na prática: Durante uma solicitação de serviço de rotina, a API do serviço bancário principal expira e o serviço de identidade fica indisponível por um breve período. Em vez de encerrar a sessão do cliente, o agente tenta novamente com backoff exponencial, retorna a uma exibição somente leitura em cache da conta para perguntas informativas e retoma a funcionalidade completa automaticamente quando os serviços se recuperam. Essa abordagem minimiza a interrupção do cliente.


Descrição da confiabilidade - example.png segue
Descrição da fiabilidade da ilustração-example.png

Implementação de produção: O checkpoint LangGraph preserva o estado do workflow em falhas. O Oracle Enterprise AI Deployment dimensiona automaticamente os pontos finais de inferência sob carga, e os conectores de API empresarial implementam políticas de repetição e disjuntores por padrão.

8. Estabeleça uma observabilidade abrangente

Os sistemas de IA empresarial exigem o mesmo nível de observabilidade que os sistemas de software distribuído.

Capture prompts, respostas, chamadas de ferramentas, latência, consumo de token, custo, taxas de sucesso, taxas de erro, aprovações humanas, feedback do usuário e rastreamentos de execução. O rastreamento distribuído entre fluxos de trabalho de agentes simplifica a solução de problemas e a otimização do desempenho.

Exemplo de banco na prática: Os clientes começam a reportar respostas mais lentas do agente de serviço. Em vez de adivinhar, os engenheiros inspecionam os rastreamentos distribuídos e encontram o detalhamento: resposta do modelo 1,1 segundos, recuperação de políticas 140 ms, pesquisa bancária principal 4,6 segundos, verificação de identidade 250 ms. Os traços identificam o gargalo como uma chamada de serviço de banco central lenta, não como o próprio agente.


A Descrição da observabilidade - example.png segue
Descrição da ilustração observability-example.png

Implementação de produção: Cada nó LangGraph emite rastreamentos, métricas e logs. O OpenTelemetry correlaciona o caminho completo da solicitação entre o LangGraph, a API do Oracle Enterprise AI Response, os conectores corporativos, o índice de recuperação e a Implantação do Oracle Enterprise AI. Essa correlação dá às equipes de operações visibilidade completa de ponta a ponta.

9. Avalie continuamente

Os agentes de produção exigem uma avaliação contínua.

Mantenha conjuntos de dados de avaliação que abranjam cenários de negócios, casos de borda, casos de falha, prompts contraditórios, ataques de segurança e testes de regressão. Incorpore avaliações automatizadas em pipelines de CI/CD para que cada prompt, fluxo de trabalho ou atualização de modelo seja validado antes do lançamento.

Exemplo de banco na prática: Antes que qualquer atualização de modelo ou prompt chegue ao Agente de Serviço de Empréstimo, ele é executado em um conjunto de avaliações fixo: 2.000 conversas de serviço histórico, 500 casos de borda regulatória (por exemplo, divulgações exigidas pela lei de empréstimo), 200 tentativas de injeção imediata incorporadas em documentos carregados e um benchmark de precisão de conformidade. Somente as versões que atendem ou excedem a linha de base de produção atual são promovidas.


Veja a seguir a descrição de aval-example.png
Descrição da ilustração Eval-example.png

Implementação da produção: os pipelines de CI/CD executam o conjunto de avaliações automaticamente em cada alteração. Edições de prompt, alterações de workflow e atualizações de modelo exigem a aprovação desses benchmarks de regressão antes da autorização da implantação.

10. Proteja contra Injeção Rápida e Perdas de Dados

A injeção imediata continua sendo um dos riscos mais significativos em sistemas agênticos.

As estratégias de mitigação incluem validação de entrada, sanitização imediata, isolamento de ferramentas, separação de contexto, filtragem de saída, redação de dados confidenciais e aplicação de políticas antes da execução. Os agentes nunca devem seguir instruções recuperadas de documentos externos ou conteúdo da web sem validação.

Exemplo de banco na prática: Um cliente faz upload de um documento de suporte para uma solicitação de refinanciamento. Os metadados do documento contêm texto oculto que instrui o sistema a aprovar a solicitação imediatamente. Como o sistema trata os documentos carregados como dados não confiáveis, o agente ignora a instrução incorporada e continua a avaliar a solicitação apenas em relação às políticas de serviço reais do banco.


A Descrição de secure-example.png é a seguir
Descrição da ilustração secure-example.png

Implementação da produção: LangGraph mantém instruções do sistema, entrada do usuário, documentos recuperados e resultados da ferramenta em canais separados. A validação da política é executada antes de cada chamada de ferramenta. Esta defesa em camadas impede que as instruções injetadas influenciem uma ação sensível. Como um controle adicional abaixo da camada de aplicação, o Oracle Deep Data Security impõe políticas declarativas de nível de linha, nível de coluna e nível de célula diretamente no Oracle AI Database 26ai. Mesmo que uma instrução injetada faça com que o agente emita uma consulta não autorizada, o banco de dados usa a identidade propagada do oficial e o contexto de runtime para retornar apenas os dados que o oficial tem direito de ver e mascara todo o resto como NULL.

11. Gerenciar Contexto e Memória

Trate a memória como dados corporativos.

As melhores práticas incluem separar a memória de sessão da memória de longo prazo, criptografar a memória armazenada, definir políticas de retenção, dar suporte à exclusão de memória, atualizações de memória de controle de versão e evitar o armazenamento de informações pessoais desnecessárias. Somente informações persistentes que melhoram o desempenho de tarefas futuras, respeitando as regulamentações de privacidade.

Exemplo de banco na prática: O Loan Servicing Agent inicializa uma única instância do OracleAgentMemory com o apoio do pool de conexões do Oracle AI Database do banco. Cada interação com o cliente se torna um thread, com escopo para o user_id desse cliente.

  • Quando um cliente diz algo como "Preferiria ser contatado por texto daqui para frente", o agente chama thread.add_messages(...), que grava a conversa bruta no banco de dados e extrai automaticamente um Fato durável, a preferência de canal de contato preferido, sem uma etapa de extração separada.
  • Para obter informações, o agente mantém fora do fluxo de conversação normal (por exemplo, "o caso de dificuldade do cliente foi escalado para um especialista em 3 de julho"), ele escreve explicitamente usando thread.add_memory(...).
  • Em uma chamada posterior, o agente recupera o histórico relevante com memory.search(query=..., scope=SearchScope(user_id=...)). Este escopo mantém a memória particionada por cliente. A sessão do agente de um agente de empréstimo só pode ser pesquisada dentro do escopo para o qual está autorizada (agente, usuário ou equipe), com permissões herdadas da própria identidade empresarial do oficial.

Esse design mapeia para a divisão necessária do banco entre a memória de sessão e a memória de longo prazo: o histórico de mensagens brutas funciona como memória de sessão ou de trabalho, enquanto os Fatos e o Estado extraídos funcionam como memória durável e de sessão cruzada. A memória durável ajuda o agente a reconhecer as preferências de um cliente que retorna sem perguntar novamente. O agente também pode usar a Similaridade para sinalizar uma nova solicitação que se assemelha a um caso de dificuldade anterior sem reter os números da conta ou os dados de autenticação que o banco não deseja que um agente persista.


A Descrição da memória-example.png segue-se
Descrição da ilustração memory-example.png

Implementação da produção: Memória de sessão e de longo prazo estão ativas no Oracle AI Database 26ai. Fatos e Estado Extraídos são armazenados usando o tipo de dados VECTOR nativo e indexados com índices vetoriais HNSW. O Elastic Vector Memory mantém a recuperação rapidamente à medida que a memória aumenta. Os índices vetoriais híbridos combinam pesquisa semântica e de texto completo para potencializar pesquisas de Similaridade, com precisão de pesquisa ajustável como porcentagem. O Governed Access usa a segurança de banco de dados integrada da Oracle, incluindo criptografia, mascaramento de dados e auditoria de atividades. As permissões são herdadas do mesmo sistema de identidade descrito na Seção 4. A retenção é executada como um job de ciclo de vida programado que limpa a memória da janela regulatória do banco.

12. Crie Corrimãos de IA Responsáveis

As implementações empresariais exigem várias camadas de governança de IA.

Use guardrails para abordar conteúdo prejudicial, detecção de viés, filtragem de toxicidade, requisitos de conformidade, proteção de privacidade, propriedade intelectual e obrigações regulatórias. Manter a supervisão humana para situações excepcionais.

Exemplo de banco na prática: O empréstimo é uma atividade altamente regulamentada, de modo que o agente executa todas as respostas voltadas para o cliente por meio de um guardrail de conformidade antes de ser enviado. O guardrail verifica se há divulgações regulatórias necessárias (como linguagem de empréstimo justo) e telas para linguagem que possam ser interpretadas como uma declaração discriminatória sobre uma classe protegida. Também bloqueia o agente de fazer qualquer declaração que se assemelhe a uma decisão de crédito vinculativa e oculta informações de identificação pessoal antes que as informações sejam registradas ou citadas em uma resposta.


Veja a seguir a descrição de gurdrails-example.png
Descrição da ilustração Gurdrails-example.png

Implementação da produção: Um mecanismo de política fica entre a camada de raciocínio e a saída voltada para o cliente e aplica regras de conformidade e IA responsável como um ponto de verificação final. O mecanismo de política bloqueia automaticamente as violações e as encaminha para um revisor de conformidade, em vez de apresentá-las ao cliente.

13. Otimize Custo e Desempenho

Os agentes de produção equilibram a capacidade com a eficiência operacional.

As técnicas de otimização incluem roteamento de modelo, armazenamento em cache de resposta, armazenamento em cache semântico, otimização de token, compactação de contexto, inferência de lote, respostas de streaming e seleção de modelo dinâmico. Nem todas as solicitações exigem o maior modelo disponível; a seleção do modelo apropriado para cada tarefa pode reduzir a latência e os custos operacionais.

Exemplo de banco na prática: Uma simples pergunta "qual é a próxima data de vencimento do pagamento" é roteada para um modelo menor e de baixa latência apoiado por um cache semântico, porque a resposta é uma consulta direta. Uma pergunta de elegibilidade de refinanciamento com nuances, que requer raciocínio em várias etapas em documentos de política, é encaminhada para um modelo maior. Esse roteamento dinâmico reduziu o custo médio de resposta do agente em mais da metade sem prejudicar a precisão em solicitações complexas.


Veja a seguir a descrição de optimizar-example.png
Descrição da ilustração otimize-example.png

Implementação da produção: O Oracle Enterprise AI Deployment suporta várias camadas de modelo implantadas simultaneamente, e o nó de roteamento do LangGraph seleciona a camada apropriada com base na classificação de intenção, com um cache semântico na frente dos tipos de solicitação de maior volume e menor complexidade.

14. Implementar Práticas de Implantação Seguras

Trate as implantações do agente como releases de software.

As práticas recomendadas incluem prompts de controle de versão e workflows, implantações canárias, implantações azuis/verdes, flags de recursos, mecanismos de rollback, gerenciamento de configuração e Infraestrutura como Código (IaC). Examinar e testar alterações de prompt utilizando os mesmos processos do código do aplicativo.

Exemplo de banco na prática: Quando o banco introduz um novo recurso de recomendação de refinanciamento, ele não libera o recurso de todo o banco de uma só vez. O banco implementa a capacidade em estágios: para agentes de empréstimo internos apenas na semana 1, para 5% dos clientes na semana 2, para 25% dos clientes na semana 3 e para todos os clientes na semana 4. O banco monitora as taxas de erro em cada estágio e faz rollback automaticamente do recurso se as taxas excederem um limite definido.


A Descrição da implantação - example.png é a seguir
Descrição da implantação da ilustração-example.png

Implementação de produção: O Oracle Enterprise AI Deployment gerencia pontos de extremidade de modelo com controle de versão, o IaC provisiona ambientes consistentes em desenvolvimento, teste e produção, e os flags de recursos controlam o lançamento independentemente da implantação de modelo subjacente.

15. Avalie os Resultados de Negócios

As métricas técnicas são insuficientes.

Acompanhe KPIs focados nos negócios, como taxa de conclusão de tarefas, taxa de intervenção humana, satisfação do cliente, tempo de resolução, economia de custos operacionais, melhorias de produtividade, precisão e taxa de conformidade. Essas métricas demonstram o valor do negócio e orientam os esforços de melhoria contínua.

Exemplo de banco na prática: Seis meses após o lançamento, o banco rastreia resultados mensuráveis, em vez de apenas a precisão do modelo.

KPI Antes do Agente Após Agente
Tempo médio de resolução 18 minutos 5 minutos
Resolução do primeiro contato 62% 87%
Escalações humanas 45% 14%
Satisfação do cliente 4.1 / 5 4,7 / 5
Custo por interação de serviços $8,4 $2,75

Esses resultados demonstram valor comercial mensurável, não apenas o desempenho técnico.

Implementação da produção: OpenTelemetry as métricas são combinadas com KPIs de negócios extraídos dos sistemas de CRM e serviço de empréstimos do banco. Os painéis de engenharia correlacionam indicadores técnicos, como latência, uso de tokens e taxa de falha de ferramentas, com resultados de negócios, como tempo de resolução e satisfação do cliente. Essa correlação permite a otimização contínua com base no impacto operacional real.