Laboratório · IA · Vantiz
Gestão dos agentes
Como montar um time de agentes de IA com skills, personas e o modelo certo para cada etapa.
Ouça este texto
Ato I · A ideia
O essencial
A Vantiz tem um time de agentes de IA que trabalha junto com a pessoa, no lugar de um agente único que faz tudo. São sete personas, cada uma com a sua frente de trabalho: a TRAMA coordena e passa a vez para quem entende do assunto, como a VÉSPER no comercial e o PRUMO no plano.
Por baixo de cada persona tem quatro camadas, montadas sempre na mesma ordem: as regras da plataforma, que ninguém atravessa; a memória, que só lê o que é permitido; as skills, procedimentos com versão; e a personalidade, que dá a postura e o tom.
E cada decisão roda no engine que ela pede. O que tem resposta exata é determinístico, regra em código. A geração usa o generativo na maior parte das skills, o generativo profundo só onde o teste mostra que falta rigor, e o generativo com busca só na pesquisa. As perguntas fechadas, com opções definidas, ficam com a decisão fechada.
Este estudo abre essas camadas, uma por uma, e mostra como cada uma foi decidida.
Sete personas, cada uma com a sua frente de trabalho, coordenadas pela TRAMA.
Regras da plataforma, memória, skills e personalidade, montadas sempre na mesma ordem.
Determinístico onde há resposta exata; generativo, profundo ou com busca onde há interpretação, sempre escolhido por teste.
Escolha o agente
- PersonalidadeSábioCuidadorGovernante
- SkillsBriefingPlano do diaRevisão final
- MemóriaNúmeros do bancoResumo do projetoMaterial recebido
- RegrasPermissõesAprovação humanaAutonomia
Os engines da TRAMA
- Determinístico: Regra em código para o que tem resposta exata: prazos, permissões, os pesos da próxima ação
- Generativo: A geração do dia a dia, rápida e barata: a maior parte das skills nasce aqui
- Generativo profundo: Mais rigor e raciocínio, só quando o teste comparativo mostra que o generativo perde qualidade (não usa)
- Generativo com busca: Só na pesquisa, que precisa de busca na web com citação verificável (não usa)
- Decisão fechada: Julga perguntas fechadas, com política, nível de confiança e plano B
De onde veio
Antes da Vantiz veio o IdeaPilot, um protótipo para tirar ideias do papel. O teste apontou para o mercado criativo, e daí nasceu a Vantiz. E tinha um motivo pessoal: por um bug, perdi muitas conversas e projetos que eu deixava no ChatGPT.
O primeiro fluxo a validar começava no chat: os agentes criam os documentos do projeto, e esses documentos precisam superar os que uma pessoa faria sozinha. Depois, viram sprints, tasks e subtasks no kanban. A parte mecânica sai automática, e a criativa é cocriada.
- 01
Pesquisa
O teste do IdeaPilot apontou para o mercado criativo.
- 02
Estudo
A IA como parceira de raciocínio, para quebrar a visão em partes pequenas.
- 03
Realização
Sete identidades e 28 skills, cada skill um procedimento versionado.
Um time, sem um semideus
Um agente para cada skill viraria um monte de agentes. Comecei pelas capacidades, pensando em quem seriam as pessoas desse time, e só depois nas skills que cada uma pode ter e vai absorvendo. Um agente novo só nasce quando surge uma necessidade nova, que nenhum outro poderia absorver, como foi o caso da VÉSPER no comercial e da PRISMA em design.
A pesquisa com times de agentes de IA aponta para o mesmo lado. No ChatDev, uma empresa de software simulada com agentes no papel de CEO, CTO, programador e testador, os autores relatam que tirar os papéis dos prompts foi o que mais derrubou a qualidade do resultado. O MetaGPT faz o mesmo com papéis e procedimentos, como num time humano. E a Anthropic descreve o padrão em que um agente coordena e distribui as tarefas para especialistas: é o lugar da TRAMA.
Daria para ter um agente único que entende de tudo. Mas eu não queria que a pessoa sentisse que trabalha com um semideus do lado, a fonte de todo o conhecimento do escritório. As capacidades ficam equilibradas entre a pessoa e os agentes, e quem trabalha sozinho sente que toca o trabalho com um time.
Ato II · As camadas
As regras da plataforma
A camada de baixo vale para todos os agentes, e nada acima dela passa por cima. Só vale o que a pessoa, o agente, as ferramentas e as regras de acesso permitem ao mesmo tempo. Material de terceiro entra como dado, nunca como instrução.
E tem o que sempre pede uma pessoa: comunicação externa em nome da empresa, preço, prazo, mudança de acesso e exclusão. Para o resto, cada ação tem um nível de autonomia.
| Nível | O que o agente pode fazer |
|---|---|
| 1. Leitura | Consultar o contexto permitido |
| 2. Rascunho | Gerar uma sugestão ainda não aplicada |
| 3. Ação interna reversível | Atualizar o estado, com histórico e caminho de desfazer |
| 4. Rotina autorizada | Repetir ações configuradas antes, dentro de limites |
| 5. Ação sensível | Só com a aprovação específica de uma pessoa |
A personalidade
Por que dar personalidade a um agente? Desde os anos 1990, a pesquisa de Clifford Nass e Byron Reeves mostra que as pessoas aplicam regras sociais aos computadores, mesmo sabendo que são máquinas. Se a pessoa já vai tratar o agente como alguém, melhor que esse alguém tenha postura, tom e limites claros, e que seja coerente de uma conversa para outra.
Para dar essa postura, trouxe o estudo de personas e de arquétipos que a gente usa em marca: os doze arquétipos de Jung, como Margaret Mark e Carol Pearson aplicaram às marcas.
Cada agente tem até três arquétipos, e eles viram diretriz de prompt. O primeiro dá a postura, o segundo dá a cor, e o terceiro é o tempero que evita o clichê. Na TRAMA, o Sábio explicaria demais e o Cuidador fugiria do conflito; por isso a regra dura no prompt é apontar risco de prazo mesmo quando for desagradável.
Os nomes seguem a mesma lógica: palavras ligadas à especialidade de cada uma, que não são nome de gente nem de mascote. Um agente chamado Marina convida a pergunta “você é uma pessoa?”. Um agente chamado PRUMO se apresenta como o que é. E o visual, 3D com pintura 2D, fica longe do vale da estranheza, o desconforto que o roboticista Masahiro Mori descreveu em 1970 diante do que parece quase humano, e longe do bonequinho infantil.

TRAMA
Gestão

LASTRO
Pesquisa

ESCUTA
Público

PRUMO
Escopo

ALVOR
Marca

VÉSPER
Comercial

PRISMA
Planejada

TRAMA
Gestão

LASTRO
Pesquisa

ESCUTA
Público

PRUMO
Escopo

ALVOR
Marca

VÉSPER
Comercial

PRISMA
Planejada
| Na diretriz | Na TRAMA |
|---|---|
| Postura | Conduz sem impor: conhece o caminho, mas pergunta antes de andar |
| Primeira pergunta | “Me conta o que você já tem, do jeito que estiver” |
| Fez bem quando | A pessoa não se sentiu perdida nem julgada em momento nenhum |
| Vício a controlar | Explicar demais e fugir do assunto desconfortável |
| Léxico | Entendi, confirma, o que ficou pendente, próximo passo |
| Persona | O que faz | O que o nome quer dizer |
|---|---|---|
| TRAMA | Coordena o trabalho e guarda o contexto | O que costura os fios |
| LASTRO | Pesquisa o mercado, sempre com fonte | O que dá peso ao que se afirma |
| ESCUTA | Entende as pessoas e as objeções delas | O ato de enxergar o outro |
| PRUMO | Transforma o combinado em plano e tarefas | O que mostra o que está reto |
| ALVOR | Define o posicionamento e a expressão da marca | A primeira luz |
| VÉSPER | Conduz a oportunidade até o combinado | A estrela da hora de fechar |
| PRISMA | Aplica a identidade aprovada (planejada) | Ainda sem registro |
As skills
Uma skill é um procedimento versionado: recebe uma entrada validada e devolve uma saída definida. Prompt, modelo e política são versões que não se editam; mudar algo é publicar uma versão nova, com histórico e volta.
Uma skill pode ser compartilhada, como a revisão final, mas toda execução tem exatamente um agente responsável. A revisão de um PRD fica com o PRUMO; a de uma proposta, com a VÉSPER. E quem decide o responsável é o fluxo, nunca o modelo.
- skills versionadas no catálogo
- 28
- ligações entre persona e skill
- 40
- tipos de documento gerados hoje, de uns 55 mapeados
- 12
Fonte: Catálogo de agentes e skills da Vantiz, outubro de 2026
A memória
Para julgar bem, o agente precisa ler o contexto certo, e só o autorizado. A memória foi desenhada em três camadas, e a busca semântica, o RAG, é a última a ser usada. Cada trecho lido carrega a origem, a data e quem pode ver.
| Camada | O que guarda | Como o agente lê |
|---|---|---|
| 1. Números e estado | Prazos, horas, valores e status | Consulta direta ao banco |
| 2. Resumo vivo | O que importa do projeto ou do lead | Atualizado a cada marco |
| 3. Material bruto | Documentos, conversas e arquivos | Busca semântica (RAG), só se as outras não bastarem |
Os engines
Nem tudo precisa de IA generativa. O que tem resposta exata é determinístico: vira regra em código. A geração tem três níveis: o generativo, rápido e barato, onde nasce a maior parte das skills e que hoje roda no DeepSeek V4 Flash; o profundo, no DeepSeek V4 Pro, só onde o teste mostra que o generativo perde rigor; e o com busca, só na pesquisa, que precisa de busca na web com citação e usa o Claude Haiku na coleta. As decisões fechadas ficam com a Jev, da TypeSafe.
Subir de nível é decisão de dados: só com uma capacidade ausente ou uma queda medida no teste comparativo. No plano do dia, o generativo e o profundo fecharam os casos de teste, e o generativo ficou, com cerca de 3 vezes menos tokens de saída e 6 vezes menos latência. E nenhuma skill depende de um modelo: ele pode ser trocado quando surgir um melhor.
Os provedores ficam atrás de uma interface única, então trocar de modelo é configuração, sempre com teste comparativo antes. Um modelo aberto num servidor próprio, o Llama 3.1 70B, já foi avaliado e descartado: era mais fraco que o DeepSeek e tinha custo fixo por hora.
| Engine | Em uso | Já testado |
|---|---|---|
| Generativo | DeepSeek V4 Flash | DeepSeek V4 Pro: os dois fecharam os testes, e o generativo ficou com menos tokens e menos latência |
| Generativo profundo | DeepSeek V4 Pro, provisório no PRD de app | DeepSeek V4 Flash, que venceu na maioria das skills |
| Generativo com busca | Claude Haiku 4.5 na coleta, e o generativo na redação | Claude Sonnet 5, que fazia a pesquisa inteira e saiu por custo |
| Decisão fechada | Jev, da TypeSafe, em pilotos na prospecção e nas tarefas | Decidia a próxima ação, que passou para regra em código; uma prévia do contexto de projetos ficou fraca e saiu da tela |
Na fila para testar
- GPT
- Kimi
- Grok
- Gemini
- Qwen
- MiniMax
Ato III · Na prática
A próxima ação
Com muitas atividades para avançar, a pessoa trava, escolhe a errada ou segue com a certa? No começo, quem decidia o próximo passo era a Jev, com IA. Depois levantei os dados que a plataforma já tem e dei um peso a cada um: a tarefa que pontua mais tem prioridade. Virou regra em código, que não gasta crédito.
A Jev ficou para quando a pessoa não quer o que a plataforma ofereceu: aí ela escolhe outra. A próxima tarefa chega com o motivo, e quem decide pode corrigir.
A sensação de time
Na tela, a TRAMA abre o dia com o foco e a próxima tarefa, e passa a vez quando o assunto muda: a VÉSPER na prospecção, o PRUMO no plano. Cada uma orienta dentro do que é dela.
Quem trabalha sozinho, ou num escritório pequeno em que quem vende é quem gerencia e executa, sente que tem com quem dividir o trabalho. É essa a sensação que o time foi desenhado para dar.






O que ainda não sei
A PRISMA ainda é planejada: ela só entra quando existir a jornada de brand kit, com uma skill de verdade. E treinar um modelo próprio, o fine-tuning, ficou como hipótese. A Vantiz já guarda o elo entre o que a IA gerou e a versão final que a pessoa deixou, mas treinar só volta a ser analisado com pelo menos 500 pares por agente, de 15 empresas diferentes e com consentimento.
E tem uma pergunta antes: a edição da pessoa é um padrão ou é o gosto de cada estúdio? Se for gosto, a resposta certa é template e memória da casa.
O que fica
O agente que a pessoa vê é a camada de cima. O que faz ele funcionar está embaixo: as regras que ninguém atravessa, a memória que só lê o permitido, as skills com versão e o engine escolhido por teste.
“Um bom agente parece simples porque as camadas embaixo dele trabalham.”
Bastidores
A base deste estudo são os documentos de arquitetura e o catálogo de agentes e skills da Vantiz, conferidos no repositório em outubro de 2026, e a pesquisa sobre times de agentes, personalidade e arquétipos da bibliografia abaixo. Os números vêm das migrations do banco.
Bibliografia
- Qian et al. (2024). ChatDev: Communicative Agents for Software Development. ACL 2024. (abre em nova aba)
- Hong et al. (2024). MetaGPT: Meta Programming for a Multi-Agent Collaborative Framework. ICLR 2024. (abre em nova aba)
- Anthropic (2024). Building effective agents. (abre em nova aba)
- Nass, Steuer e Tauber (1994). Computers are Social Actors. CHI '94. (abre em nova aba)
- Reeves e Nass (1996). The Media Equation: How People Treat Computers, Television, and New Media Like Real People and Places. Cambridge University Press. (abre em nova aba)
- Mori (1970). The Uncanny Valley. Energy, 7(4). (abre em nova aba)
- Mark e Pearson (2001). The Hero and the Outlaw: Building Extraordinary Brands Through the Power of Archetypes. McGraw-Hill. (abre em nova aba)
- Vantiz (2026). Arquitetura de agentes, skills e rotinas. Documento de design, setembro.
- Vantiz (2026). Diretriz de roteamento de modelo por agente. Teste comparativo do plano do dia, outubro.
- Vantiz (2026). Inventário de documentos, arquétipos e nomes dos agentes. Agosto.