🔄 O Loop Agente-Ambiente
Agentes de IA operam em um ciclo continuo de percepcao, raciocinio e acao. Entender este loop e essencial para criar skills que se integrem naturalmente ao fluxo de trabalho do agente.
🔁 Ciclo Fundamental
O agente executa continuamente este ciclo ate completar a tarefa ou receber nova instrucao:
- 1. Perceber: Recebe input (prompt, resultado de tool, contexto)
- 2. Processar: Analisa contexto, carrega skills relevantes, planeja
- 3. Decidir: Escolhe responder ou executar uma tool
- 4. Agir: Executa a acao escolhida
- 5. Observar: Recebe resultado e volta ao passo 1
Fluxo Visual
📦 Componentes do Sistema
Um agente de IA moderno e composto por varios componentes que trabalham juntos. Cada componente tem uma responsabilidade especifica no processamento de tarefas.
LLM Core
O "cerebro" do agente
- • Modelo de linguagem (Claude, GPT, Gemini)
- • Processa linguagem natural
- • Gera respostas e decisoes
- • Interpreta instrucoes de skills
Context Manager
Gerencia a memoria de trabalho
- • Historico da conversa
- • System prompts e instrucoes
- • Skills carregadas
- • Resultados de tools
Tool Executor
Executa acoes no mundo real
- • Bash, Read, Write, Edit
- • APIs externas (MCP)
- • Busca na web
- • Manipulacao de arquivos
Skill Loader
Descobre e carrega skills
- • Busca em diretorios configurados
- • Analisa relevancia por descricao
- • Injeta instrucoes no contexto
- • Gerencia permissoes de tools
💡 Implicacao para Skills
Skills sao carregadas pelo Skill Loader e injetadas no Context Manager. Isso significa que instrucoes muito longas consomem espaco de contexto. Seja conciso mas completo.
🧩 Context Window e Memoria
O context window e a "memoria de trabalho" do agente - tudo que ele pode considerar ao gerar uma resposta. Entender seus limites e crucial para skills eficientes.
📊 Tamanhos de Context Window (2025)
- Claude 3.5: 200K tokens (~150K palavras)
- GPT-4 Turbo: 128K tokens (~96K palavras)
- Gemini 1.5: 1M+ tokens (~750K palavras)
- Tokens ≠ Palavras: 1 token ≈ 0.75 palavras em ingles
📦 O que Consome Contexto
Obrigatorio
- • System prompt base
- • Historico da conversa
- • Mensagem atual do usuario
- • Definicoes de tools disponiveis
Adicional
- • Skills carregadas
- • Arquivos lidos
- • Resultados de tools
- • CLAUDE.md e configs
✓ Boas Praticas
- ✓ Skills concisas e focadas
- ✓ Descricoes precisas para matching
- ✓ Dividir skills grandes em menores
✗ Evitar
- ✗ Skills com milhares de linhas
- ✗ Incluir codigo completo na skill
- ✗ Descricoes genericas demais
🎯 Sistema de Descoberta de Skills
O agente precisa decidir quais skills carregar para cada tarefa. Este processo de descoberta usa a descricao da skill para determinar relevancia.
Scan de Diretorios
Ao iniciar sessao
O agente varre ~/.claude/skills/ e .claude/skills/ buscando arquivos SKILL.md
Indexacao de Metadados
Parse do frontmatter
Extrai name, description e outras propriedades. Cria indice em memoria.
Matching por Relevancia
A cada mensagem do usuario
Compara a mensagem com descricoes das skills. Seleciona as mais relevantes.
Injecao no Contexto
Antes de processar
O conteudo completo das skills selecionadas e adicionado ao contexto do LLM.
🎯 Chave do Sucesso
A descricao da skill e tudo! Se ela nao mencionar os termos que o usuario vai usar, a skill nunca sera carregada. Inclua sinonimos, casos de uso e palavras-chave relevantes.
⚡ Tool Calling e Execucao
Quando o agente decide usar uma tool, acontece uma sequencia estruturada de eventos. Skills podem influenciar quais tools estao disponiveis e como usa-las.
🔧 Anatomia de uma Tool Call
// Agente gera:
{
"tool": "Bash",
"parameters": {
"command": "ls -la /home/user",
"description": "List files in user home"
}
}
// Sistema executa e retorna:
{
"output": "total 48\ndrwxr-xr-x...",
"exit_code": 0
}📖 Leitura
- • Read - ler arquivos
- • Glob - buscar arquivos
- • Grep - buscar conteudo
- • WebFetch - buscar URLs
✏️ Escrita
- • Write - criar/sobrescrever
- • Edit - modificar trechos
- • NotebookEdit - Jupyter
⚡ Execucao
- • Bash - comandos shell
- • Task - subtarefas
- • MCP - APIs externas
⚠️ Permissoes de Tools
Skills podem usar allowed-tools no frontmatter para restringir quais tools podem ser usadas. Isso e importante para seguranca - uma skill de leitura nao deveria permitir escrita.
🔗 Integracao com Sistemas Externos
Agentes modernos se conectam com o mundo atraves de protocolos padronizados. O MCP (Model Context Protocol) da Anthropic e o padrao mais usado.
🔌 Model Context Protocol (MCP)
Protocolo aberto que permite agentes se conectarem com servicos externos de forma padronizada.
MCP Servers Populares
- • Filesystem - acesso a arquivos
- • GitHub - repos, PRs, issues
- • Postgres - bancos de dados
- • Slack - mensagens e canais
Beneficios
- • Padrao aberto e extensivel
- • Seguranca por design
- • Facil de criar novos servers
- • Interoperavel entre agentes
Skills e MCP
Skills podem especificar quais MCP tools usar no frontmatter:
---
name: github-pr-reviewer
description: Reviews pull requests on GitHub
allowed-tools: mcp__github__*
---🚀 Proximo Passo
Agora que voce entende como agentes funcionam internamente, o proximo modulo aborda o Ciclo de Vida de Skills - desde a criacao ate deploy e manutencao.
📚 Resumo do Modulo
Proximo Modulo:
1.3 - Ciclo de Vida de Skills