Aulas

Fluxos e orquestração

Leitura de 12 min

Fluxos e Orquestração

A Máquina que Trabalha por Você

Automatizar é ensinar o computador a executar uma sequência de passos sozinho. Orquestrar é coordenar várias dessas peças (e, hoje, vários agentes de IA) para que trabalhem juntas em harmonia.

🎯 O que é um Fluxo Automatizado (Workflow)

Linha de montagem: cada estação faz uma tarefa e passa o resultado adiante

Definição

Um workflow (fluxo de trabalho automatizado) é uma sequência de passos que o computador executa sozinho, do início ao fim, sempre que algo o dispara. Você descreve a sequência uma vez; ela roda quantas vezes for preciso, sem você no meio.

A melhor analogia é a linha de montagem de uma fábrica:

Linha de montagemWorkflow automatizado
Esteira começa a andar quando chega uma peçaGatilho dispara quando chega um evento (email, formulário)
Cada estação faz uma tarefaCada ação faz uma operação (salvar, enviar, calcular)
A peça passa de uma estação para a outraOs dados fluem de um passo para o próximo
Inspetor decide se a peça vai pra linha A ou BCondição (if/then) escolhe o caminho

Por que automatizar?

  • Elimina tarefas repetitivas e chatas (copiar/colar, reenviar email)
  • Roda 24/7, sem cansar e sem esquecer
  • Reduz erro humano: a mesma regra é aplicada sempre igual
  • Libera seu tempo para o que exige criatividade e julgamento

🧩 Anatomia de um Workflow

As 5 peças que todo fluxo tem

Independente da ferramenta, todo workflow é montado a partir destes blocos. Aprender os 5 = saber ler qualquer automação.

PeçaO que éExemplo
⚡ Gatilho (trigger)O evento que dá a partida”Chegou um email”, “alguém enviou o formulário”, “são 8h da manhã”
🔧 AçõesAs tarefas que o fluxo executaSalvar arquivo, enviar mensagem, criar linha numa planilha
🔀 CondiçõesRegras if/then/else que escolhem o caminho”Se o valor > 1000, avise o gerente; senão, só registre”
🔌 ConectoresPontes (APIs) entre apps diferentesGmail ↔ Planilhas ↔ Slack ↔ WhatsApp
📦 Dados entre passosA informação que flui de um passo ao próximoO email do passo 1 vira o “nome do cliente” no passo 3
flowchart LR
    T["⚡ Gatilho<br/>Chegou um email"] --> A1["🔧 Ação 1<br/>Extrair anexo"]
    A1 --> C{"🔀 Condição<br/>É um PDF?"}
    C -->|Sim| A2["🔧 Ação 2<br/>Salvar na nuvem"]
    C -->|Não| A3["🔧 Ação 3<br/>Marcar para revisão"]
    A2 --> A4["🔧 Ação 4<br/>Avisar no Slack"]

    style T fill:#E8A838,color:#fff,stroke:#b07a1a
    style A1 fill:#4A90D9,color:#fff,stroke:#2c5f8a
    style A2 fill:#4A90D9,color:#fff,stroke:#2c5f8a
    style A3 fill:#4A90D9,color:#fff,stroke:#2c5f8a
    style A4 fill:#4A90D9,color:#fff,stroke:#2c5f8a
    style C fill:#9B59B6,color:#fff,stroke:#6c3483

Conector = API

Lembra da API? É exatamente o que um conector usa por baixo. A ferramenta no-code só esconde o código: por trás do botão “enviar mensagem no Slack” há uma chamada à API do Slack. Conector é uma API com cara amigável.

Dados entre passos é o que mais confunde iniciante

O grande “pulo do gato” de um workflow é referenciar o resultado de um passo anterior. Quase toda ferramenta usa uma sintaxe tipo {{passo1.email}} ou um menu de “campos disponíveis”. Se a ação 3 não enxerga o dado da ação 1, o fluxo quebra silenciosamente.

🧪 Atividade 1: Seu Primeiro Fluxo (Manual Trigger → HTTP → ver resultado)

Ferramenta: Make.com (plano gratuito, 1.000 operações/mês, sem cartão de crédito) ou n8n.io (trial cloud).

Meta: disparar um fluxo na mão e ver dados reais voltando de uma API pública.

Passo a passo (Make):

  1. Crie uma conta gratuita em make.com e clique em “Create a new scenario”.
  2. Adicione o módulo HTTP → “Make a request”.
  3. Em URL, cole: https://api.adviceslip.com/advice (API pública, sem chave, devolve um conselho aleatório em JSON).
  4. Em Method, deixe GET. Marque “Parse response” como Yes.
  5. Clique em “Run once” (o botão de play). Esse clique é o seu gatilho manual.

Resultado observável: a bolinha do módulo fica verde e, ao clicar nela, você vê o JSON retornado, com um campo slip.advice contendo a frase de conselho. Se aparecer o conselho, seu primeiro fluxo executou de verdade.

Entregável: print da tela mostrando a execução verde + o campo advice com o texto retornado.

⚙️ Ferramentas No-Code / Low-Code

No-code vs Low-code

  • No-code: você monta tudo arrastando blocos e preenchendo campos. Zero programação. (Zapier, Make)
  • Low-code: o visual cobre 90%, mas você pode injetar um trecho de código (JS/Python) quando precisa de algo fora do padrão. (n8n, Activepieces)

Maestro coordenando músicos: a ferramenta de orquestração rege os apps

🛠️ As 4 ferramentas principais (2026)

FerramentaEstiloOnde rodaPontos fortesPreço (entrada)
ZapierNo-codeNuvem7.000+ integrações, UI simplíssima, setup em 5 min~US$ 20/mês (750 tarefas)
MakeNo-code visualNuvemEditor em fluxograma, loops, tratamento de erro, barato por operação~US$ 9/mês (10.000 operações)
n8nLow-codeNuvem ou self-hostedOpen source, código JS/Python embutido, nós de IA, execuções ilimitadas no self-hostedSelf-hosted grátis; nuvem ~US$ 20/mês
ActivepiecesLow-codeNuvem ou self-hostedOpen source, UI simples (estilo Zapier), workflows de aprovação, colaboraçãoSelf-hosted grátis; nuvem ~US$ 15/mês

Qual escolher? (guia rápido)

  • Você não programa e quer o máximo de apps prontos → Zapier
  • Você quer lógica visual, ramificações e laços, pagando pouco → Make
  • Você é técnico, precisa de privacidade/volume alto ou quer hospedar você mesmo → n8n
  • Você quer o poder open source do n8n, mas com cara de Zapier e foco em equipe → Activepieces
flowchart TD
    Q1{"Você sabe<br/>programar / mexer<br/>com Docker?"}
    Q1 -->|Não| Q2{"Precisa de<br/>lógica visual<br/>complexa?"}
    Q1 -->|Sim| Q3{"Quer hospedar<br/>você mesmo<br/>(privacidade/custo)?"}
    Q2 -->|Não, quero simples| Z["⚡ Zapier"]
    Q2 -->|Sim, ramificações e loops| M["🔷 Make"]
    Q3 -->|Sim, e quero código embutido| N["🟢 n8n"]
    Q3 -->|Sim, mas com UI simples p/ equipe| A["🟠 Activepieces"]

    style Q1 fill:#9B59B6,color:#fff,stroke:#6c3483
    style Q2 fill:#9B59B6,color:#fff,stroke:#6c3483
    style Q3 fill:#9B59B6,color:#fff,stroke:#6c3483
    style Z fill:#FF4F00,color:#fff,stroke:#b03600
    style M fill:#6D5BD0,color:#fff,stroke:#4a3d99
    style N fill:#5BAD6F,color:#fff,stroke:#3a7a4a
    style A fill:#E8A838,color:#fff,stroke:#b07a1a

Open source importa

n8n e Activepieces são open source: o código é público e você pode rodar no seu próprio servidor de graça. Isso significa sem limite de execuções e seus dados nunca saem da sua máquina, ao custo de você administrar a infraestrutura (Linux, Docker). Zapier e Make são fechados e cobram por volume, mas você não administra nada.

🧪 Atividade 2: Fluxo de Duas Ações com Dado Passando Entre Elas

Ferramenta: Make.com (gratuito).

Meta: provar que você consegue encadear dois passos, com o dado do passo 1 alimentando o passo 2.

Passo a passo:

  1. Novo scenario. Módulo 1: HTTP → “Make a request” com URL https://catfact.ninja/fact (devolve um fato aleatório sobre gatos em JSON, sem chave). Marque Parse response = Yes.
  2. Módulo 2: adicione Tools → “Set variable” (ou “Text aggregator”).
  3. No campo de valor do módulo 2, clique no campo fact que aparece no menu de dados do módulo 1 (isso cria a referência {{1.fact}}). Prefixe com o texto: Fato do dia: .
  4. Clique em “Run once”.

Resultado observável: o módulo 2 produz uma string como Fato do dia: Cats sleep 70% of their lives. O texto só aparece se o dado realmente passou do módulo 1 para o módulo 2: é a prova de que você dominou o “dados entre passos”.

Desafio extra: adicione um terceiro módulo com uma condição (Router/Filter): só siga adiante se o tamanho do fato for maior que 50 caracteres.

🤖 Orquestração de Agentes de IA

De automação para orquestração

Até aqui, os fluxos eram determinísticos: gatilho → ação → ação, sempre o mesmo caminho. Orquestrar agentes de IA é coordenar um ou mais LLMs (modelos de linguagem, como o ChatGPT/Claude) que raciocinam, usam ferramentas e decidem o próximo passo dentro do fluxo.

A analogia agora é o maestro de orquestra: cada músico (agente/ferramenta) é especialista no seu instrumento; o maestro (o orquestrador) decide quem toca, quando, e junta tudo numa peça coerente.

🔗 Encadeando LLMs e ferramentas (pipeline de múltiplos passos)

Um agente de IA não é só “uma chamada ao ChatGPT”. Ele costuma seguir um pipeline: a saída de uma etapa de IA vira a entrada da próxima, e no meio ele pode chamar ferramentas (buscar na web, rodar código, consultar um banco de dados).

sequenceDiagram
    participant U as 👤 Usuário
    participant O as 🎼 Orquestrador
    participant L1 as 🧠 LLM (planejar)
    participant T as 🔧 Ferramenta (buscar na web)
    participant L2 as 🧠 LLM (redigir)

    U->>O: "Faça um resumo das notícias de IA de hoje"
    O->>L1: Quebre a tarefa em passos
    L1-->>O: 1) buscar notícias 2) filtrar 3) resumir
    O->>T: Buscar notícias de IA (hoje)
    T-->>O: Lista de artigos + links
    O->>L2: Resuma estes artigos
    L2-->>O: Resumo final
    O-->>U: ✅ Resumo entregue

Padrões clássicos de orquestração de agentes (2026)

  • Prompt chaining (encadeamento): quebra a tarefa em etapas fixas; a saída de uma vira entrada da próxima. (Ex.: rascunhar → revisar → formatar)
  • Routing (roteamento): um classificador olha a entrada e manda para o agente especialista certo (e pode usar modelo barato p/ tarefa fácil, caro p/ tarefa difícil).
  • Orchestrator-workers: um agente central divide a tarefa e delega a vários “trabalhadores” especializados, depois junta os resultados.
  • Evaluator-optimizer: um agente gera, outro critica; repete até a qualidade passar no critério.
  • ReAct (Reason + Act): o agente alterna entre raciocinar (“o que sei? o que falta?”) e agir (chamar uma ferramenta), adaptando-se a cada passo.

Ferramentas já trazem IA embutida

Em 2026, as próprias plataformas no-code viraram orquestradores de IA. O n8n 2.0 (jan/2026) adicionou o AI Agent Node, integração nativa com LangChain (70+ nós de IA), memória persistente entre execuções e suporte a banco vetorial para RAG. Ou seja: dá para montar um agente que raciocina e usa ferramentas arrastando blocos, sem escrever um framework do zero.

⚖️ Automação Simples vs Orquestração de Agentes

A diferença que cai na prova

Automação simples segue regras. Orquestração de agentes toma decisões.

Aspecto🔁 Automação simples🤖 Orquestração de agentes
CaminhoFixo, definido por vocêDinâmico, o agente decide
Decisãoif/then que você escreveuO LLM raciocina sobre o contexto
Entrada inesperadaQuebra ou ignoraTenta se adaptar
PrevisibilidadeAlta (sempre igual)Menor (depende do raciocínio)
Custo por execuçãoBaixo e estávelMaior (cada chamada de LLM custa)
Quando usarTarefa repetível e bem definidaTarefa aberta, que exige interpretação
Exemplo”Chegou email → salve o anexo""Leia o email, decida se é urgente, redija a resposta e escolha quem notificar”

Nem tudo precisa de IA

Colocar um LLM onde um if resolveria é caro, lento e imprevisível. A regra de ouro: use automação determinística sempre que o caminho for conhecido; só traga agentes de IA quando a tarefa exigir interpretação, raciocínio ou linguagem natural. Os melhores sistemas de 2026 misturam os dois: o esqueleto é determinístico (com checkpoints e timeouts) e o “cérebro” de IA entra só nos pontos que precisam pensar.

flowchart LR
    subgraph Simples["🔁 Automação Simples"]
        direction LR
        S1["Gatilho"] --> S2["Ação fixa"] --> S3["Ação fixa"]
    end
    subgraph Agente["🤖 Orquestração de Agentes"]
        direction LR
        G1["Gatilho"] --> G2["🧠 LLM decide"]
        G2 -->|caminho A| G3["Ferramenta X"]
        G2 -->|caminho B| G4["Ferramenta Y"]
        G3 --> G5["🧠 LLM sintetiza"]
        G4 --> G5
    end

    style S1 fill:#5BAD6F,color:#fff,stroke:#3a7a4a
    style S2 fill:#4A90D9,color:#fff,stroke:#2c5f8a
    style S3 fill:#4A90D9,color:#fff,stroke:#2c5f8a
    style G1 fill:#5BAD6F,color:#fff,stroke:#3a7a4a
    style G2 fill:#9B59B6,color:#fff,stroke:#6c3483
    style G3 fill:#4A90D9,color:#fff,stroke:#2c5f8a
    style G4 fill:#4A90D9,color:#fff,stroke:#2c5f8a
    style G5 fill:#9B59B6,color:#fff,stroke:#6c3483

🧪 Atividade 3: Pipeline com Passo de IA (encadear ferramenta → LLM)

Ferramenta: Make.com gratuito. Você vai precisar conectar um módulo de IA. Use o módulo OpenAI com o crédito grátis de teste, ou (se não tiver chave) substitua o passo de IA por “Text parser” e siga o caminho alternativo no fim.

Meta: montar um mini-pipeline de 2 estágios: buscar dado real (ferramenta) → processar com IA (LLM), exatamente o padrão de orquestração de agentes.

Passo a passo:

  1. Módulo 1: HTTP → “Make a request”, URL https://catfact.ninja/fact, Parse response = Yes. (Sua “ferramenta” que traz dado do mundo real.)
  2. Módulo 2: OpenAI → “Create a Completion / Message”. No prompt, escreva: Traduza para português e explique para uma criança: {{1.fact}}. Note que {{1.fact}} injeta a saída do passo 1 no LLM, isto é encadeamento.
  3. Clique em “Run once”.

Resultado observável: o módulo 2 devolve o fato sobre gatos traduzido e simplificado pela IA. Você acabou de orquestrar uma ferramenta + um LLM num pipeline. Se o texto final estiver em português e mais simples que o original em inglês, o encadeamento funcionou.

Caminho alternativo (sem chave de IA): troque o módulo 2 por “Text parser → Replace” e transforme o texto (ex.: deixar tudo MAIÚSCULO). Você ainda pratica o encadeamento de dois passos; só não tem o “cérebro” de IA no meio.

Entregável: print da execução completa (módulo 1 verde + módulo 2 verde) com o texto final visível.

🧠 Quiz Rápido (conceitual, opcional)

Teste seu entendimento

  1. Numa automação, o que é o gatilho e como ele difere de uma ação?
  2. Por que dizemos que um conector “é uma API com cara amigável”?
  3. Você precisa automatizar “quando chega um boleto por email, salve na nuvem e avise no grupo”. Qual ferramenta você escolheria e por quê?
  4. Dê um exemplo de tarefa que NÃO vale a pena resolver com agente de IA (um if bastaria).
  5. No padrão ReAct, o que o agente faz entre “raciocinar” e “agir”?

🗺️ Resumo Visual: Do Gatilho ao Agente

flowchart TD
    A["⚡ Gatilho<br/>algo acontece"] --> B["🔧 Ações<br/>tarefas executadas"]
    B --> C["🔀 Condições<br/>escolhem o caminho"]
    C --> D["🔌 Conectores / Dados<br/>integram apps e passam info"]
    D --> E{"Precisa pensar /<br/>interpretar?"}
    E -->|Não| F["🔁 Automação simples<br/>Zapier · Make"]
    E -->|Sim| G["🤖 Orquestração de agentes<br/>n8n AI · LLMs encadeados"]

    style A fill:#E8A838,color:#fff,stroke:#b07a1a
    style B fill:#4A90D9,color:#fff,stroke:#2c5f8a
    style C fill:#9B59B6,color:#fff,stroke:#6c3483
    style D fill:#5BAD6F,color:#fff,stroke:#3a7a4a
    style E fill:#9B59B6,color:#fff,stroke:#6c3483
    style F fill:#2ECC71,color:#fff,stroke:#1a8a4a
    style G fill:#FF4F00,color:#fff,stroke:#b03600

O que você levou desta aula

  • Workflow é uma linha de montagem digital: gatilho → ações, rodando sozinho
  • Todo fluxo se monta com 5 peças: gatilho, ações, condições, conectores e dados entre passos
  • Zapier/Make (no-code) para o dia a dia; n8n/Activepieces (low-code, open source) para poder e privacidade
  • Orquestrar agentes de IA é encadear LLMs + ferramentas num pipeline onde a IA decide
  • Automação segue regras; agentes tomam decisões, e os melhores sistemas misturam os dois

📚 Fontes (2026)

Visão de gráfico

Backlinks