Automatizar tarefas é fazer com que o computador execute processos repetitivos sem intervenção humana.
🎯 Objetivo Geral
Meta da Disciplina
Criar automações pessoais e profissionais combinando ferramentas visuais (n8n) com programação Python e inteligência artificial local (DeepSeek via Ollama ou outras IAs), formando um sistema eficiente, seguro e sem dependência de serviços pagos.
🔥 Conceitos Centrais
1. O que é Automação
Definição
Automatizar é fazer com que o computador execute processos repetitivos sem intervenção humana.
Exemplos de automações:
Ler e-mails e extrair informações
Gerar relatórios automáticos
Enviar respostas automáticas
Usar Inteligência Artificial para criar conteúdos
2. Ferramentas Principais
Ferramenta
Função
Característica Principal
n8n
Criar fluxos visuais de automação
Interface fácil, open-source, sem limites
Python
Resolver tarefas complexas ou personalizadas
Linguagem poderosa e flexível
Ollama
Gerenciar modelos de IA localmente
IA privada, sem custo por uso
DeepSeek R1 14B
Modelo de linguagem para gerar texto
Responde como ChatGPT, mas local
ChatGPT ou Cursor
Auxiliar na criação de código
Planejamento e programação
3. Como as Tecnologias se Conectam
Fluxo de Integração
n8n coordena tudo: cria os fluxos de automação visualmente
Python entra onde o n8n não consegue resolver sozinho
Ollama disponibiliza o modelo de IA local
DeepSeek é o “cérebro” que escreve, responde e gera relatórios
Usar Python para resolver limitações e criar módulos personalizados
Rodar modelos de Inteligência Artificial localmente, com controle total
Projetar sistemas de automação escaláveis e offline, sem depender de nuvem paga
Entender boas práticas de orquestração e modularização de automações
🧠 Primeiros Projetos Práticos
#
Projeto
Descrição
1
Primeiro Workflow
Criar um fluxo que recebe texto e salva em arquivo
2
Chamando Python
Rodar script Python dentro do n8n
3
Usando IA Local
Enviar perguntas para DeepSeek via n8n
4
Automatizar Emails
Ler caixa de e-mail e gerar resumos diários
5
Relatórios Automáticos
Gerar relatórios Markdown com IA
📢 Pontos Importantes
Lembre-se
Não é preciso saber tudo de programação para usar n8n
Com Python, é possível desbloquear qualquer limitação do n8n
Usar IA local garante segurança, privacidade e custo zero
Automação bem feita libera tempo para focar em coisas importantes
🌐 O Cenário em 2025-2026: Automação com IA
O campo de automação passou por uma transformação profunda a partir de 2025. Ferramentas visuais como n8n, Make e Zapier incorporaram inteligência artificial como componente nativo dos fluxos: hoje não é mais preciso saber programar para criar um agente que lê e-mails, toma decisões e executa ações de forma autônoma.
Por que isso importa agora?
Em 2024, menos de 1% dos softwares empresariais usavam agentes IA autônomos. Para 2028, a Gartner projeta que 33% das aplicações corporativas terão algum nível de automação agêntica. Quem aprender hoje já estará à frente.
O que mudou na prática
n8n 2.0 (2025): suporte nativo a LLMs, integração com MCP (Model Context Protocol), workflows ilimitados em todos os planos cloud, e o pacote @n8n/ai-agent (março de 2026) para criar agentes com memória e ferramentas customizadas.
Make com IA (outubro de 2025): lançou seus próprios AI Agents com integração a OpenAI, Anthropic e Google.
Zapier AI: adicionou IA como add-on pago, mas mantém o foco na simplicidade para usuários não técnicos.
Python + frameworks de agentes: LangChain, CrewAI, LangGraph e AutoGen permitem construir agentes IA totalmente customizados diretamente em código.
⚖️ Comparando as Plataformas Visuais
graph LR
A[Você quer automatizar] --> B{Tem perfil técnico?}
B -- Não --> C[Zapier]
B -- Pouco --> D[Make]
B -- Sim --> E[n8n]
C --> F[Fácil, rápido, caro em escala]
D --> G[Equilíbrio custo x funcionalidade]
E --> H[Máximo controle, open-source, IA nativa]
Ferramenta
Modelo de Preço
Suporte a IA
Curva de Aprendizado
Ideal para
Zapier
Por tarefa (task), plano starter ~US$30/mês
Add-on pago
Baixa: 2h para o 1º fluxo
Equipes sem perfil técnico
Make
Por operação, ~US$9/mês até 10k ops
AI Agents desde out/2025
Média: 1-2 semanas
Equilíbrio entre preço e recursos
n8n
Self-hosted grátis, cloud a partir de ~€20/mês
Nativo: OpenAI, Anthropic, Ollama, Hugging Face
Média-alta, mas documentação excelente
Desenvolvedores e quem quer controle total
Python puro
Gratuito (só infra)
Total: qualquer API ou modelo local
Alta: precisa saber programar
Automações customizadas e complexas
Dica para iniciantes
Comece com n8n (versão gratuita self-hosted ou conta cloud no plano free). A interface visual acelera o aprendizado. Quando o fluxo precisar de lógica que o n8n não resolve sozinho, você escreve um script Python e o n8n chama esse script como um nó.
🤖 Agentes IA: Automação de Nova Geração
Um agente IA é uma automação que não apenas executa passos fixos: ele recebe um objetivo, toma decisões, usa ferramentas (busca na web, acessa APIs, lê arquivos) e age de forma autônoma até concluir a tarefa.
flowchart TD
U["👤 Usuário define objetivo"]
A["🧠 Agente IA (LLM)"]
T1["🔧 Ferramenta: busca na web"]
T2["📄 Ferramenta: lê/escreve arquivo"]
T3["📧 Ferramenta: envia e-mail"]
R["✅ Resultado entregue ao usuário"]
U --> A
A --> T1
A --> T2
A --> T3
T1 --> A
T2 --> A
T3 --> A
A --> R
Frameworks de Agentes IA (2026)
Framework
Linguagem
Ponto Forte
Quando Usar
LangGraph
Python
Workflows com estado complexo, grafos de agentes
Produção empresarial, fluxos com muitas ramificações
CrewAI
Python
Crews multi-agente com papéis definidos
Equipes de agentes colaborando (ex.: pesquisador + redator)
AutoGen
Python
Conversas entre múltiplos agentes
Prototipagem rápida de sistemas multi-agente
n8n AI Agent
Visual
Agente dentro de fluxo visual, com memória
Quem quer agente sem escrever código Python
Cuidado com loops infinitos
Frameworks como AutoGen permitem que agentes “conversem entre si” sem parar. Sem uma condição de término clara, um loop pode consumir 5 a 10 vezes mais tokens (e dinheiro) do que o esperado. Sempre defina um número máximo de iterações.
⚙️ Automação com Python: Agendando Tarefas
Além das ferramentas visuais, é possível automatizar qualquer tarefa diretamente com Python e agendá-la para rodar sem intervenção. Há duas abordagens principais: o cron no Linux/macOS e o Agendador de Tarefas no Windows.
Como funciona o Cron (Linux/macOS)
O cron usa uma tabela de horários chamada crontab. Cada linha define: quando rodar + o que rodar.
Leitura da linha acima: todo dia, às 9h00, rodar o script relatorio.py.
Atalhos úteis do crontab
Expressão
Significado
* * * * *
A cada minuto
0 9 * * *
Todo dia às 9h
0 9 * * 1
Toda segunda-feira às 9h
0 9 1 * *
Todo dia 1 do mês às 9h
*/15 * * * *
A cada 15 minutos
Comandos do terminal:
crontab -e # abre o editor para adicionar/editar tarefascrontab -l # lista todas as tarefas agendadascrontab -r # remove todas as tarefas (cuidado!)
Como funciona o Agendador de Tarefas (Windows)
No Windows, o equivalente ao cron é o Agendador de Tarefas (Task Scheduler). O caminho para acessá-lo é: Menu Iniciar, depois buscar “Agendador de Tarefas”. Dentro dele, você cria uma “Tarefa Básica”, define o gatilho (diário, semanal, ao iniciar o PC) e aponta para o script Python. Não é preciso nenhum código adicional.
flowchart LR
G["⏰ Gatilho\n(horário definido)"]
S["📜 Script Python\n(tarefa automatizada)"]
R["📊 Resultado\n(arquivo, e-mail, planilha)"]
L["📝 Log\n(registro do que foi feito)"]
G --> S
S --> R
S --> L
🔄 Fluxo Completo de uma Automação Moderna
sequenceDiagram
participant G as Gatilho (tempo/evento)
participant N as n8n / Make / Zapier
participant P as Script Python
participant I as IA (Ollama / API)
participant D as Destino (Sheets/Telegram/E-mail)
G->>N: Dispara o fluxo
N->>P: Chama script para processar dados
P->>I: Envia prompt com os dados
I-->>P: Retorna resposta gerada
P-->>N: Devolve resultado processado
N->>D: Salva ou envia o resultado
🧪 Atividades Mão na Massa
🧪 Atividade 1: Formulário que vira linha no Google Sheets via n8n
Ferramenta: n8n (conta gratuita em n8n.io ou instalação local via Docker)
O que você vai fazer:
Crie uma conta gratuita no n8n.io (ou rode localmente com docker run -it --rm -p 5678:5678 n8nio/n8n).
Crie um novo workflow e adicione o nó Webhook como gatilho. Copie a URL gerada.
Adicione o nó Google Sheets (ou Airtable como alternativa gratuita). Configure para adicionar uma nova linha.
Conecte o Webhook ao Google Sheets.
Abra o terminal (ou o Postman) e envie uma requisição POST para a URL do Webhook com um JSON de exemplo: {"nome": "Maria", "curso": "TI", "nota": 9}.
Ative o workflow e envie novamente o JSON.
Resultado observável: Uma nova linha aparece automaticamente na sua planilha com os dados enviados, sem nenhuma intervenção manual. Repita o envio com dados diferentes e veja as linhas sendo criadas em tempo real.
🧪 Atividade 2: Script Python que renomeia arquivos automaticamente
Ferramenta: Python 3 + módulo os (já vem instalado) + cron (Linux/macOS) ou Agendador de Tarefas (Windows)
O que você vai fazer:
Crie uma pasta chamada organizar/ no seu computador e coloque alguns arquivos com nomes aleatórios (ex.: IMG_001.jpg, arquivo_final_v3.docx, notas.txt).
Rode o script uma vez no terminal com python3 renomear.py e veja os arquivos serem renomeados com a data atual no início do nome.
Agende o script para rodar todo dia às 8h:
Linux/macOS: abra o terminal, digite crontab -e e adicione a linha 0 8 * * * python3 /caminho/para/renomear.py >> /tmp/renomear.log 2>&1
Windows: abra o Agendador de Tarefas, crie uma tarefa básica com gatilho diário às 8h apontando para python.exe renomear.py
Resultado observável: No dia seguinte às 8h, todos os arquivos novos na pasta terão sido renomeados automaticamente com o prefixo da data. No Linux, o arquivo /tmp/renomear.log mostrará o registro de cada arquivo processado.
🧪 Atividade 3: Agente IA simples que responde perguntas sobre um arquivo
Pré-requisito: Ollama instalado e rodando localmente (ollama run deepseek-r1:14b ou ollama run llama3).
O que você vai fazer:
Instale a biblioteca do Ollama para Python: pip install ollama
Crie o arquivo agente_leitor.py:
import ollama# Lê um arquivo de texto qualquerwith open("notas.txt", "r", encoding="utf-8") as f: conteudo = f.read()pergunta = input("Faça uma pergunta sobre o arquivo: ")resposta = ollama.chat( model="deepseek-r1:14b", # ou "llama3" messages=[ { "role": "user", "content": f"Com base no texto a seguir, responda: {pergunta}\n\nTexto:\n{conteudo}" } ])print("\nResposta do agente:")print(resposta["message"]["content"])
Crie um arquivo notas.txt com qualquer conteúdo (anotações de aula, uma receita, um resumo de disciplina).
Rode o script: python3 agente_leitor.py e faça uma pergunta sobre o conteúdo do arquivo.
Resultado observável: O modelo de IA lê o arquivo localmente (sem enviar dados para a nuvem) e responde à sua pergunta com base no conteúdo. Troque o arquivo por uma ata de reunião, uma lista de tarefas ou um relatório e veja o agente responder perguntas diferentes.
📐 Quando Usar Cada Abordagem
graph TD
A["❓ Qual ferramenta usar?"]
B["A tarefa envolve conectar\napps diferentes?"]
C["Você sabe programar\nem Python?"]
D["Precisa de IA\nno fluxo?"]
E["n8n / Make / Zapier\n(ferramenta visual)"]
F["Python puro\n(script agendado)"]
G["n8n + nó de IA\nou Python + Ollama"]
H["Quer código aberto\ne controle total?"]
I["n8n (self-hosted)"]
J["Make ou Zapier\n(serviço em nuvem)"]
A --> B
B -- Sim --> E
B -- Não --> C
C -- Sim --> F
C -- Não --> E
E --> D
D -- Sim --> G
D -- Não --> H
H -- Sim --> I
H -- Não --> J
📦 Boas Práticas de Automação
5 Regras de Ouro
Comece simples: automatize uma única etapa antes de construir um fluxo complexo.
Documente seu fluxo: anote o que cada nó ou função faz. Em 3 meses você pode ter esquecido.
Trate erros: todo fluxo precisa de um caminho alternativo para quando algo falha (ex.: API fora do ar, arquivo não encontrado).
Salve logs: sempre registre o que foi executado, com data e hora. Isso facilita a depuração.
Teste antes de agendar: rode a automação manualmente pelo menos uma vez antes de colocá-la no cron ou no agendador.
Erros Comuns de Iniciantes
Agendar um script sem testar: o cron roda em um ambiente diferente do terminal, com menos variáveis de ambiente. Sempre especifique o caminho completo do Python e dos arquivos.
Não salvar logs: sem log, quando algo falha às 3h da manhã você não tem como saber o que aconteceu.
Automatizar sem entender: automatizar um processo errado apenas produz erros mais rápido. Mapeie o processo manual primeiro.
🔭 Tendências para Ficar de Olho
O que vem por aí
MCP (Model Context Protocol): padrão criado pela Anthropic (empresa do Claude) que permite que LLMs se conectem a ferramentas externas de forma padronizada. O n8n 2.0 já tem suporte nativo.
Agentes multi-step: em vez de automações lineares (gatilho, ação, fim), os novos sistemas tomam múltiplas decisões antes de concluir uma tarefa.
IA local cada vez mais acessível: modelos como DeepSeek R1, Llama 3 e Mistral rodam em notebooks comuns. Privacidade e custo zero são as grandes vantagens.
Low-code agêntico: ferramentas como n8n estão convergindo para um modelo em que você descreve o objetivo em linguagem natural e o próprio sistema monta o fluxo.