LangChain detalha os cinco pilares de um harness corporativo de IA

LangChain detalha os cinco pilares de um harness corporativo de IA

A LangChain publicou em 17 de novembro de 2026 um relato técnico sobre como construiu seus agentes internos de inteligência artificial para as áreas de marketing, vendas e engenharia — e sobre o que aprendeu ao colocá-los para funcionar no dia a dia dos times. No texto, assinado com agradecimento a Caspar Brønd, a empresa afirma que os três agentes foram erguidos da mesma forma e que esse conjunto de decisões pode servir como receita geral para o que chama de "company harness": a camada que conecta modelos de linguagem ao contexto, às permissões e às ferramentas reais de uma organização.

Os três agentes e a receita comum

A base da discussão são três agentes internos. O GTM Agent é descrito como um agente proativo e sempre ativo, que monitora e responde e-mails, acompanha novos leads qualificados, envia briefings diários, responde perguntas sobre contas e executa ações de prospecção.

O OpenSWE é o agente de engenharia: trabalha em pull requests, redige rascunhos e também roda revisão de código em todos os PRs. Já o Content Studio é o agente de marketing, capaz de produzir rascunhos de blogs, imagens, apresentações em PowerPoint e vídeos no estilo da empresa e com conhecimento do posicionamento dela.

Segundo a LangChain, os cinco componentes que emergiram desse esforço são: o agente viver onde as pessoas já trabalham (no caso da empresa, o Slack); saber quem está perguntando e agir em nome dessa pessoa para alguns serviços e com identidade própria para outros; ter memória, global e/ou no nível do usuário; executar código em sandbox, podendo fazer requisições a serviços que exigem autenticação; e ter uma grande parcela das execuções agendada, em vez de disparada explicitamente por alguém, os chamados agentes ambiente.

Todos foram construídos sobre o Managed Deep Agents, componente gerenciado da plataforma.

Onde o agente mora

A primeira escolha foi de experiência de uso: cada agente tem seu próprio app no Slack, podendo receber mensagens diretas ou ser marcado em canais. Trabalhar em canais públicos tem um efeito colateral bem-vindo, segundo a empresa: as pessoas veem como colegas usam o agente e aprendem com isso.

A LangChain também criou um mecanismo de "breakout", que permite ao agente sair de uma conversa humana e abrir sua própria thread no canal, evitando poluir o diálogo original quando alguém quer apenas pedir uma opinião ou uma tarefa.

Nem tudo, porém, funciona bem dentro do Slack. O exemplo citado é a revisão de e-mails que o GTM Agent propõe enviar: resolver um caso isolado por mensagem é aceitável, mas acompanhar um backlog grande por threads seria péssimo.

Para esses casos, a empresa construiu uma interface própria.

Identidade: o problema mais espinhoso

A LangChain classifica a identidade como a questão mais difícil de resolver: quando o agente age, em nome de quem ele age? O texto opõe duas abordagens comuns na indústria, a atuação em nome do usuário que invoca o agente (on-behalf-of) e o uso de credenciais fixas, como uma conta de serviço, independentemente de quem fez a chamada.

A empresa detalha como aplicou cada uma, e a documentação sobre identidade em Managed Deep Agents e gestão de conexões acompanha o relato.

No OpenSWE, a regra é híbrida: ao receber uma mensagem, ele age em nome de quem escreveu e abre pull requests com o identificador GitHub dessa pessoa; quando roda em segundo plano, como revisor de código, assume a própria identidade, via app do GitHub. No GTM Agent, algumas ferramentas, como o acesso ao Salesforce, usam identidade fixa para que ninguém precise fazer login individualmente; já as ferramentas de e-mail agem em nome do usuário e só ficam disponíveis em mensagens diretas, nunca em canais compartilhados.

No Content Studio, o Notion segue a lógica on-behalf-of, enquanto o Twitter usa credenciais fixas da conta corporativa, com uma lista restrita de pessoas autorizadas a certas operações, nem todos podem publicar, apenas ler ou rascunhar.

Memória, código e execução agendada

A memória é organizada em dois níveis: uma camada global e outra no nível do usuário, conforme a documentação de memória dos Managed Deep Agents. Já a execução de código ocorre em sandbox, com permissão para chamar serviços que exigem autenticação, ponto listado como um dos problemas a resolver, ao lado da experiência de uso, da identidade e das execuções agendadas.

Esse último item é apresentado como característica central do modelo: boa parte das execuções não parte de um comando humano, e sim de agendamentos. É o que a LangChain chama de agentes ambiente, que agem continuamente em segundo plano, enviando briefings, monitorando leads ou revisando pull requests sem que ninguém precise pedir.

Por que isso importa

O relato desloca a discussão sobre agentes corporativos do modelo em si para a infraestrutura ao redor dele: permissões, contexto compartilhado, isolamento de execução e agendamento. A mensagem implícita é que a dificuldade de colocar agentes para trabalhar em equipe não está em fazê-los responder, mas em definir com clareza em nome de quem agem, o que lembram e onde podem tocar.

Para empresas que tentam replicar o modelo, a LangChain oferece sua própria experiência como Receita: um harness único, com os mesmos primitivos, aplicado a áreas com necessidades bem diferentes.

Fontes e links

Matéria publicada originalmente em LangChain

Últimas Notícias

Provérbio de Go vira alerta contra dependência excessiva no código
LangChain detalha os cinco pilares de um harness corporativo de IA
Isomorphic Labs capta US$ 5 bi para levar fármacos a testes
Google Maps lança Ask Maps para viagens e preparativos de fim de ano