A LangChain detalhou em 13 de setembro de 2026 como construiu seu próprio agente de mídia paga, um sistema de longa duração que vive no Slack, roda toda segunda-feira e transforma dados de plataformas de anúncios em recomendações práticas para o time de marketing. O relato foi publicado no blog da empresa e reúne os resultados obtidos desde janeiro.
Em janeiro, a companhia decidiu partir de um crescimento quase totalmente orgânico para operar cinco canais pagos em apenas seis meses.
Por que a empresa precisou de um agente
Nos três primeiros anos, o pipeline de vendas da LangChain cresceu de forma orgânica. O avanço veio de open source, conteúdo, YouTube, comunidade e meetups.
Em janeiro, a empresa quis acelerar o programa de anúncios para alcançar públicos que não chegavam por esses canais, como novas regiões e decisores de empresas.
O problema é que cada plataforma de anúncio tem seu próprio esquema de dados. Isso dificulta reconciliar desempenho entre canais.
Os parâmetros de campanha também não mapeiam de forma limpa para os resultados que importam, como pedidos de venda, cadastros ou downloads de conteúdo.
Com o ritmo de lançamento de produtos acelerando, acompanhar o que estava no ar, o que funcionava e o que testar em seguida ficou inviável na mão.
O que o agente faz
Descrito como um agente de longa duração, o Paid Media Agent combina, toda segunda-feira, dados das plataformas de anúncio com informações de leads e pipeline vindas do warehouse da empresa.
Ele publica um resumo e um PDF com a identidade visual da marca para cada plataforma. Explica o que mudou, por quê e qual o próximo passo sugerido ao time.
Os profissionais podem marcar o agente em uma thread para tirar dúvidas sobre campanhas, custos ou pipeline.
Ele também propõe novas palavras-chave, mudanças de segmentação, textos de anúncio e novas campanhas de busca com base no playbook e no julgamento codificado pela equipe.
Modelo para julgamento, código para consistência
O princípio central de projeto foi tratar o agente como um trabalhador do conhecimento. A lógica é a mesma de um agente de programação que lê arquivos, transforma informação e escreve resultados usando um shell.
Na prática, a LangChain diz ter tratado o agente como um novo analista de mídia paga. Deu a ele um computador, o software necessário para o trabalho, acesso aos dados e documentação sobre como o negócio funciona.
O workspace tem sandbox, contexto de negócio e instruções operacionais claras. O system prompt virou um mapa que ajuda o agente a encontrar o que precisa sem carregar tudo no contexto.
Cálculos, regras de fonte única de verdade e salvaguardas ficaram no código. O modelo fica livre para interpretar resultados e recomendar o próximo passo.
Isso tornou o sistema mais rápido, barato e confiável.
O agente também foi desenhado em torno do fluxo completo: encontrar as ferramentas certas, operar dentro de permissões definidas e ir da análise à ação.
Ele propõe mudanças de campanha, encaminha as propostas para aprovação humana e verifica se foram aplicadas corretamente.
Os resultados relatados
Mídia paga saiu de zero para 20% do pipeline de marketing em seis meses.
O custo por lead qualificado caiu 30% entre junho e agosto, mesmo com o gasto mensal subindo cerca de 60% no período.
No LinkedIn, maior canal social da empresa, o CPL ficou 40% abaixo do registrado em janeiro.
Ao trazer análise e relatórios para dentro de casa em vez de depender de uma agência, a companhia afirma ter economizado cerca de US$ 5 mil por mês.
O próprio agente também foi otimizado. Ao mover cálculos para código e eliminar chamadas desnecessárias ao modelo, um fluxo inicial de relatórios ficou cerca de 40 vezes mais barato e 13 vezes mais rápido.
O tempo de execução caiu de 18 minutos para 85 segundos.
Código aberto e implicações
A LangChain abriu o código do agente no GitHub, para que outras equipes usem o projeto como ponto de partida.
A empresa planeja um webinar da série GTM Engineering Live em que vai demonstrar o agente e explicar as decisões de arquitetura.
Para quem constrói sistemas semelhantes, as lições destacadas são diretas: entregar ao agente um ambiente de trabalho bem projetado, manter no código tudo o que exige consistência e desenhar o agente pensando no fluxo inteiro.
Isso inclui a aprovação humana das mudanças antes de elas irem ao ar.
A proposta é que o sistema funcione como um ciclo contínuo de aprendizado: analisar desempenho, fazer uma alteração, observar o resultado, registrar o que aprendeu e aplicar isso nas campanhas seguintes.
Fontes e links
- LangChain
- Repositório do Paid Media Agent no GitHub
- GTM Engineering Live: How We Built Our Paid Media Agent
- Documentação sobre deep agents
