Crie um agente de IA pronto para produção com o watsonx Orchestrate

O Agent Development Lifecycle (ADLC) oferece um framework estruturado para projetar, desenvolver, implementar e melhorar continuamente os agentes de IA em ambientes corporativos.

Os agentes de IA são sistemas probabilísticos e baseados em dados cujo comportamento evolui com base nos dados, no uso e no contexto. Consequentemente, eles devem ser gerenciados como sistemas contínuos em vez de implementações únicas.

O ciclo de vida segue uma sequência iterativa,

Planejar → Construir → Testar → Implementar → Monitorar → Operar

Cada fase garante que o agente permaneça confiável, escalável, observável e adaptável para mudar os requisitos.

Nesta implementação, o foco está na fase de construção do ADLC.

A fase de construção concentra-se na transformação do caso de uso empresarial planejado em um agente de IA funcional e pronto para produção utilizando o IBM watsonx Orchestrate.

Primeiro, o agente é criado com uma função operacional claramente definida e um objetivo de negócios alinhado ao caso de uso da empresa. As fontes de conhecimento corporativo são então conectadas ao agente para possibilitar o raciocínio fundamentado utilizando conjuntos de dados operacionais, como orders, inventário e regras de negócio.

Um fluxo de trabalho agêntico é configurado como a camada de orquestração para suportar o raciocínio em várias etapas, a análise operacional e a geração de recomendações. O fluxo de trabalho processa a entrada do usuário, analisa pedidos atrasados e condições de inventário, aplica regras de negócio operacionais e gera recomendações explicáveis.

O comportamento do agente é definido por meio de prompts empresariais estruturados que orientam como o agente interpreta consultas operacionais, invoca fluxo de trabalho, aplica lógica de negócios e gera respostas fundamentadas.

O fluxo de trabalho estabelece um pipeline operacional completo de execução que cobre

Entrada do usuário → Análise de pedidos → Análise de estoque → Avaliação de regras de negócios → Geração de recomendações → Saída

Então a solução é validada utilizando cenários operacionais representativos para garantir que o agente produza saídas precisas, explicáveis e estruturadas, alinhadas com os requisitos operacionais da empresa.

O agente de IA foi projetado para apoiar equipes de operações de comércio eletrônico, analisando dados de pedidos e inventário para identificar atrasos, determinar as causas raiz e recomendar ações corretivas.

Um agente de IA é um sistema capaz de entender a entrada do usuário, recuperar dados relevantes, aplicar raciocínio e gerar resultados praticáveis. Em ambientes corporativos, os agentes operam dentro de fluxos de trabalho estruturados e interagem com sistemas de negócios para apresentar insights consistentes e explicáveis.

As equipes de operações normalmente enfrentam desafios como entregas atrasadas, falta de estoque e visibilidade limitada sobre as causas raiz. Esses desafios geralmente exigem uma investigação manual em vários sistemas, resultando em ineficiências e atrasos na tomada de decisões.

Quando um usuário envia uma consulta como "Por que os pedidos do iPhone 14 estão atrasados?"

O agente executa a seguinte sequência:

• Interpreta a consulta para identificar o produto e a intenção.
• Recupera dados de pedidos para analisar padrões de atraso. 
• Recupera dados de inventário para avaliar a disponibilidade de estoque.
• Aplica regras de negócio para determinar a causa raiz. 
• Gera uma resposta estruturada contendo insights e ações recomendadas.

O agente segue um fluxo de execução estruturado:

Consulta do usuário → Compreensão da intenção → Invocação da ferramenta → Repositório de conhecimento do Astra DB → Recuperação semântica → Avaliação de regras de negócio → Geração de recomendações → Resposta estruturada → Saída final

Por que essa abordagem é importante?

Essa abordagem combina dados corporativos, regras de negócio e raciocínio estruturado para produzir saídas confiáveis e explicáveis. Fundamentando as respostas em dados reais e impor um fluxo de trabalho consistente, o agente garante a precisão e minimiza conclusões sem embasamento. As saídas estruturadas permitem avaliação, monitoramento e integração com sistemas posteriores.

Isso torna a solução adequada para ambientes empresariais onde consistência, rastreabilidade e confiabilidade são essenciais.

Essa implementação oferece um agente de IA pronto para produção que

• Recupera e analisa dados corporativos utilizando ferramentas integradas.
• Aplica raciocínio baseado em regras para identificar problemas operacionais. 
• Gera saídas estruturadas para consumo posterior. 
• Oferece suporte às fases do ciclo de vida como testes, implementação, monitoramento e otimização. 

Ao concluir essa implementação, você poderá

• Crie um agente de IA no watsonx Orchestrate 
• Integrar dados corporativos com o Astra DB
• Definir um comportamento estruturado utilizando prompts 
• Implementar um fluxo de trabalho de raciocínio 
• Gerar produções consistentes e estruturadas.

• Acesso ao IBM watsonx Orchestrate 
  
• Acesso ao Astra DB
• Conhecimento básico de agentes de IA e grandes modelos de linguagem 
• Conjuntos de dados de amostra apresentados neste tutorial

Etapa 1: Prepare os dados de amostra

Conjuntos de dados estruturados (pedidos e inventário) são criados para simular sistemas empresariais. Esses conjuntos de dados possibilitam que o agente recupere e analise valores reais, como atrasos, níveis de estoque e distribuição no armazém. As regras de negócio definem como o agente interpreta esses dados para identificar as causas raiz. 

orders_data.csv 
order_id,product,order_date,delivery_date,status,delay_days,warehouse 
1001,iPhone 14,2026-04-01,2026-04-05,delayed,4,WH1 
1002,iPhone 14,2026-04-02,2026-04- 06,atrasado,4,WH1 
1003,iPhone 14,2026-04-03,2026-04-07,atrasado,4,WH2 
1004,iPhone 14,2026-04-04,2026-04-08,atrasado,4, WH2 
1005,Samsung S23,2026-04-01,2026-04-03,entregue,0,WH1 
1006,Samsung S23,2026-04-02,2026-04-04,entregue,0,WH2 
1007,Pixel 8, 2026-04-01,2026-04-06,atrasado,5,WH3 
1008,Pixel 8,2026-04-02,2026-04-07,atrasado,5,WH3 
1009,Pixel 8,2026-04-03, 2026-04-05,delivered,0,WH3 
1010,OnePlus 12,2026-04-01,2026-04-02,delivered,0,WH1 
1011,OnePlus 12,2026-04-02,2026-04-06, atrasado,4,WH2 
1012,OnePlus 12,2026-04-03,2026-04-07,atrasado,4,WH2

inventory_data.csv 
product,stock,warehouse,reorder_level 
iPhone 14,0,WH1,20 
iPhone 14,0,WH2,20 
Samsung S23,50,WH1,15 
Samsung S23,40,WH2,15 
Pixel 8,10,WH3,25 
OnePlus 12,5,WH2,15

business_rules.txt html
Se stock = 0 → problema de falta de estoque
Se delay_days > 3 → problema logístico
Se houver vários pedidos atrasados (>2) → problema na cadeia de suprimentos
Se stock < reorder_level → reposição necessária
Se houver atrasos em vários armazéns → problema sistêmico

Estes conjuntos de dados de amostra atuam como uma representação simplificada dos sistemas operacionais corporativos. Nessa implementação, as informações de ordem estruturada, inventário e regra de negócio são transformadas em documentos de conhecimento em linguagem natural e armazenadas no Astra DB. Esse repositório de vetores externo permite a recuperação semântica e apresenta uma arquitetura de geração aumentada de recuperação (RAG) mais realista em comparação com as abordagens baseadas em arquivos estáticos. 

Passo 2: Crie o agente

Navegue até Construir → Agentes e selecione Criar agente. 

Um agente é criado no watsonx Orchestrate com nome e descrição definidos. Isso estabelece o propósito do agente como um consultor de pedidos e inventário responsável por analisar dados e dar recomendações.

Nome: Order and Inventory Advisor 

Descrição: agente de IA que analisa dados de pedidos e inventário para identificar atrasos, determinar causas raiz e recomendar ações corretivas.

Etapa 3: Adicione conhecimento da empresa utilizando o banco de dados Astra

Navegue até Knowledge → Adicionar código-fonte e selecione Astra DB como repositório de conhecimento corporativo. 

Em vez de depender de arquivos estáticos durante o tempo de execução, o agente de IA utiliza o Astra DB como um banco de dados vetorial externo para armazenar e recuperar conhecimento operacional.

Os conjuntos de dados operacionais preparados anteriormente, incluindo pedidos, registros de inventário e regras de negócio, são transformados em documentos de conhecimento em linguagem natural e carregados em uma coleção habilitada para vetores no Astra DB. Esses documentos representam coletivamente o conhecimento operacional exigido pelo agente de IA para compreender atrasos de pedidos, escassez de inventário, distribuição de armazéns e políticas de negócios.

São exemplos de conhecimento armazenado no repositório informações de pedidos atrasados, disponibilidade de estoque, condições de armazéns, interrupções logísticas e regras operacionais. Esse repositório atua como a memória corporativa para o agente de IA.

É criada uma coleção habilitada por vetores no Astra DB e são geradas incorporações de documentos para apoiar a busca semântica. Durante o tempo de execução, o IBM watsonx Orchestrate consulta o Astra DB para recuperar os registros operacionais mais relevantes com base na solicitação do usuário. As informações recuperadas são então utilizadas pelo agente para realizar raciocínios fundamentados e gerar recomendações explicáveis.

O repositório contém informações relacionadas a

• Registros de entrega de pedidos e informações sobre atrasos.
• Disponibilidade de estoque e limites de repedido.
• Distribuição de armazéns e condições de estoque.
• Eventos de logística e interrupções operacionais.
• Regras de negócio que regem os processos de reabastecimento e escalonamento.

Depois que os documentos de conhecimento são carregados no Astra DB, o repositório é conectado ao IBM watsonx Orchestrate e configurado como a fonte de conhecimento empresarial para o Order and Inventory Advisor.

O repositório suporta modos de pesquisa por palavras-chave, vetoriais e híbridos, permitindo recuperação eficiente de informações corporativas estruturadas e não estruturadas. Esse recurso possibilita que o agente recupere o conhecimento operacional relevante e gere respostas com base apenas em dados empresariais fundamentados.

Instruções detalhadas para configurar a conexão do Astra DB, autenticação, seleção de espaço de chave, modos de embedding, modos de pesquisa e mapeamentos de campo estão disponíveis na documentação da IBM:

Conexão a um repositório de conteúdo do Astra DB: https://www.ibm.com/docs/en/watsonx/watson-orchestrate/base?topic=agents-connecting-astra-db-content-repository

São configurados um nome de conhecimento descritivo e uma descrição do repositório para apresentar contexto adicional ao agente de IA.

Nome do conhecimento:

Pedido e inventário do repositório Astra

Descrição:

Repositório de conhecimento da empresa contendo registros de pedidos, informações de inventário, detalhes de distribuição em armazéns, informações de logística e regras de negócios regras de negócio utilizadas pelo Order and Inventory Advisor. O repositório permite recuperação semântica e recomendações operacionais fundamentadas.

O agente de IA utiliza a recuperação seletiva desse conhecimento empresarial fundamentado para identificar pedidos atrasados, detectar escassez de estoque, analisar riscos de armazéns e avaliar regras de negócios operacionais. As recomendações são geradas somente a partir do conhecimento recuperado, garantindo que as respostas permaneçam explicáveis e alinhadas aos requisitos de governança corporativa.

Essa camada de base melhora a precisão da resposta, a confiabilidade operacional e a explicabilidade, garantindo que todos os insights gerados sejam derivados exclusivamente do conhecimento corporativo, não de suposições sem embasamento.

Utilizando o Astra DB como um repositório de vetores externo, a solução segue uma arquitetura de geração aumentada de recuperação (RAG) e demonstra como o IBM watsonx Orchestrate pode integrar-se a repositórios de conhecimento corporativos para oferecer inteligência operacional escalável, explicável e pronta para produção.

Etapa 4: Adicionar conjunto de ferramentas 

Navegue até Conjunto de ferramentas → Adicionar ferramenta dentro da tela de configuração do agente e selecione Fluxo de trabalho agêntico como a ferramenta operacional empresarial.

O fluxo de trabalho agêntico atua como mecanismo de orquestração responsável por lidar com a interação do usuário, o raciocínio operacional, a análise de conhecimento corporativo e a geração de recomendações. Esse fluxo de trabalho possibilita que o agente de IA realize um raciocínio em várias etapas sobre pedidos atrasados, escassez de inventário, riscos em armazéns e avaliação de regras de negócio.

Configure o fluxo de trabalho com os seguintes detalhes: 

Nome: Fluxo de trabalho de análise de atraso de pedidos

Descrição: fluxo de trabalho para analisar pedidos atrasados, escassez de inventário, riscos logísticos e regras de negócio operacionais utilizando conhecimento empresarial fundamentado. 

Uma vez adicionado, o fluxo de trabalho fica disponível dentro do conjunto de ferramentas do agente e pode ser invocado automaticamente durante conversas com usuários. O agente utiliza esse fluxo de trabalho para processar consultas operacionais, obter insights fundamentados, aplicar regras de negócio e gerar recomendações explicáveis.

Etapa 4.1: Configure as atividades de fluxo de trabalho 

Dentro do fluxo de trabalho agêntico, configure um pipeline de raciocínio operacional em vários estágios utilizando atividades de prompt generativas e estágios de interação do usuário. 

O fluxo de trabalho começa com um estágio de coleta de entrada do usuário, onde o usuário apresenta uma consulta operacional relacionada ao produto, como, 

Por que os pedidos do iPhone 14 estão atrasados?

O primeiro estágio, Inserir Consulta do Produto, coleta a consulta operacional do usuário. Essa entrada é então passada para o pipeline de raciocínio de IA para análise empresarial. 

A segunda etapa, Analisar atrasos de pedidos, avalia pedidos atrasados, prazos de entrega, padrões de distribuição de armazéns e riscos relacionados à logística. Essa etapa ajuda a identificar gargalos operacionais e comportamentos de remessa atrasados.

A terceira etapa, Analisar o inventário, avalia a disponibilidade do inventário, os níveis de estoque, os limites de reordenação e as condições de reabastecimento. Essa etapa ajuda a detectar escassez de estoque e riscos operacionais relacionados ao inventário. 

O quarto estágio, Aplicar regras de negócio, aplica regras operacionais empresariais predefinidas aos dados de pedidos e inventário analisados. O fluxo de trabalho avalia condições como problemas de falta de estoque, atrasos logísticos, necessidades de reabastecimento e problemas sistêmicos da cadeia de suprimentos.

A quinta etapa, Gerar recomendação, gera recomendações operacionais explicáveis, ações corretivas, sugestões de monitoramento e saídas estruturadas do negócio com base nas causas raiz identificadas. 

O estágio final, Saída, exibe a análise operacional e as recomendações geradas de volta ao usuário.

A tela de fluxo de trabalho carregada demonstra o pipeline de orquestração empresarial completo implementado no IBM watsonx Orchestrate. 

Esse design de fluxo de trabalho possibilita o raciocínio de IA em várias etapas, análise empresarial fundamentada, recomendações explicáveis, orquestração modular e inteligência operacional pronta para produção com o watsonx Orchestrate.

Etapa 5: Configure o comportamento do agente

Navegue até a seção Comportamento do agente de IA e defina as instruções de comportamento operacional empresarial. Essa configuração controla a forma como o agente de IA raciocina, recupera o conhecimento corporativo, invoca o fluxo de trabalho conectado e gera recomendações operacionais.

Adicione o seguinte prompt de comportamento:

Você é um assistente de IA de operações empresariais especializado em gerenciamento de pedidos, análise de inventário, monitoramento logístico e otimização da cadeia de suprimentos.

### Responsabilidades

• Analisar pedidos atrasados
• Detectar escassez de estoque
• Identificar problemas de armazenamento
• Aplicar operational regras de negócio
• Gerar recomendações fundamentadas

### Instruções

• Utilize sempre o fluxo de trabalho conectado e os arquivos de conhecimento corporativo enviados.
• Não alucine nem faça suposições além dos dados disponíveis.
• Baseie todas as descobertas e recomendações nos dados apresentados.
• Apresente saídas explicáveis e estruturadas.

### Tratamento de erros

Se não for encontrado nenhum produto, pedido, item de inventário nem registro de warehouse correspondente: 

Status: nenhum dado disponível

Mensagem: não foi encontrado nenhum registro correspondente nos dados disponíveis.

Recomendação: Verifique os critérios de pesquisa e tente novamente.

### Formato de resposta

Para uma análise bem-sucedida, utilize a seguinte estrutura:

Status: sucesso

Resumo:

<breve descrição>

 Principais descobertas:

• Descoberta 1
• Descoberta 2

Recomendações:

• Recomendação 1
• Recomendação 2

A camada de comportamento atua como a política de raciocínio corporativo que orienta como o agente de IA interpreta consultas operacionais e gera respostas no watsonx Orchestrate.

Etapa 5: Teste o Agente

Após configurar o conhecimento corporativo, as instruções de comportamento e o fluxo de trabalho agêntico, o agente de IA é validado utilizando a interface Fale com o agente no IBM watsonx Orchestrate. Os usuários podem enviar consultas operacionais como:

"Por que os pedidos do iPhone 14 estão atrasados?"

O agente recupera o conhecimento operacional relevante do repositório Astra DB conectado, executa o fluxo de trabalho configurado, analisa informações de pedidos e inventário, aplica regras de negócio, identifica faltas de inventário e problemas logísticos e gera recomendações fundamentadas com raciocínio explicável. A interface de teste também possibilita que os desenvolvedores monitorem a execução do fluxo de trabalho, validem a precisão da resposta e avaliem a prontidão de produção antes da implementação.

**Análise da causa raiz dos pedidos atrasados do iPhone 14**

Status: sucesso 

Resumo: Quatro pedidos de iPhone 14 (IDs 1001-1004) encontram-se com atraso de quatro dias. Os atrasos são atribuídos à indisponibilidade de estoque nos principais centros de atendimento de pedidos WH1 e WH2.

Principais descobertas:

• Todos os pedidos atrasados do iPhone 14 são atribuídos aos armazéns WH1 ou WH2.
• A causa raiz é o inventário insuficiente de unidades do iPhone 14 nesses armazéns, levando a um atraso de quatro dias para cada pedido.

Recomendações:

• Realoque o estoque do iPhone 14 de outros armazéns (por exemplo, WH3) para WH1 e WH2 para reabastecer o estoque.
• Agilize os envios de entrada do iPhone 14 para WH1 e WH2 para evitar mais atrasos.
• Implemente um alerta de estoque baixo para o iPhone 14 em cada depósito para acionar o reabastecimento proativo antes que ocorra a falta de estoque.

Neste tutorial, desenvolvemos um agente de IA pronto para produção utilizando o watsonx Orchestrate e o Astra DB. A solução combina bases de conhecimento corporativo, execução de fluxo de trabalho agêntico, raciocínio de regras de negócios operacionais e geração de recomendações explicáveis para analisar pedidos atrasados, escassez de inventário e gargalos na cadeia de suprimentos.

A solução demonstra como os sistemas de IA empresarial podem apoiar a tomada de decisões operacionais por meio de raciocínio explicável, design de fluxo de trabalho modular e princípios de arquitetura prontos para produção.

O agente de IA também se alinha ao ciclo de vida de desenvolvimento de agentes (ADLC), oferecendo suporte às fases do ciclo de vida da IA empresarial, incluindo testes, implementação, monitoramento e otimização contínua do fluxo de trabalho.

As melhorias a seguir podem ser implementadas para ampliar ainda mais a solução de IA empresarial.

• Avalie o desempenho dos agentes de IA.
• Implemente o fluxo de trabalho em ambientes corporativos.
• Monitore e otimize constantemente o desempenho do fluxo de trabalho. 
• Integre conjuntos de dados operacionais externos da empresa.

A fase de planejamento define o objetivo operacional da empresa, enquanto a fase de construção possibilita a execução de fluxos de trabalho inteligentes utilizando a fundamentação do conhecimento corporativo, raciocínio de regras de negócios e análise operacional explicável. Essa implementação demonstra como o IBM watsonx Orchestrate pode ser usado para criar agentes de IA corporativos prontos para produção e capazes de apresentar soluções escaláveis, explicáveis e operacionalmente confiáveis.