Explicação
O que é um agent harness e por que o suporte no WhatsApp precisa de um
A maior parte da IA em mensagens com clientes é uma pergunta, uma resposta. Um agent harness transforma um modelo de linguagem em algo capaz de conduzir um caso: planejar, usar ferramentas, verificar o próprio trabalho e lembrar. Veja o que isso significa, quais harnesses existem hoje e como executar um na MonoChat agora.
Ou comece com US$ 150 de crédito, o suficiente para um primeiro mês de Growth
Publicado em:
No último ano, a conversa sobre IA passou discretamente dos modelos para o que os cerca. O mesmo modelo pode ser um chatbot que responde a uma mensagem ou um agente que resolve um problema de entrega em três sistemas e dois dias. A diferença não está no modelo. Está no harness.
Este artigo explica a ideia em termos simples, compara os harnesses que você pode usar hoje e mostra como a MonoChat agora permite que as empresas executem um no WhatsApp, no Instagram, no chat web e em todos os outros canais da caixa de entrada.
O que é um agent harness?
Um agent harness é a camada de software que envolve um modelo de linguagem de grande porte e permite que ele aja, e não apenas responda. O modelo raciocina e decide o que fazer em seguida. O harness executa essa decisão, devolve o resultado ao modelo e repete até o trabalho terminar. Em resumo: agente = modelo + harness.
O termo se popularizou quando as equipes perceberam que agentes de programação como o Claude Code e o Codex devem boa parte da sua confiabilidade a essa camada ao redor, e não apenas ao modelo. Anthropic, OpenAI, Google e Microsoft agora lançam os seus harnesses como produtos sobre os quais os desenvolvedores podem construir.
Do que um harness é feito
- O ciclo: Raciocinar, agir, observar, repetir. O harness continua até a tarefa terminar ou até precisar de uma pessoa.
- Ferramentas: Funções que o modelo pode chamar: consultar um pedido, buscar uma reserva, emitir um reembolso, pesquisar em uma base de conhecimento. Muitas vezes conectadas por MCP.
- Memória e estado: O que aconteceu antes neste caso, o que o cliente prefere e o que já foi tentado, mantidos entre mensagens e sessões.
- Gestão de contexto: Decidir o que o modelo vê a cada etapa e resumir (compactar) históricos longos para que as partes importantes continuem visíveis.
- Proteções e aprovações: Permissões, políticas e pontos de verificação humanos para ações que custam dinheiro ou não podem ser desfeitas.
- Sandbox e arquivos: Um workspace isolado em que o agente pode executar código, preparar um documento ou calcular um orçamento sem tocar nos sistemas em produção.
- Rastreamento e avaliação: Um registro de cada etapa e chamada de ferramenta, para que as equipes vejam por que o agente fez o que fez e o meçam ao longo de muitas execuções.
Inferência vs harness: qual é a diferença?
Inferência é uma única chamada a um modelo: você envia um prompt, o modelo devolve texto e a troca termina. É rápida, barata e previsível, e é exatamente o ideal para muitas tarefas, como classificar uma mensagem, redigir uma resposta ou resumir uma conversa.
Um harness executa muitas chamadas de inferência em um ciclo e acrescenta tudo ao redor delas: ferramentas, memória, verificações e limites. É mais lento e usa mais tokens por tarefa, mas consegue concluir trabalhos que exigem várias etapas, dados externos ou uma decisão no meio do caminho.
| Inferência de IA | Agent harness | |
|---|---|---|
| O que é | Uma requisição a um modelo, uma resposta | Um ciclo em torno do modelo que planeja, age e verifica |
| Etapas por tarefa | Uma | Quantas a tarefa precisar, dentro dos limites que você definir |
| Ferramentas e sistemas | Opcional, geralmente uma única chamada de função | Muitas ferramentas, chamadas e encadeadas conforme o caso exigir |
| Memória | Apenas o que está no prompt | Histórico do caso e estado mantidos entre etapas e sessões |
| Quando algo falha | Devolve o que produziu | Percebe o erro, tenta de novo ou chama uma pessoa |
| Ideal para | Classificar, redigir, resumir, respostas simples | Resolver casos, solicitações de várias etapas, acompanhamentos ao longo de dias |
| Custo e velocidade | Menor custo, quase instantâneo | Maior uso de tokens, de segundos a minutos por tarefa |
Na prática, boas equipes usam os dois: inferência para etapas rápidas e bem definidas e um harness onde o trabalho realmente exige várias etapas.
O que um harness muda no atendimento ao cliente pelo WhatsApp
É nas mensagens com clientes que a diferença entre responder e resolver mais aparece. O cliente escreve "meu pedido não chegou" e espera que o problema seja resolvido, não explicado.
Os casos são resolvidos, não apenas respondidos
O agente pode consultar o pedido, verificar a transportadora, ver que o pacote está parado, abrir uma reclamação e oferecer a reposição na mesma conversa.
Ele verifica antes de prometer
Estoque, preços, horários disponíveis e políticas são verificados nos seus sistemas no momento da resposta, em vez de adivinhados a partir dos dados de treinamento.
Ele lembra do caso
Se o cliente voltar amanhã, o agente sabe o que já foi tentado e o que foi prometido, mesmo depois de a janela de 24 horas do WhatsApp ter fechado.
Ele acompanha ao longo do tempo
Tarefas de longa duração, como esperar a compensação de um reembolso ou a chegada de uma peça, podem continuar e avisar o cliente quando algo mudar, usando modelos aprovados onde o WhatsApp exigir.
As pessoas continuam no controle
Reembolsos acima de um limite, cancelamentos ou qualquer coisa sensível esperam a aprovação de um membro da equipe, e a transferência para uma pessoa mantém o histórico completo.
Cada etapa é visível
As chamadas de ferramentas e as decisões são registradas, para que os supervisores revisem por que o agente agiu e melhorem as instruções.
Um exemplo: uma devolução no WhatsApp
- O cliente envia a foto de um item danificado e pede a devolução.
- O agente encontra o pedido, verifica se está dentro do prazo de devolução e lê a foto.
- Ele cria a devolução no seu sistema de e-commerce e agenda a coleta por uma transportadora para o dia seguinte.
- O reembolso está acima do limite automático, então ele pede a um membro da equipe que o aprove dentro da caixa de entrada.
- Após a aprovação, confirma ao cliente e, dois dias depois, quando a transportadora escaneia o pacote, envia a confirmação do reembolso.
Só com inferência, isso é um chatbot que explica a política de devolução. Com um harness, é a devolução feita.
Os agent harnesses que você pode usar hoje
Várias empresas e projetos de código aberto já oferecem um harness sobre o qual você pode construir. Eles diferem em quem os hospeda, quais modelos executam e quanto vem incluído de fábrica.
| Harness | Por | Hospedagem e licença | Modelos | Destaques |
|---|---|---|---|---|
| Claude Agent SDK | Anthropic | Biblioteca (Python, TypeScript) | Claude | O harness por trás do Claude Code: ferramentas, MCP, subagentes, skills, compactação de contexto, permissões |
| Claude Managed Agents | Anthropic | API hospedada (beta público desde abril de 2026) | Claude | A Anthropic executa o ciclo: execução em sandbox, sessões de longa duração, trabalho com vários agentes, rastreamento |
| OpenAI Agents SDK | OpenAI | Código aberto, MIT (Python primeiro) | Modelos da OpenAI, outros via adaptadores | Sandboxes de vários provedores, memória, MCP, skills, AGENTS.md, execuções retomáveis |
| Codex | OpenAI | CLI de código aberto (Apache 2.0) mais nuvem | Modelos da OpenAI | Harness de agente de programação com um SDK para executá-lo a partir dos seus próprios serviços |
| Agent Development Kit (ADK) | Código aberto, Apache 2.0 (Python, Java, Go, TypeScript) | Gemini por padrão, independente de modelo | Árvores de vários agentes, MCP, protocolo Agent2Agent (A2A), avaliação integrada | |
| Agent Framework | Microsoft | Código aberto, MIT (Python, .NET) | Azure OpenAI, OpenAI, Anthropic e outros | Harness estável desde julho de 2026: ciclo de ferramentas, histórico, compactação, skills, aprovações, OpenTelemetry |
| Deep Agents | LangChain | Código aberto, MIT | Independente de modelo | Planejamento, subagentes, sistema de arquivos e engenharia de contexto sobre o LangGraph |
| Pi | Earendil Works | Código aberto, MIT | Qualquer provedor, traga a sua própria chave | Núcleo deliberadamente mínimo (ler, gravar, editar, shell) estendido com skills compartilháveis |
| Mastra | Mastra | Código aberto (TypeScript) | Independente de modelo | Agentes com threads persistentes, aprovações de ferramentas e um studio local |
| OpenCode | OpenCode | Código aberto, MIT | Independente de modelo | Planeje e crie agentes, SDK, terminal e desktop |
Os detalhes mudam rápido; consulte a documentação de cada projeto para o estado atual. Nomes de produtos e logotipos pertencem aos seus donos.
Harnesses comparados neste artigo
E o Business Agent da própria Meta?
Em 2026, a Meta lançou o Meta Business Agent, o seu próprio agente de IA para WhatsApp, Instagram e Messenger. Na prática, é um harness que a Meta constrói e executa: ele responde com base no seu conteúdo, chama sistemas conectados e transfere para a sua equipe.
É uma boa opção para muitas pequenas empresas. Também é um sistema fechado: você não pode escolher o modelo, os dados das conversas ficam dentro da Meta, alguns setores, como finanças e saúde, ficam de fora e, desde agosto de 2026, a cobrança é por token, cerca de 4 a 5 centavos de dólar por mensagem, segundo a própria estimativa da Meta.
Como as abordagens se comparam
| Agente de IA integrado de uma plataforma de mensagens | Meta Business Agent | Agent Harness na MonoChat | |
|---|---|---|---|
| Escolher o modelo | Normalmente fixo ou uma lista curta | Não | Sim, qualquer modelo que você conectar |
| Traga o seu próprio harness | Não | Não | Sim: Claude Agent SDK, OpenAI Agents SDK, Pi, agentes hospedados da Claude e da OpenAI, ou o seu próprio (ADK, LangGraph e outros por meio de um endpoint personalizado) |
| Opção hospedada, sem código | Sim | Sim | Sim |
| Suas próprias ferramentas e APIs | Integrações limitadas | Conectores | Ferramentas de função de IA, MCP, base de conhecimento e funções personalizadas |
| Dentro dos seus fluxos e apps | Construtor de bots separado | Separado dos seus fluxos | Um nó de Agente de IA nos fluxos e uma API de execução de agentes, ao lado da inferência de IA |
| Transferência para a sua equipe | Sim | Sim, com controle de thread | Caixa de entrada da equipe com histórico completo e aprovações |
| Onde ficam os dados | Plataforma do fornecedor | Meta | MonoChat mais os provedores que você escolher |
Com base em informações públicas dos produtos em outubro de 2026. A maioria das plataformas de mensagens que analisamos oferece um agente de IA integrado; não encontramos nenhuma que permita à empresa executar um harness hospedado ou conectar o seu próprio harness dentro da mesma caixa de entrada e dos mesmos fluxos.
Agent harnesses na MonoChat, já disponíveis
A MonoChat já permite escolher seu modelo de linguagem e seu banco de dados vetorial: use os que oferecemos ou conecte os seus. Agora os harnesses funcionam da mesma forma.
Ao lado da inferência de IA que você usa hoje, a MonoChat agora tem o Harness de IA: uma definição de serviço que você adiciona uma vez e usa a partir do nó de Agente de IA em qualquer fluxo ou da API de execução de agentes. Coloque o nó em um fluxo e a conversa é entregue a um agente que pode planejar, usar suas ferramentas e passar para sua equipe.
- Use o harness integrado da MonoChat, sem código, com os modelos de IA que você já tem na MonoChat
- Ou escolha o Claude Agent SDK, o OpenAI Agents SDK ou o Pi, executados pela MonoChat com seus modelos de IA, sem nada extra para configurar
- Use um agente hospedado, a OpenAI Agents API ou o Claude Managed Agents, com a sua própria chave da OpenAI ou da Anthropic
- Ou conecte o seu próprio harness, criado com Google ADK, Microsoft Agent Framework, Deep Agents, LangGraph, CrewAI ou código próprio, com uma URL de endpoint e um segredo compartilhado
- Dê a ele as suas ferramentas: ferramentas de função de IA, servidores MCP, a base de conhecimento e funções personalizadas
- Execute-o em fluxos no WhatsApp, no Instagram, no Messenger, no Telegram, no TikTok, no chat web, no SMS e por voz
- Escolha um modelo principal, um de fallback e um rápido, defina um orçamento por execução e passe a conversa para sua equipe na caixa de entrada da equipe com todo o histórico
- Misture com inferência: etapas rápidas em uma única chamada, casos complexos no harness
Quando usar inferência e quando usar um harness
- Use inferência para tarefas de uma etapa: etiquetar, direcionar, traduzir, redigir uma resposta, resumir um chat.
- Use um harness quando a solicitação do cliente exigir várias etapas, dados dos seus sistemas ou uma decisão no meio do caminho.
- Comece pequeno: dê ao harness duas ou três ferramentas e uma regra de aprovação, meça e só depois amplie o que ele pode fazer.
Já disponível na MonoChat
O Agent Harness já está disponível na MonoChat. Crie uma conta gratuita, conecte seus canais, adicione um Harness de IA e coloque um nó de Agente de IA em um fluxo para pôr seu primeiro agente para trabalhar.
Execute um agent harness no WhatsApp
Fontes e leituras adicionais
- Databricks: What is an AI agent harness?
- Anthropic: Claude Agent SDK overview
- Anthropic: Claude Managed Agents overview
- OpenAI: The next evolution of the Agents SDK
- Google: Agent Development Kit
- Microsoft: Agent Framework documentation
- LangChain: Deep Agents
- WhatsApp Business: Introducing Meta Business Agent
- Meta: WhatsApp Business Platform pricing