O Glossário de Agentes de IA: 60 Termos de IA Explicados em Linguagem Simples (2026)

Hoje em dia, todas as páginas de produtos de IA parecem um teste de soletração: agêntico, MCP, RAG, janela de contexto, chamada de ferramentas, salvaguardas, orquestração. As ideias por trás das palavras são, na maioria, simples, mas ninguém as explica num só sítio, e é essa lacuna que faz com que tantas pessoas "usem IA" sem nunca lhe entregarem um trabalho a sério.

Este glossário de IA resolve isso. Cobre 60 termos que vai encontrar ao ler sobre agentes de IA, grandes modelos de linguagem e automação em 2026, agrupados por tema e explicados em linguagem simples com um exemplo concreto. Guarde-o nos favoritos, partilhe-o com a sua equipa, e use-o a par dos nossos guias sobre o que é a IA agêntica e como funcionam os subagentes de IA. Onde um termo for relevante para usar o Jobbit, dizemos isso mesmo.

Conceitos fundamentais: as palavras que todos usam

• Inteligência artificial (IA): software que realiza tarefas que normalmente exigem inteligência humana, como compreender linguagem, reconhecer imagens ou tomar decisões. Em 2026, o termo refere-se sobretudo a sistemas construídos sobre grandes modelos de linguagem.

• Aprendizagem automática (ML): a técnica de treinar software com exemplos em vez de escrever regras explícitas. Um filtro de spam aprende a partir de milhões de emails etiquetados; não lhe são dadas todas as regras à mão.

• Deep learning (aprendizagem profunda): aprendizagem automática que usa redes neuronais com muitas camadas. Foi o que tornou possíveis o reconhecimento de imagem, a fala e os modelos de linguagem modernos.

• IA generativa: IA que cria conteúdo novo, texto, imagens, código, áudio ou vídeo, a partir de um prompt. ChatGPT, Claude, Gemini e Midjourney são produtos de IA generativa.

• Modelo de linguagem de grande escala (LLM): uma rede neuronal treinada com quantidades enormes de texto que prevê o próximo token numa sequência e, ao fazê-lo, aprende a raciocinar, escrever e seguir instruções. GPT, Claude, Gemini, Llama, DeepSeek e Mistral são famílias de LLMs.

• Modelo de fundação: um modelo de grande escala treinado com dados abrangentes que pode ser adaptado a muitas tarefas. Os LLMs são modelos de fundação para linguagem; existem equivalentes para imagem e vídeo.

• Modelo multimodal: um modelo que compreende e produz mais do que um tipo de entrada, tipicamente texto, imagens, áudio e por vezes vídeo. Os modelos multimodais permitem que um agente leia uma captura de ecrã ou uma fatura digitalizada.

• Prompt: a instrução que dá a um modelo. Escrever bons prompts é uma competência; veja como escrever prompts para agentes de IA.

• Prompt de sistema: instruções ocultas definidas por quem constrói o produto que moldam o comportamento do modelo em cada conversa: o seu papel, tom, regras e ferramentas.

• Inferência: o ato de executar um modelo já treinado para produzir uma resposta. O treino acontece uma vez; a inferência acontece de cada vez que envia uma mensagem, e é isso que paga.

Como os modelos "pensam": tokens, contexto e raciocínio

• Token: a unidade que os modelos leem e escrevem, cerca de três quartos de uma palavra inglesa. Preços, limites e velocidade são todos medidos em tokens. "Um milhão de tokens" equivale a cerca de 750 mil palavras.

• Janela de contexto: a quantidade de texto que um modelo consegue considerar de uma vez, incluindo a sua conversa, documentos e a própria resposta do modelo. Janelas maiores permitem que um agente mantenha em mente uma base de código inteira ou um contrato de cem páginas.

• Engenharia de contexto: a arte de decidir o que entra na janela de contexto: que documentos, exemplos, resultados de ferramentas e memórias, para que o modelo tenha o que precisa e nada que o distraia. Substituiu em grande parte a "engenharia de prompt" como a competência importante na conceção de agentes.

• Modelo de raciocínio: um modelo treinado para "pensar" antes de responder, produzindo passos intermédios que melhoram a precisão em matemática, código e planeamento. Os modos de raciocínio custam mais tokens, mas tornam os agentes muito mais fiáveis.

• Cadeia de pensamento: o raciocínio passo a passo que um modelo escreve a caminho de uma resposta. Os modelos de raciocínio fazem isto nativamente; os modelos mais antigos podem ser levados a fazê-lo através do prompt.

• Temperatura: uma definição que controla a aleatoriedade. Uma temperatura baixa dá resultados consistentes e previsíveis; uma temperatura mais alta dá resultados mais variados e criativos.

• Alucinação: uma afirmação feita com confiança mas falsa por parte de um modelo, como uma citação inventada ou uma funcionalidade de produto inexistente. Os agentes reduzem a alucinação ao verificar fontes e testar resultados em vez de confiar numa única resposta.

• Fundamentação: ligar a resposta de um modelo a dados reais, documentos, resultados de pesquisa ou resultados de ferramentas, para que reporte o que está de facto lá em vez do que soa plausível.

• Fine-tuning: treinar ainda mais um modelo com os seus próprios exemplos para que adote um estilo, formato ou conhecimento de domínio. Útil para tarefas específicas; normalmente desnecessário para agentes, que obtêm o seu conhecimento a partir de ferramentas e contexto.

• Geração aumentada por recuperação (RAG): ir buscar documentos relevantes no momento da pergunta e colocá-los na janela de contexto para que o modelo responda a partir dos seus dados. É assim que funcionam os produtos de "conversar com os seus documentos".

• Embeddings: representações numéricas de texto que captam significado, de modo a que passagens semelhantes fiquem próximas entre si. Os embeddings alimentam a pesquisa semântica e o RAG.

• Base de dados vetorial: uma base de dados otimizada para armazenar e pesquisar embeddings. Pinecone, Weaviate, pgvector e Chroma são escolhas comuns.

• Data-limite de conhecimento: a data a partir da qual um modelo não tem dados de treino. Os agentes contornam isto pesquisando na web e lendo fontes atuais.

Agentes: o vocabulário da autonomia

• Agente de IA: software que usa um modelo mais ferramentas para concluir tarefas de forma autónoma: planeia, age, observa resultados e adapta-se. O tema da maior parte deste glossário.

• IA agêntica: a abordagem mais ampla de construir sistemas de IA orientados por objetivos e que usam ferramentas, muitas vezes com vários agentes a trabalhar em conjunto. Explicado na íntegra em o que é a IA agêntica?.

• Assistente de IA / copiloto: ajuda semelhante a um agente que permanece sob o seu controlo direto, sugerindo em vez de agir. O GitHub Copilot no editor é o exemplo clássico; o "modo agente" é onde um copiloto se torna um agente.

• Autonomia: quanto um agente faz sem perguntar. Os sistemas úteis ajustam a autonomia à reversibilidade da ação: redigir livremente, gastar só com aprovação.

• Uso de ferramentas / chamada de funções: o mecanismo pelo qual um modelo chama software: pesquisar na web, executar código, consultar uma base de dados, enviar um email. As ferramentas transformam um chatbot num agente.

• Model Context Protocol (MCP): uma norma aberta, introduzida pela Anthropic, para ligar modelos a ferramentas e fontes de dados de forma consistente. Pense nisto como uma ficha universal para agentes; o suporte espalhou-se pelas principais plataformas de IA ao longo de 2025 e 2026.

• Protocolo agente-a-agente (A2A): uma norma para que agentes de fornecedores diferentes se descubram e comuniquem entre si, proposta pela Google. Em conjunto com o MCP, aponta para agentes a colaborar entre empresas.

• Orquestração: coordenar vários passos, ferramentas ou agentes num único fluxo de trabalho: decidir o que corre, em que ordem, e o que acontece em caso de falha.

• Sistema multiagente: vários agentes com papéis diferentes a trabalhar num único objetivo, tipicamente um agente principal que planeia e delega, mais agentes especialistas que pesquisam, constroem ou verificam.

• Subagente: um agente criado por outro agente para tratar de uma parte de um trabalho em paralelo. O Jobbit usa subagentes para pesquisar muitas fontes ou construir e testar várias funcionalidades ao mesmo tempo; veja subagentes de IA explicados.

• Planeador: a parte de um agente que divide um objetivo em passos e revê o plano à medida que os resultados chegam.

• Memória: o que um agente retém para além de uma mensagem. A memória de curto prazo é o contexto atual; a memória de longo prazo guarda preferências, decisões passadas e factos sobre si, para que o agente melhore ao longo do tempo.

• Ciclo do agente: o ciclo repetitivo de planear, agir, observar, ajustar que corre até o objetivo ser atingido ou o agente precisar de uma decisão.

• Humano no ciclo: um desenho em que uma pessoa revê ou aprova certos passos, como enviar um email a um cliente ou fazer um pagamento.

• Utilização do computador / agente de navegador: um agente que opera software olhando para o ecrã e clicando e escrevendo como uma pessoa, o que lhe permite trabalhar com ferramentas que não têm API. Explicado em agentes de IA de utilização do computador.

• Pesquisa aprofundada: um fluxo de trabalho agêntico em que o agente lê dezenas de fontes, verifica cruzadamente as afirmações e produz um relatório com fontes citadas. Veja como fazer pesquisa aprofundada com IA.

• Automação de fluxos de trabalho: sequências de ações predefinidas e baseadas em regras entre aplicações, o território do Zapier, do Make e do n8n. Os agentes acrescentam julgamento aos fluxos de trabalho; comparamos os dois em Zapier vs Make vs n8n vs agentes de IA.

• Agente de IA multifuncional: um único agente que trata de muitos tipos de trabalho, pesquisa, escrita, construção de software, design, automação, a partir de um único chat, em vez de uma ferramenta separada para cada um. O Jobbit é construído desta forma.

Construir software com IA

• Vibe coding: construir software descrevendo o que quer em linguagem natural e deixando um agente de IA escrever, executar e corrigir o código, julgando o resultado pelo comportamento e não por ler cada linha. Guia completo: o que é o vibe coding?.

• Construtor de apps com IA: um produto que transforma uma descrição numa aplicação funcional, muitas vezes com alojamento incluído. Lovable, Bolt, v0, Replit e Jobbit são exemplos; comparados em as melhores ferramentas de vibe coding.

• Agente de programação: um agente que trabalha dentro de uma base de código: lendo ficheiros, escrevendo código, executando testes e corrigindo falhas. Claude Code, OpenAI Codex, o modo agente do Cursor e o Devin são agentes de programação.

• No-code / low-code: ferramentas visuais para construir software sem (ou com pouca) programação, como Bubble, Webflow, Airtable e Retool. A comparação com o vibe coding está em vibe coding vs no-code vs low-code.

• Sandbox: um ambiente isolado onde um agente pode executar código com segurança sem tocar nos seus sistemas reais. Essencial para qualquer agente que execute código.

• Publicação (deployment): colocar software em funcionamento num servidor para que as pessoas o possam usar. Os agentes que publicam por si, com alojamento incluído, eliminam o passo que trava a maioria de quem não programa.

• API (interface de programação de aplicações): a forma estruturada como um software comunica com outro. Os agentes usam APIs para ler e alterar dados noutros sistemas.

• Webhook: uma mensagem que um sistema envia a outro quando algo acontece ("nova encomenda feita"), normalmente usada para acionar automações.

• MVP (produto mínimo viável): a versão mais pequena de um produto que permite a utilizadores reais experimentá-lo. Os agentes reduziram os prazos de um MVP de meses para dias; veja como construir um SaaS com IA.

• Dívida técnica: atalhos no código que tornam alterações futuras mais lentas e arriscadas. O código gerado por IA acumula-a rapidamente se ninguém rever a estrutura, um dos riscos abordados em erros de vibe coding e segurança.

Segurança, qualidade e confiança

• Salvaguardas: regras e verificações que limitam o que um agente pode fazer ou dizer: ações bloqueadas, limites de gastos, filtros de conteúdo, aprovações obrigatórias.

• Injeção de prompt: um ataque em que o texto que o agente lê (uma página web, um email, um documento) contém instruções concebidas para o sequestrar. Os agentes robustos tratam tudo o que leem como dados, nunca como comandos.

• Alinhamento: o esforço amplo para fazer com que os modelos se comportem de acordo com as intenções e valores humanos, desde recusar pedidos prejudiciais até seguir instruções com fidelidade.

• Avaliação (evals): testes sistemáticos da qualidade de um modelo ou agente sobre um conjunto fixo de tarefas. As equipas sérias correm evals antes de confiar um fluxo de trabalho a um agente.

• Benchmark: uma avaliação pública usada para comparar modelos, como o SWE-bench para tarefas de engenharia de software. São sinais úteis, mas o desempenho real na sua tarefa importa mais.

• Observabilidade: registar o que um agente fez, que ferramentas chamou e porquê, para que possa auditar resultados e depurar falhas.

• Red teaming: atacar deliberadamente um modelo ou agente para encontrar fraquezas antes que outra pessoa o faça.

• Residência de dados e privacidade: onde os seus dados são armazenados e quem os pode ver. Verifique se um fornecedor de IA treina com os seus dados de entrada, e onde ficam os seus servidores, antes de carregar algo sensível.

Termos de negócio e preços

• Créditos: a moeda de utilização que muitas plataformas de agentes vendem em vez de tokens em bruto, pelo que um crédito pode cobrir uma mensagem, um passo de construção ou uma execução de pesquisa. Leia a conversão com atenção; explicamos isso em quanto custam os agentes de IA?.

• Limite de taxa: o teto de quantos pedidos ou tokens pode usar num período. Atingi-lo a meio de uma tarefa é a razão mais comum para uma execução de agente parar.

• Latência: quanto tempo demora uma resposta. Os agentes trocam latência por profundidade: uma pesquisa de dois minutos vale mais do que um palpite de dois segundos.

• Preço por utilizador vs por utilização: pagar por utilizador por mês versus pagar pelo que consome. Os produtos de agentes cada vez mais misturam os dois modelos.

• ROI da automação: o retorno de uma automação, normalmente medido em horas poupadas, tempos de resposta mais rápidos ou receita influenciada, face ao custo da ferramenta e ao tempo de a configurar.

• Trabalhador digital / funcionário de IA: linguagem de marketing para um agente de nível 4 que é dono de uma função e não apenas de uma tarefa. Trate a expressão com o mesmo ceticismo que aplicaria a um CV.

Perguntas frequentes

Qual é a diferença entre um agente de IA e um LLM?

Um LLM é o modelo que lê e escreve texto. Um agente de IA é um sistema construído à volta de um modelo que acrescenta planeamento, ferramentas, memória e um ciclo de feedback, para que consiga concluir tarefas em vez de apenas responder a perguntas. O LLM é o motor; o agente é o carro.

O que significa MCP em IA?

MCP significa Model Context Protocol, uma norma aberta para ligar modelos de IA a ferramentas e fontes de dados de forma consistente. Em vez de cada produto construir integrações personalizadas, as ferramentas expõem um servidor MCP e qualquer agente compatível pode usá-las.

O que é uma janela de contexto e porque importa?

A janela de contexto é a quantidade de texto que um modelo consegue considerar de uma vez, medida em tokens. Importa porque tudo o que o agente sabe sobre o trabalho atual, as suas instruções, os documentos, os resultados das ferramentas, tem de caber lá dentro. Janelas maiores permitem que os agentes lidem com bases de código maiores e documentos mais longos.

Qual é a diferença entre RAG e fine-tuning?

O RAG vai buscar documentos relevantes no momento da pergunta e entrega-os ao modelo, para que responda a partir de dados atuais sem retreino. O fine-tuning altera o próprio modelo ao treiná-lo com exemplos, o que serve bem para estilos ou formatos fixos. Para a maioria das empresas, o RAG mais boas ferramentas é suficiente, e os agentes tornam ambos menos necessários ao simplesmente lerem a fonte.

O que é o vibe coding numa frase?

Vibe coding é construir software descrevendo o que quer e deixando um agente de IA escrever, executar e corrigir o código, para que julgue o resultado pelo comportamento da app em vez de ler cada linha.

Agora que o vocabulário faz sentido, ponha-o em prática: comece grátis no Jobbit e entregue a um agente um trabalho que valha a pena fazer.