Aplicações agênticas: como grandes empresas estão realmente implementando agentes de IA

Autoria: Cole Medin · Assistir no YouTube

Vídeo de autoria do canal indicado, não da IANIA; todos os direitos pertencem ao criador. Transcrição, resumo e tradução gerados automaticamente; o conteúdo no idioma original é preservado na versão em idioma original.

Idioma original: inglês

Vídeo original: Agentic Apps: How Big Companies Are Actually Deploying AI Agents · Canal: Cole Medin · 12:23 · Assistir no YouTube

Tópicos: Agentes de IA, Automação de tarefas e workflows, Segurança de IA

Resumo

Cole Medin explica por que empresas devem projetar aplicações agênticas em torno de resultados de negócio, em vez de transformar um agente na automação inteira. Com Oracle AI Agent Studio, demonstra uma aplicação para apoiar o trabalho de gestores, combinando componentes visuais, vários agentes e workflows mais determinísticos. O vídeo também aborda permissões, políticas de segurança e por que regras importantes, como as de benefícios e férias, podem exigir código testado em vez de respostas probabilísticas via RAG. Por fim, destaca o valor de apresentar informações em formatos visuais, como PDFs, para facilitar a compreensão.

Pontos-chave

Comece pelo resultado de negócio que a aplicação deve ajudar a alcançar, não pela ideia de automatizar tudo com um agente.
Uma aplicação agêntica pode reunir vários agentes em uma interface estruturada, mantendo também uma experiência de chat.
Cada interação com um LLM deve fazer parte de um workflow que acrescente previsibilidade e controle.
Workflows podem combinar contexto, nós de código, condições e chamadas a LLMs.
Políticas definem permissões e capacidades específicas para os agentes, e podem ser incorporadas aos workflows.
Para informações críticas, como políticas de férias e benefícios, regras codificadas e testadas podem ser mais adequadas do que respostas probabilísticas via RAG.
A segurança também pode controlar quem executa cada workflow e sob qual identidade ele é executado.
Uma aplicação agêntica pode ser o ponto central para consultar atualizações, iniciar workflows e interagir com agentes.
Saídas visuais, como PDFs, podem facilitar a compreensão de análises extensas e reduzir o esforço mental.

Capítulos

Início	Capítulo	Resumo
00:00	De agentes pessoais a aplicações agênticas	O apresentador diferencia agentes isolados de aplicações projetadas em torno de resultados de negócio e introduz Oracle AI Agent Studio.
02:04	Criando uma aplicação para apoiar gestores	Um exemplo de coaching para gestores mostra como reunir vários agentes, componentes de dashboard e ações em uma única interface.
05:09	Workflows para mais previsibilidade	O vídeo explica como workflows combinam LLMs com contexto, código e condições para aumentar o controle e a confiabilidade.
07:12	Políticas, permissões e segurança	O apresentador mostra políticas com capacidades delimitadas, discute regras críticas e explica controles de acesso aos workflows.
10:19	Resultados visuais e principais aprendizados	O vídeo destaca PDFs como forma de facilitar a leitura de análises e reforça que a aplicação deve ser construída em torno do resultado de negócio.

Citações

Eles precisam do que é chamado de aplicação agêntica. — 00:30

Começamos pensando no resultado de negócio. — 01:01

Sempre que invocamos um LLM em uma aplicação agêntica, isso faz parte de um workflow maior. — 05:09

Para algo como políticas de benefícios e férias, ‘geralmente’ não é suficiente. — 08:47

Conceitos e entidades

agentic app (conceito): Aplicação estruturada em torno de um resultado de negócio, que pode integrar agentes, workflows e componentes visuais.
workflow (conceito): Sequência controlada de etapas que organiza o uso de LLMs, código, condições e contexto para tornar uma automação mais previsível.
RAG (conceito): Abordagem que recupera trechos de documentos para embasar respostas, mas que o vídeo descreve como probabilística.
Oracle AI Agent Studio (ferramenta): Plataforma apresentada no vídeo para criar aplicações agênticas, workflows e políticas de segurança.
Oracle (empresa): Empresa cuja definição de aplicação agêntica e plataforma são apresentadas no vídeo.
Arkon (ferramenta): Construtor open source de harness para workflows de codificação com IA, citado pelo apresentador.
Cole Medin (pessoa): Apresentador do vídeo, que compartilha exemplos de aplicações agênticas e integração de IA em empresas.
VS Code (ferramenta): Editor mencionado como ambiente para desenvolvedores criarem aplicações agênticas com coding agents.

Tradução completa (pt-BR)

00:00 Neste ano, foquei bastante em criar agentes pessoais no meu canal, como um segundo cérebro, assistentes de programação e até agentes de atendimento ao cliente. Todos seguem a mesma lógica: você cria um único agente em torno de um caso de uso. Você conversa com ele por algum tipo de campo de chat, faz solicitações e lê as respostas que ele envia. E esse tipo de agente é fantástico. Eles tocam boa parte do meu negócio. Mas, quando entro de fato em uma empresa para integrar IA agêntica, muitas vezes é necessário algo mais abrangente. Principalmente agora, por causa da febre da IA nos últimos dois anos,

00:30 é muito tentador, para quem cria agentes, fazer do agente a automação ou aplicação inteira, em vez de torná-lo apenas uma ferramenta dentro de um workflow ou aplicação maior e mais determinística, que é o que a maioria das pessoas realmente precisa. Elas precisam do que é chamado de aplicação agêntica. Esta é a definição oficial da Oracle, e eu adoro. Basicamente, com aplicações agênticas, em vez de começar pensando no agente — por exemplo, o que vamos automatizar com esse agente de IA —, começamos pensando no resultado de negócio, certo? Como vamos ajudar alguém com parte de sua

01:01 função, criando a experiência para isso e, depois de mapear tudo, pensando em como incorporar até vários agentes de IA à aplicação para ajudar em algumas das automações. E, sinceramente, essa é a maneira mais prática de integrar IA agêntica. Se você priorizar o resultado de negócio, terá muito mais chances de realmente gerar valor para a organização, em vez de simplesmente integrar agentes para acompanhar a tecnologia mais recente — e acredite, vejo isso acontecer com frequência demais. E, quando seus agentes de IA são apenas uma ferramenta dentro de uma aplicação maior, você tem muito mais controle,

01:32 certo? Você cria mais determinismo, porque desenvolve esses workflows que usam LLMs em toda a aplicação, mas não é o agente que conduz tudo o tempo todo. Então, espero que tenha ficado claro por que nos importamos em criar essas aplicações agênticas focadas em um resultado de negócio. Neste vídeo, quero ser bem prático e mostrar como passar de uma aplicação de chat como esta — este é meu segundo cérebro — para uma aplicação agêntica em que vários agentes trabalham nos bastidores para nos ajudar a alcançar um resultado de negócio, certo? Por exemplo, ela nos ajuda a gerenciar uma função que temos na empresa. Agora,

02:04 o foco aqui é mais empresarial, mas, mesmo que você esteja criando aplicações pessoais, há muito o que aprender com isso. Também existem várias maneiras diferentes de criar essas aplicações agênticas. Entre todas as plataformas que vi por aí, a Oracle AI Agent Studio faz isso melhor. Então, vamos mostrar a Oracle AI Agent Studio ao longo deste vídeo, e também fiz uma parceria com eles para trazer este conteúdo até você. Mas, em geral, há muito o que aprender com a maneira como a Oracle AI Agent Studio cria essas aplicações agênticas e com todos os aspectos importantes que acontecem nos bastidores, como os workflows e a segurança, que vamos abordar. Então,

02:36 neste vídeo, vou explicar como a Oracle AI Agent Studio funciona como um todo e também extrair lições enquanto mostramos como tudo está configurado. Vou deixar o link da Oracle AI Agent Studio na descrição, caso queira conferir. Para começar, é como trabalhar com nosso agent de programação: simplesmente descrevemos o que queremos criar. O importante, porém, é voltar a focar no resultado de negócio. O que queremos que a aplicação nos ajude a fazer em nossa função? Neste exemplo, digo que quero criar uma aplicação para orientação de gestores. Sou gestor em nível de diretor, tenho uma equipe de

03:06 cerca de 12 pessoas e quero uma visão única — a aplicação agêntica — de quanto minha equipe está envolvida com seu desenvolvimento profissional. Há muitos exemplos diferentes que podemos criar aqui. Você também pode conferir outros, mas este é um ótimo ponto de partida para ver como podemos automatizar tarefas com vários agentes nesta aplicação. Enviei o prompt. Não quero esperar que ela crie tudo do zero agora. Então, o que estou mostrando é exatamente o resultado que obtive quando executei esse prompt antes. A aplicação tem vários componentes e, nos bastidores, tudo

03:36 que usa um agente — vou mostrar alguns exemplos daqui a pouco — executa um workflow, certo? Assim, temos um processo mais determinístico que orienta como usamos o agente para ajudar nas automações disponíveis aqui. Levou um tempo porque o workflow era bem abrangente, como você pode ver. Uma resposta excelente, e podemos fazer qualquer pergunta complementar. Continuamos tendo a experiência de chat; não a perdemos na aplicação agêntica, mas também contamos com muito mais estrutura, graças a todos os componentes que já estão configurados aqui. Por exemplo, só para mostrar rapidamente outra coisa, se eu rolar até este componente na parte de baixo, posso enviar um

04:07 e-mail de acompanhamento para qualquer pessoa que não esteja cumprindo os objetivos atuais. Mais uma vez, um workflow é executado nos bastidores para redigir o rascunho, mas a vantagem disso em relação a uma simples aplicação de chat é que o componente aparece no meu painel, onde posso revisar o e-mail e até editá-lo antes de enviar. Assim, não preciso ir para outra aplicação. Tenho o controle dentro da própria aplicação. Essa é a ideia: uma única visão para gerenciar tudo de que você precisa para alcançar um resultado de negócio específico. Neste caso, gerenciar nossos subordinados diretos. E olhe aqui no canto superior direito, porque esta

04:38 é uma das minhas partes favoritas da aplicação. Sim, há agentes trabalhando por trás de cada um desses componentes, mas também há outro conjunto de agentes em segundo plano, que analisam tudo o que temos aqui sobre os subordinados diretos e as prioridades, e sugerem as próximas ações para mim. Então, posso examinar cada um desses componentes se quiser mais detalhes, mas, se quiser apenas saber, em linhas gerais, o que devo fazer em seguida, posso consultar isto aqui. Os agentes sugerem que eu envie um e-mail aos meus subordinados diretos. Posso clicar aqui para editar antes de enviar e, de fato, realizar a ação. Assim, isso nos ajuda

05:09 não só a pensar no que deveríamos fazer em relação às nossas prioridades, mas também a agir sobre elas. E, com isso, chegamos ao ponto mais importante: se você guardar apenas uma coisa deste vídeo, que seja o seguinte: sempre que invocamos um modelo de linguagem de grande porte em uma aplicação agêntica, em qualquer um destes componentes, ele sempre fará parte de um workflow maior, para adicionar mais determinismo. Por exemplo, aqui você pode ver que estamos inserindo contexto no início desta execução do workflow. Temos nós de código e condicionais. Chamamos o LLM, certo? Ele é uma parte muito importante do processo, mas

05:40 não é a única coisa que fazemos, como ocorre em muitas aplicações de chat, nas quais você envia uma entrada e ela é encaminhada diretamente ao LLM. Por exemplo, outra coisa que talvez precisemos fazer é mudar o formato da resposta para exibi-la como queremos na aplicação agêntica, certo? Em geral, precisamos ter muito mais controle do que simplesmente enviar a solicitação direto ao agente. É por isso que executamos workflows sempre que queremos interagir de fato com um agente. E eu gosto muito disso porque, caso você não saiba, todo o setor está convergindo para essa ideia: queremos tornar nossos workflows agênticos tão determinísticos quanto

06:10 o máximo possível. Porque, sim, os LLMs são muito capazes. São flexíveis. Conseguem analisar um problema e descobrir as etapas para chegar à solução. Mas, às vezes, especialmente no nível empresarial, você precisa de certas garantias. Por exemplo, que o contexto seja sempre carregado de uma determinada maneira. Que você chame o LLM certo dependendo da tarefa, com suas condicionais e suas configurações de formatação, certo? Você tem requisitos rígidos que não permitem dar ao agent a oportunidade de errar, porque a tarefa é crítica demais para a missão. Ou, simplesmente, você quer que seus workflows sejam mais confiáveis. Esta é a maneira mais confiável de fazer as coisas.

06:41 E faço isso até mesmo em workflows de programação com IA, com o Arkon, um criador de harness open source. Na verdade, meu criador de workflow lá é muito parecido com o que temos aqui no Oracle AI Agent Studio. Então, pude começar a usar isso imediatamente, e tudo fez sentido na hora, porque essa é simplesmente a maneira de automatizar qualquer coisa com LLMs hoje. No Oracle AI Agent Studio, essencialmente, quando você quer criar um app, começa criando os workflows. Você define as automações específicas que quer incluir naquela única interface, e então cada componente vai aproveitar esse workflow, certo? Por exemplo, ao clicar em diferentes botões aqui, como este que eu

07:12 mostrei antes, o workflow é invocado diretamente com o que temos no dashboard como entrada. Outra coisa muito importante que esses workflows nos permitem fazer é implementar controles de segurança mais rigorosos. No Oracle AI Agent Studio, temos o conceito de uma política. Podemos criar funções específicas que dão aos agents permissões e capacidades bem granulares e, em seguida, incorporar essas políticas aos nossos workflows. Então, digamos que, neste exemplo, estou criando um app agêntico para alguém do departamento de RH. Como parte dessa interface única, essa pessoa queria um agent com quem pudesse

07:44 perguntar sobre a política de licenças. No Oracle AI Agent Studio, você pode simplesmente carregar documentos diretamente. Neste caso, por exemplo, carregar um PDF do manual de RH. Ele pega o documento e transforma todas as diretrizes nele contidas em funções que fornecemos ao agent. Cada função tem o código-fonte gerado, casos de teste para validação, saída e entrada estrita, certo? A ideia geral é definirmos as capacidades exatas de que o agent precisa com base na entrada e, então, criar as funções para ele. E agora, com a política

08:16 que geramos e testamos aqui, podemos usá-la nos nossos workflows. Agora, quero destacar uma distinção importante, porque muita gente tentaria resolver esse tipo de problema com RAG. No caso do manual de RH, em vez de passar por esse workflow e transformá-lo em código, muita gente simplesmente carregaria o documento no agent e faria uma busca, extraindo trechos do documento para responder às perguntas na hora. O problema é que essa resposta é probabilística. RAG é bom. Geralmente, vai acertar a resposta, mas, para algo como políticas de benefícios e férias, geralmente não é

08:47 bom o suficiente, certo? Precisamos pegar esse documento e transformá-lo em código testado para que o agent tenha uma estrutura e acerte a resposta 100% das vezes. Para esse workflow, começamos com uma chamada de classificação a um LLM. Assim, identificamos se a pergunta é sobre licença parental ou sobre a política de férias. Mas, antes de chamar o LLM, carregamos a política, certo? Fornecemos exatamente as ferramentas de que o agent precisa, nada além disso, e delimitamos o escopo. Nesse workflow, também podemos testar o agent diretamente. Assim, você verá que obtemos uma saída JSON

09:18 aqui porque esta não é a forma final do agent; é apenas o workflow que vamos incorporar a algum componente de interface do app agêntico. Podemos testá-lo aqui enquanto montamos o workflow. Falamos das permissões do agent e das capacidades específicas que estamos oferecendo a ele, mas, para as pessoas que usam o app agêntico, também é possível gerenciar a segurança de cada workflow. Podemos definir quem pode executar o workflow e também a identidade sob a qual ele é executado durante a automação. E, claro, há muitas outras

09:49 coisas que podemos ajustar aqui, como o LLM que usamos ao longo do workflow e os diferentes gatilhos que configuramos, porque talvez queiramos automatizar coisas para além de alguém clicar em algo no app agêntico. O app é a interface para nós, mas podemos até expandir isso para, por exemplo, acionar coisas automaticamente com base nos e-mails recebidos. O importante é que seu app agêntico seja sua base. É onde você consulta atualizações de status do agent, aciona workflows manualmente quando precisa, interage com o agent para fazer perguntas — tudo em um só lugar. E, obviamente, você também pode expandir os

10:19 workflows e as automações que tem aqui. Ótimo. A última coisa que quero abordar rapidamente é como podemos usar nossos apps agênticos para trabalhar com nossos agents de uma forma mais visual, como estamos vendo aqui. Porque não basta ficar em uma plataforma de chat como esta 24 horas por dia, sete dias por semana. Muitas vezes, ela certamente dá conta do recado, mas é difícil ficar o tempo todo num lugar como este, certo? Queremos que nosso agent se comunique conosco visualmente o máximo possível. Até mesmo produzir materiais como este — apresentações, PDFs —, mesmo que não sejam algo que vamos usar depois, mas apenas para entendermos as coisas mais rápido, faz uma grande diferença na nossa produtividade. Então, especialmente quando quero que meu agent faça algo mais abrangente, como um panorama, não quero que ele simplesmente despeje um monte de texto. Por isso, como vemos aqui no Oracle AI Agent Studio, ele gera um PDF com o resumo dos riscos de aprendizagem. Voltando ao primeiro exemplo do app agêntico, posso examinar os detalhes de uma forma muito mais organizada. Imagine que ele me desse isso, mas apenas como uma resposta em texto: seria difícil analisar tudo. E, sim, você consegue,

10:50 mas, se tiver que fazer isso várias vezes ao longo do dia enquanto usa seu app, isso acaba causando um grande desgaste mental. Por isso, acho que, até para preservar minha sanidade, quero que meus agents me forneçam resultados como este o máximo possível. E é por isso que sempre crio visualizações como estas, estes diagramas, para acompanhar minhas explicações intermináveis. Isso é tudo o que faz parte de um app agêntico e como você pode usar o Oracle AI Agent Studio para criá-lo. A principal conclusão deste vídeo inteiro é: concentre-se no resultado para o negócio, certo? A definição da Oracle de um app agêntico é criar

11:22 o app em torno do resultado, em vez de simplesmente tentar fazer do agent o app inteiro. Tenha em mente que este é apenas um vídeo introdutório. Quis mostrar, em alto nível, como podemos criar esses apps agênticos da maneira como a Oracle os implementa, permitindo que usuários de negócios criem tudo aqui sem precisar ter conhecimento técnico. Mas também tenho alguns vídeos de acompanhamento em que mostrarei como desenvolvedores mais experientes podem criar esse tipo de coisa diretamente no VS Code com agents de programação. Então, fique de olho. E, se você gostou deste vídeo e está esperando mais conteúdo sobre apps agênticos e engenharia agêntica em

11:53 geral, eu agradeceria muito se deixasse um gostei e se inscrevesse no canal. E, com isso, até o próximo vídeo.

12:23 De modo geral, eu agradeceria muito se você deixasse um like e se inscrevesse no canal. E, com isso, até o próximo vídeo.

Transcrição original

[00:00] I focused a lot on building personal agents on my channel this year, like your second brain, coding assistants, even customer support agents. They’re all the same where it’s just a single agent you’re building a use case around. You have that conversation with some kind of chat input where you give it requests and you read through the answers that it gives back. And these kinds of agents are fantastic. They run a lot of my business. But when I actually go into a company to integrate agentic AI, a lot of the times they need something more holistic. Now, especially because of the AI craze the last couple

[00:30] of years, it is very tempting for people building agents to make the agent the entire automation or application instead of it just being a tool within a larger, more deterministic workflow or application, which is actually what most people really need. They need what is called an agentic app. This is Oracle’s official definition and I love it. Basically, with agentic apps, instead of thinking about the agent first, like what are we going to automate with this AI agent, we start by thinking about the business outcome, right? Like how are we going to help someone with part of their

[01:01] role, building the experience for that, and then once we have this mapped out, thinking about how we can build even multiple AI agents into the application to help with some of the automations. And honestly, this is just the most practical way to integrate agentic AI. If you focus on the business outcome first, that means you’re much more likely to actually deliver value to the organization instead of just integrating agents for the sake of getting on the latest technology, which trust me, I see that way too often. And when your AI agents are simply a tool of a larger app, it gives you a lot more control,

[01:32] right? You’re building more determinism because you’re creating these workflows that use LLMs throughout the application, but it’s not the agent driving the entire thing all the time. So, I hope that makes sense why we care about building these agentic apps focused on a business outcome. And so, in this video, I want to get very practical with you and show you what this looks like to go from a chat application like this, like this is my second brain, to an agentic app where we have many agents working under the hood to help us with a business outcome, right? Like this is helping us manage a role that we have in the business. Now,

[02:04] this is more enterprise focused, but even if you’re building personal applications, there’s a lot that you can learn from this. There’s also a lot of different ways we can build these agentic apps. Now, out of all the platforms I’ve seen out there, Oracle AI Agent Studio does it the best. So, we’re going to be showcasing Oracle AI Agent Studio throughout this, and I’ve also partnered with them to bring this video to you. But, just in general, there’s so much we can learn from how Oracle AI Agent Studio builds these agentic apps and all the important things that go on behind the scenes like the workflows and security that we’ll talk about. And so,

[02:36] for this video, I’ll go through how Oracle AI Agent Studio works as a whole, but then also extrapolate lessons as we go through how everything is set up. And so, I’ll link to Oracle AI Agent Studio in the description if you want to check it out. When we get started, it is just like working with our coding agent where we simply describe what we want to build. The important thing here, though, is to again focus on the business outcome. What do we want the app to help us with in our role? And so, for this example here, I say I want to build an app for manager coaching. I’m a director-level manager with a team of

[03:06] about 12 people, and I want one view that is the agentic app of how engaged my team is with their development. And so, a lot of different examples that we can build here. There’s other ones that you can check out as well, but this is a really good starting point just to take a look at how we can automate things with multiple agents in this application. And so, I sent in that prompt. I don’t want to wait for it to build everything from scratch here. And so, what I’m showing you now is the exact result I got from running that prompt earlier. And so, there’s a lot of different components to the application here, and under the hood, everything

[03:36] that uses an agent, I’ll show you some examples in a bit, is running a workflow, right? So, we have a more deterministic process that is guiding how we use the agent to help us with the automations we have here. So, it took a bit because the workflow was very comprehensive, as you can see. A wonderful answer, and we can ask any follow-up questions. So, we still have the chat experience. We’re not losing that in the Agentyc app, but we also just have a lot more structure with all the components that we have preconfigured here. Like as another really quick example, if I scroll down to this bottom component, I can send a

[04:07] follow-up email to anyone who is not meeting their current objectives. And so again, calls a workflow under the hood to write the draft here, but the beauty of having this instead of a just chat application is that I have the component rendered here right in my dashboard, where I can review the email, even edit it before I submit it. So, I don’t have to go over to another application. I have control all within the app. That’s the entire idea. It is one view to manage everything you need for a single business outcome. Like in this case, managing our direct reports. And take a look at the top right here, because this

[04:38] is one of my favorite parts of the application. So, yes, there are agents running behind each one of these components, but there’s also a different set of background agents that are running, looking over everything we have here with direct reports and priorities, and suggesting the next actions for me. So, yeah, I can take a look at each one of these components if I want more detail, but if I just want the high-level, what should I do next, I can look here. So, we have a suggestion from the agents to send an email to my direct reports. I can click in here to edit it before I send, and actually follow through on the action. So, it helps us

[05:09] not just think about what we should be doing in our priorities, but helping us action on them as well. And now, with that, the most important thing here, if there’s one takeaway you can get from this video, it’s that whenever we invoke a large language model in an Agentyc app, in any of these components here, it is always going to be a part of a larger workflow to add more determinism. Like here’s one example where you can see that we’re injecting context at the start of this workflow run. We have code nodes and conditionals. We’re calling the LLM, right? Like it’s very much an important part of the process, but it’s

[05:40] not the only thing we’re doing, like a lot of chat applications where you send the input and it’s given right to the LLM. For example, another thing we might need to do is change the format of the answer for how we want to display it in the Agentic app, right? Just in general, we have to have a lot more control than sending the request straight to the agent. So, that’s why we have the workflows that we run whenever we want to actually interact with an agent. And I love this because if you’re not aware, the entire industry is converging on this idea where you want to make your Agentic workflows as deterministic as

[06:10] you possibly can. Because, yes, LLMs are very capable. They’re flexible. They’re able to look at a problem and figure out the steps to get there. But, sometimes, especially at an enterprise level, you need to have certain guarantees. Like, context is always loaded in a certain way. You’re calling the right LLM depending on the job with your conditional, your formatting things, right? Like, you have these hard requirements where you can’t give the agent the opportunity to get it wrong because it’s just too mission-critical. Or, plain and simple, you just want your workflows to be more reliable. This is the most reliable way of doing things.

[06:41] And even for AI coding workflows, I do this with Arkon, open-source harness builder. In fact, my workflow builder there looks very similar to what we have here in Oracle AI Agent Studio. So, I was able to jump into this right away, and it just all made sense immediately because this is just the way to automate anything with LLMs now. And so, in Oracle AI Agent Studio, essentially, when you want to build an app, you start by building the workflows. You figure out the specific automations that you want to bring into that single view, and then each component is going to leverage that workflow, right? So, clicking on different buttons here, like this one I

[07:12] showed earlier, directly invokes that workflow with what we have in the dashboard as the input. And another thing that these workflows enable for us that’s very important is bringing in tighter security controls. And so, in Oracle AI Agent Studio, we have the idea of a policy. We’re able to create these certain functions that give agents very granular permissions and capabilities, and then we’re building these policies into our workflows. And so, let’s say for this example, I’m building an Agentic app for someone in the HR department. And as a part of that single view, they wanted agent where they can

[07:44] ask about the leave policy. And so what you can do in Oracle AI Agent Studio is you can just upload a documents directly. Like in this case, uploading a PDF document for the HR handbook. It takes that and it codifies all the guidelines there into the functions that we’re giving to the agent. Every single function has the source code generated, test cases for validation, output, strict input, right? The idea is overall we are figuring out the exact capabilities the agent needs based on the input and then creating the functions for it. And so now as a policy

[08:16] that we’ve generated and tested here, we can use that in our workflows. Now, there’s an important distinction I want to make here because a lot of people would try to solve this kind of thing with rag. So for the HR handbook, instead of going through this workflow, turning it into code, a lot of people would just upload this to the agent and have it search pulling chunks from the document to answer questions on the fly. The problem is that is a probabilistic answer. Now, rag is good. It’s going to get the answer right usually, but for something like this with benefits and vacation policies, usually is not good

[08:47] enough. Right? We need to take this document and codify it into tested code so the agent has structure and can get the answer right 100% of the time. And so for this workflow, we start with a classification call to an LLM. So identifying is this a parental leave question or is it a vacation policy question? But before we call the LLM, we load the policy, right? We give the exact tools the agent needs and nothing more and we scope it. And so within this workflow, we can also test the agent directly. So you’ll see that we get JSON

[09:18] output here because this isn’t the final form of the agent, this is just the workflow that we’re going to bring into some UI component in the agentic app. We’re just able to test it here as we are building out the workflow. And so we covered permissions for the agent and the specific capabilities we’re giving it, but also for For people using the agentic app, you can manage the security of the individual workflows as well. So, we can scope who is able to run the workflow in the first place, then also the identity that the workflow runs under as it goes through the automation. And there are of course a ton of other

[09:49] things that we can tweak here like the LLM that we’re using throughout the workflow, different triggers that we have for it because maybe we want things that are automated beyond just a user clicking something in the Agentyc app. It’s just the app is the view for us, but then we can even expand that to, you know, automatically triggering things based on emails that come in for example. The point is your Agentyc app is your home base. It’s where you go to get status updates from your agent, to trigger workflows manually when you need to, interact with your agent to ask it questions, everything all in one place and you can obviously expand the

[10:19] workflows and automations that you have here as well. Awesome. So, the last thing I want to cover quickly is how we can use our Agentyc apps to work with our agents in a more visual way like we’re looking at right here. Cuz it’s not really enough to just live in a chat platform like this 24/7. It certainly gets the job done a lot of the time, but it’s hard to always be in a place like this, right? We want our agent as much as possible to communicate things to us visually. So, even producing artifacts like this, slide decks, PDFs, even if it’s not something that we’re going to

[10:50] use later, but just for our own faster understanding, this makes a big difference in our productivity. So, especially when I want my agent to do anything more comprehensive like a rundown, I don’t want to just spew out a bunch of text. And so, like we see what’s built into Oracle AI Agent Studio right here, it outputs a PDF with the learning risk summary. Going back to the first example of the Agentyc app. And so, I can go through the details here in a much cleaner way. Like you can imagine that if it gave me this, but just as a text response, it’d be hard to go through that. And yeah, you can do it,

[11:22] but if you have to do that time and time again throughout the day as you’re using your app, it just becomes a big mental drain. And so, I find that even just for my own sanity, I want my agents to be giving me output like this as much as possible. And hey, that’s why I always build visualizations like this, these diagrams to go along with my blabbing. And that’s everything that goes into an agentic app and how you can use Oracle AI Agent Studio to get there. The main takeaway for this entire video is focus on the business outcome, right? Oracle’s definition of an agentic app is building

[11:53] the app around the outcome instead of just trying to make the agent the entire thing. Now, keep in mind, this is just an intro video. I wanted to show you at a high level how we can build these agentic apps the way that Oracle implements them. Where business users can build everything here without being technical at all. But, I do also have some follow-up videos where I’ll show how more professional developers can build these kinds of things directly in VS Code with coding agents. So, definitely stay tuned for those. And so, if you appreciated this video, you’re looking forward to more things on agentic apps and agentic engineering in

[12:23] general, I would really appreciate a like and a subscribe. And with that, I will see you in the next video.