Como usar o harness do Codex para criar seus próprios agentes (Agents API)

Ver no idioma original →

Autoria: Rafael Quintanilha – QuantBrasil · 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: português

Vídeo original: Como usar o harness do Codex para criar seus próprios agentes (Agents API) · Canal: Rafael Quintanilha – QuantBrasil · 36:06 · Assistir no YouTube

Tópicos: Agentes de IA, Cibersegurança e segurança de software, Engenharia de software com IA, Ferramentas de desenvolvimento com IA

Resumo

O vídeo apresenta a Agents API da OpenAI, que permite criar agentes usando o harness do Codex hospedado na infraestrutura da OpenAI. O apresentador explica casos de uso, opções de sandbox, custos e diferenças entre a Agents API, a Agents SDK, a Responses API e o ChatKit. Em seguida, demonstra como configurar sessões, conectar MCPs, armazenar credenciais e inspecionar o uso das ferramentas. Por fim, mostra como adicionar busca na web e observa que novas ferramentas podem exigir uma sessão nova para ficarem disponíveis.

Pontos-chave

• A Agents API permite incorporar agentes a aplicações próprias ou compartilhar configurações de agente sem gerenciar o harness e o servidor por conta própria.
• A OpenAI hospeda o harness do Codex e gerencia tarefas como orquestração, sessões e contexto.
• Sandbox é necessária para casos que envolvem execução de código ou manipulação de arquivos, mas não é obrigatória para todos os agentes.
• Agentes sem sandbox ainda podem usar MCPs remotos acessíveis pela infraestrutura da OpenAI e ferramentas definidas na aplicação.
• A Agents API não tem cobrança adicional por si só; o uso de tokens e ferramentas é cobrado, e a sandbox hospedada pela OpenAI tem custo próprio.
• A Agents SDK é uma alternativa para executar e gerenciar o agente na própria aplicação; a Responses API oferece uma integração mais direta com o modelo.
• Sessões e logs permitem acompanhar chamadas de ferramentas, requisições, tokens e atividade do agente.
• As credenciais de conexões MCP podem ser armazenadas no cofre da OpenAI, evitando compartilhamento manual de chaves.
• Na demonstração, o agente consulta dados do PostHog e do Linear; depois, o apresentador adiciona busca na web.
• Uma ferramenta adicionada à configuração pode não ficar disponível em uma sessão já iniciada; o exemplo exige abrir uma sessão nova.

Capítulos

Início	Capítulo	Resumo
00:00	Por que criar e distribuir agentes	O apresentador introduz a Agents API e discute as dificuldades de compartilhar agentes e incorporá-los a aplicações.
04:07	O que a Agents API oferece	A API é apresentada como uma forma de usar o harness do Codex hospedado pela OpenAI, sem gerenciar um servidor próprio.
07:15	Demonstração da proposta e da sandbox	O vídeo percorre a apresentação do produto, explica a sandbox e mostra como ferramentas e skills podem compor o agente.
11:22	Observabilidade, arquitetura e custos	O apresentador explica o fluxo entre aplicação, API e ferramentas, além dos custos de tokens e da sandbox hospedada.
14:58	Comparação entre as opções da OpenAI	São comparadas a Agents API, a Agents SDK, a Responses API e o ChatKit em termos de hospedagem, sessões e execução de ferramentas.
18:04	Componentes da arquitetura e funcionamento sem sandbox	O vídeo detalha o papel do harness, do ambiente e da aplicação, incluindo streaming, sessões e conexões com MCPs remotos.
23:15	Demonstração com PostHog e Linear	O apresentador executa consultas pelos MCPs conectados, cria sessões e inspeciona os resultados e logs na plataforma.
28:54	Configuração, credenciais e sessões	O código mostra como definir configurações de agente, conectar MCPs e armazenar credenciais no cofre da OpenAI.
31:59	Adição da busca na web	O apresentador adiciona a ferramenta de busca na web e testa sua disponibilidade, concluindo que é preciso iniciar uma nova sessão.
35:05	Conclusão e considerações sobre a API	O apresentador encerra o exemplo e convida o público a avaliar os usos e possíveis limitações da Agents API.

Citações

Você só constrói a aplicação que se conecta via API com esse agente. — 05:11

Você não precisa saber mais nada além disso. — 19:05

O harness pode funcionar até sem nenhum environment. — 20:39

Provavelmente eu tenho que começar uma nova sessão. — 34:33

Conceitos e entidades

• Agents API (ferramenta): API da OpenAI apresentada no vídeo para criar e executar agentes usando o harness do Codex hospedado na cloud.
• Codex (ferramenta): Ambiente cujo harness é usado pela Agents API para executar agentes e orquestrar ferramentas.
• OpenAI (empresa): Empresa que oferece a Agents API e hospeda o harness e, opcionalmente, a sandbox.
• Agents SDK (ferramenta): SDK mencionada como alternativa para construir agentes executados e gerenciados na própria aplicação.
• Responses API (ferramenta): API apresentada como uma opção mais direta e de nível mais baixo para chamar modelos da OpenAI.
• ChatKit (ferramenta): Componente apresentado como uma forma de adicionar uma interface de chat a uma aplicação web.
• MCP (conceito): Protocolo usado no exemplo para conectar o agente a serviços externos, incluindo PostHog e Linear.
• PostHog (ferramenta): Serviço de analytics conectado ao agente para consultar dados de visualizações de páginas.
• Linear (ferramenta): Serviço conectado por MCP no exemplo para consultar equipes.
• sandbox (conceito): Ambiente isolado opcional para executar código e trabalhar com arquivos com maior proteção.

Tradução completa (pt-BR)

00:00 A OpenAI acabou de anunciar sua nova API de agentes, uma nova forma de criar e distribuir seus próprios agentes de IA, só que na infraestrutura do Codex. Por isso, no vídeo de hoje, quero contar tudo sobre essa nova API: quais são seus principais casos de uso, vantagens e desvantagens. Quero mostrar como você pode configurar a API na prática e responder à pergunta: será que a nova Agents API é a melhor forma de criar seu próprio harness? Se você trabalha com

00:31 inteligência artificial em um ambiente com mais de uma pessoa, muito possivelmente já passou pela necessidade, pelo desejo de distribuir aquele agente que criou. Imagine o seguinte: você está trabalhando em uma determinada tarefa e configura seu agente, seja no Codex, no Claude Code, no OpenCode, onde quer que trabalhe. Você configura aquele agente com acesso a todas as ferramentas úteis para o seu dia a dia. Talvez ele se conecte ao seu calendário, talvez busque os tickets da sua empresa, talvez tenha

01:01 acesso ao analytics da sua empresa. Enfim, você monta um conjunto de ferramentas que torna aquele assistente muito capaz para a tarefa que está realizando. Aí chega outra pessoa, e você quer que ela também use aquele agente. Mas como fazer para distribuir para essa pessoa todo esse conjunto de coisas que você levou um tempo montando? Não dá para fazer isso facilmente. Você vai ter que passar uma lista de coisas para ela instalar e configurar. E ela vai ter que se conectar, talvez usando uma API key. Aí você vai ter que compartilhar a API key com ela. Você

01:33 vai mandar pelo WhatsApp ou pelo Slack, que não são formas adequadas de compartilhar esse tipo de chave, e isso vira um pesadelo para você compartilhar aquilo com outra pessoa e replicar aquela estrutura de agente. Um segundo caso de uso que talvez você já tenha encontrado é se quiser colocar um agente dentro da sua própria aplicação. Imagine, por exemplo, que você tem uma empresa que é um consultório e alguém pode entrar para marcar uma consulta. Normalmente, você vai ter uma experiência, vamos

02:03 dizer assim, de chatbot. Você pode entrar e tirar dúvidas, mas aquele chatbot dificilmente vai ter acesso a ferramentas, que é o que o diferencia do que chamamos de agente. Um agente de IA nada mais é do que um modelo de IA com acesso a ferramentas. De forma simplificada, podemos pensar assim. Então, se aquele chatbot não consegue, por exemplo, marcar uma consulta, você talvez só tire dúvidas, e ele encaminhe você para um assistente humano ou envie alguma coisa por e-mail, no máximo algo desse tipo. Mas, se você tem um agente de IA rodando dentro do

02:35 seu app, do seu site, da sua infraestrutura, pode fazer com que aquele agente realmente tome alguma ação e use uma ferramenta, por exemplo, a ferramenta para marcar uma consulta dentro do seu app. Então, você não precisa que aquilo rode dentro de um harness secundário, por exemplo, no Codex ou no Claude Code. Como eu disse, você pode fazer isso dentro da sua própria aplicação. Quer ver um exemplo? Há um tempo, falei aqui sobre a nova CLI do Conte Brasil, que é uma forma de executar todas as funcionalidades do

03:06 Conte Brasil no seu harness favorito. Inclusive, se quiser conhecer mais sobre a CLI do Conte Brasil, vou deixar o link para você assistir depois. Agora, imagine que as pessoas entrem no Conte Brasil e queiram, sei lá, rodar um backtest, que é uma das funcionalidades que oferecemos com a CLI do Conte Brasil. Você pode executar aquele backtest no seu harness favorito, por exemplo, no Codex. Mas, se está aqui na interface do Conte Brasil, pode simplesmente vir aqui, selecionar a estratégia, o time frame e o ativo que quer usar, e por aí vai, e realizar o backtest aqui, certo? Imaginem que eu

03:37 quisesse colocar uma experiência 100% agêntica dentro do Conte Brasil. Eu poderia ter meu agente de IA rodando aqui. Em vez de a pessoa ter que rodar o agente no Codex, no Claude Code, no OpenCode, no Grokbot, onde quer que esteja, ela poderia rodá-lo diretamente aqui. Então, esse é outro caso de uso que pode fazer sentido para você, se quiser criar e disponibilizar seu próprio agente de IA. Agora que você já entendeu a motivação para construir um agente, precisa entender que, quando trabalhamos com

04:07 um agente de IA, esperamos que ele tenha diversas funcionalidades. Por exemplo, a capacidade de executar em um loop, de executar código, de fazer buscas na web e de despachar subagents. Tudo que você espera de um harness tradicional de inteligência artificial teria que ser construído à mão se você quisesse disponibilizar isso dentro do seu app. Até hoje, algumas formas de fazer isso eram, por exemplo, o

04:39 Agents SDK da própria OpenAI ou, se você descer um pouco o nível, a Responses API, também da OpenAI. Já trouxe aqui no canal, várias vezes, exemplos usando o Agno, por exemplo, que era um framework Python para construir agentes. Só que você ainda tem que controlar muita coisa dessa parte de compactação e vários outros aspectos que a OpenAI já resolveu para você. Então, essa é justamente a motivação por trás da nova Agents API. A Agents API é uma forma de criar seu próprio agente

05:11 conectado à cloud da OpenAI. Ou seja, toda essa parte de controle do harness do seu agente vai rodar na cloud da OpenAI. E ela vai cuidar da compactação, da orquestração e do sandbox. Você só constrói a aplicação que se conecta via API a esse agente, que está rodando, nada mais, nada menos, dentro do harness do Codex, só que na infraestrutura da OpenAI. Rafael, essa é a única forma de fazer?

05:41 Claro que não. Eu mesmo gosto bastante de fazer isso usando o OpenCode. O OpenCode também tem um SDK com o qual você consegue construir seu agente e rodá-lo no servidor do OpenCode. Você inicializa um servidor rodando o OpenCode, conecta-se a ele com o SDK do OpenCode e consegue construir seu próprio harness. Só que a promessa da Agents API da OpenAI é que você não precisa mais criar o servidor. Não precisa mais gerenciar o servidor que está rodando o OpenCode, por exemplo. Em vez disso, você se conecta diretamente à API da Open

06:13 AI, beleza? Inclusive, se você tem interesse em construir seu próprio harness, seja para você, para sua empresa ou para seu time, meu curso de Harness Engineering será lançado agora em setembro. Já faz um tempo que abri a lista de espera e já comecei a produção do curso. Então, fique ligado: pode ser que, quando você estiver assistindo a este vídeo, ele já não esteja mais na lista de espera. O link para entrar na lista de espera e ser avisado assim que estivermos preparando o lançamento, quando o curso estiver pronto para ser disponibilizado, inclusive com

06:44 condições especiais, estará tanto na descrição quanto no comentário fixado. Então, não deixe de se inscrever no curso de Harness Engineering, beleza? Outra coisa que recomendo a você que quer aprender mais sobre harness é assistir à minha aula sobre Harness Engineering, uma das aulas mais assistidas do meu canal. Vou deixar o link para você assistir depois e entender melhor o conceito de harness e o que dá para fazer com ele. Muito bem, pessoal. Já falamos sobre a motivação e sobre alguns exemplos de como a Agents API da OpenAI ajuda você

07:15 nisso. E agora vamos olhar concretamente a proposta da OpenAI, tá? Então, isso aqui é um produto que está em beta e foi lançado agora, no dia 10 de setembro. Estou fazendo esta gravação no dia 12 e, no dia 10, eles disponibilizaram o beta, em que basicamente dizem: “Construa e execute agentes na cloud com o harness do Codex, só que gerenciado pela OpenAI.” Gosto muito dessa proposta aqui, porque gosto muito do harness do Codex; é o meu favorito. Então, saber que consigo trabalhar

07:45 aqui nesse harness do Codex, né, sem me preocupar com infraestrutura, é algo que me interessa. Beleza? Então, vamos dar uma olhada no vídeo de apresentação deles. Vou dar o play aqui no YouTube para a gente poder assistir com legenda e ver o que eles dizem. Beleza? [música] >> Então, é justamente aquilo que falei para vocês, né? Não é só colocar ali um modelo. Esse modelo tem que ser capaz de se conectar com tudo que está em volta

08:17 dele, né? O que nós chamamos de harness, particularmente em tarefas de horizonte mais longo, tá? Aquelas tarefas em que você vai realizar diversas coisas na mesma thread. Beleza? [música] >> Beleza, né? Então, de novo, aqui a API pega o harness do Codex e o hospeda, né? Coloca ali no servidor da própria OpenAI. >> Então, você vai se conectar ali ao

08:48 harness que está rodando na cloud, e esse harness tem acesso à orquestração, à sessão e ao gerenciamento de contexto, né? Muito legal. Principalmente a parte de orquestração; é isso que me agrada bastante. >> E vocês viram ali que tem a sandbox, né? Sandbox é justamente para você executar aquelas coisas que têm mais risco. Por exemplo, se você quer executar código, não quer deixar que uma pessoa, né, um usuário qualquer, consiga controlar o código que roda na sua máquina, porque isso pode ter implicações de segurança. Então, você consegue usar essa sandbox, né, em que o

09:19 código vai ser executado nesse ambiente seguro, tá? Aí tem um detalhe: essa sandbox pode ser da própria OpenAI, e ela vai cobrar por isso, ou pode ser a sua própria sandbox. Ou, como vou mostrar ainda no final deste vídeo, talvez você nem precise de sandbox, dependendo do seu caso de uso. Talvez você nem se preocupe com sandbox; sei lá, no exemplo que dei, né, da marcação de uma consulta, você não tem que executar código nem nada do tipo. Então, talvez nem precise da sandbox nesse caso, o que simplifica bastante a arquitetura.

09:51 Estão mostrando o código aqui. Já vou mostrar para vocês. Então, vou avançar mais, mas olha que legal: você consegue configurar diversas ferramentas no seu harness, né, que está lá na cloud. Então, já consegue colocá-lo em um bundle com seus MCPs, ou com seus MCPs mais skills para ajudá-lo a usar o MCP da forma correta, ou até mesmo só com skills. Então, você tem uma empresa em que existe um processo que você já estipulou ali, já determinou para que o agente sempre faça daquela forma. Você

10:21 transforma aquilo numa skill e coloca essa skill dentro desse ambiente único e compartilhado. Sempre que houver uma requisição para aquele agente, ele vai ter aquela skill disponível. Excelente para uniformizar processos dentro de um time, né? Então, isso aqui a gente já vai ver no código, né? Mas você define ali o environment, onde o agente vai rodar. Aqui, no caso, ele está mostrando

10:51 você colocando lá na OpenAI. É um pouco confuso porque, na verdade, esse environment aqui é para a sandbox, tá? Então, está aqui, ó: sandbox hospedada pela OpenAI. Se você não precisar dos recursos de sandbox, como eu disse, nem precisa disso aqui, tá? Então, olhando assim de primeira vista, pode parecer que você sempre vai precisar colocar isso na OpenAI. Não é o caso, tá? Isso é muito importante, pessoal, quando vocês estão trabalhando, principalmente se

11:22 vocês vão colocar isso num ambiente em produção com acesso para outros usuários, tá? É importante ter observabilidade, né? Você consegue ver os logs, consegue ver como as pessoas estão usando a ferramenta, como as tools estão sendo chamadas, se a tool está sendo chamada adequadamente ou não, se será que o agente não está entendendo quando deve chamar uma ferramenta? Você consegue auditar isso com muito mais facilidade. E, no ambiente da OpenAI, você já vai ter isso também. Vou mostrar para vocês aqui. >> Ele está dando um exemplo em que criou um arquivo, né? Então, como ele

11:52 cria um arquivo aqui, está trabalhando com uma sandbox para poder criar e disponibilizar o arquivo para quem está usando, né? Beleza, pessoal? Então, esse é o vídeo; tem bastante informação legal aqui. Vamos passar bem rapidinho pelos artigos para ver se tem mais alguma coisa legal, né? O código a gente já vai olhar. Eu queria mostrar este gráfico para vocês, tá? Então, vimos ali mais ou menos rapidinho como funciona. A sua aplicação, né, sei lá, seu app web, sua CLI, seu script, o que quer que você crie, vai despachar uma tarefa pela API. Essa API aqui é o

12:22 harness do Codex rodando na cloud. E, de novo, isso é um pouco confuso porque parece que toda tool call necessariamente precisa passar por uma sandbox, mas não: somente as chamadas de ferramenta que você quer proteger com uma sandbox. Rafael, quais são exemplos de ferramentas que eu não quero proteger com uma sandbox? Ué, se você se conectar direto com um servidor de terceiros, sei lá, se quiser se conectar com o PostHog ou com o Linear, como vou mostrar para vocês, não preciso passar pela sandbox; estou indo direto ao servidor do PostHog ou do Linear, tá? Então, você consegue construir agentes muito

12:52 completos com MCPs da forma que quiser, né? Desde que já estejam disponíveis. Se eles já estão disponíveis em algum lugar, você nem precisa da sandbox, beleza? Então, isso também é interessante. E você pode perguntar: “Qual é o custo extra para rodar isso?” Nenhum, porque, na verdade, eles dizem: “There are additional fees for using the agents API”. Ou seja, você não paga nada extra; paga apenas pelos tokens e pelas ferramentas que o seu agente utilizar. Então, se você determinar que seu agente vai rodar o GPT-6 Astra, como eles mostraram aqui, o agente vai executar e gastar

13:24 tokens, e você vai ter que pagar como pagaria numa API normal, tá? Sem assinatura do Codex, você vai estar pagando pela API. Inclusive, se quiser saber mais sobre a minha análise do GPT-6 Astra, já fiz um vídeo dedicado a ele, e vou deixar o link aqui também. Agora, tem uma coisa pela qual você paga, tá? É se precisar da sandbox da OpenAI, beleza? Então, as sandboxes hospedadas na OpenAI vão usar os contêineres RIDS, tá? Estes são os preços dos contêineres deles, ó. Basicamente, 1 GB, se quiser ter 1 GB na sua sandbox, vai custar 3 centavos a cada 20 minutos, e aí o preço vai aumentando, tá? Eu recomendaria que, se você realmente precisar de uma sandbox, faça uma hospedada por você mesmo, tá? Tem até um guia aqui; já vou mostrar para vocês o guia da API, mas há um guia de como hospedar sua própria sandbox. E, se for hospedar a sandbox, minha sugestão é fazer isso na HostGator, que é nossa parceira aqui do canal e onde tenho todas as minhas VPSs, muito

13:55 mais fácil. Você cria uma máquina, uma VPS para você, e coloca ali seus apps, seus serviços, né, seu Codex rodando, sua sandbox; enfim, segue o guia aqui. Não vou fazer isso no vídeo de hoje para não ficar muito grande, mas fica aqui a dica de como você pode ter sua própria sandbox e não pagar a taxa da OpenAI: você paga pela sua própria VPS. Beleza? Vou deixar o link para você conhecer os serviços da HostGator, que tem suporte 24/7 em português, aqui na descrição e também no comentário fixado. Beleza, pessoal? Vamos passar aqui, então, para a parte técnica da API. E aí a gente vai

14:25 mais fácil. Você cria uma máquina, uma VPS para você, e coloca ali seus apps, seus serviços, né? Seu Codex rodando aqui, sua sandbox; enfim, você segue o guia aqui. Não vou fazer isso no vídeo de hoje para não ficar muito grande, mas fica aqui a dica de como você pode ter sua própria sandbox e não pagar a taxa da OpenAI: você paga pela sua própria VPS. Beleza? Vou deixar o link para você conhecer os serviços da HostGator, que tem suporte 24/7 em português, aqui na descrição e também no comentário fixado. Beleza, pessoal? Vamos passar aqui, então, para a parte técnica da API. E aí a gente vai

14:58 para o código e vamos ver o exemplo prático, certo? Bom, passei por isso rapidamente no início do vídeo, mas é importante entendermos quais são as possibilidades de construir agentes, pelo menos no ambiente da OpenAI, até porque ela oferece diversos tipos de serviços que podem ser um pouco confusos se você não os entende direito, tá bom? Agora temos quatro formas de construir agentes na OpenAI. A primeira é com a Agents API, que é sobre o que estamos falando hoje. A segunda é com a SDK, né? A Agents SDK. A terceira é com a Responses API e a quarta é com o ChatKit, né? Com um chatbot que

15:30 você coloca na sua web, porque já fiz um vídeo sobre ele lá atrás também, tá? E há diferenças entre cada um deles. Vou tirar o ChatKit, que basicamente é só um widget que você coloca para conseguir entender a API. Quando você vai querer usar a API? Quando quiser despachar tarefas em que a própria OpenAI é responsável por gerenciar o agente e salvar o progresso. O que significa salvar o progresso? Sessão, gerenciamento de sessão, né? Contexto, tudo isso. No caso do Agents SDK, é quando você quiser construir agentes com ferramentas

16:01 personalizadas e workflows dentro da sua própria aplicação. Aqui, né, você está fazendo o hosting dele, beleza? E, claro, no caso da Responses API, você está chamando o modelo diretamente. Você não está construindo um agente; está fazendo a chamada para um modelo, vai receber a resposta e, então, será responsável por construir tudo em cima disso. Aqui seria uma API mais low-level, né? Onde o agente executa, né? No caso da Agents API, ele roda na OpenAI, no serviço da OpenAI. Com a Agents SDK, você vai ter que executá-lo e, no caso da Responses API, também na sua aplicação, né? E você

16:31 vai ter que se organizar para ajustar isso, tá? Então, o nível de integração é mais baixo. De fato, é bem fácil, como a gente já vai ver. O que mais tem de interessante aqui? O estado entre as tarefas, né? Então, no caso das sessões, por exemplo, né? Ah, o que é uma sessão, Rafael? É uma conversa com todos os prompts, ferramentas, tudo o que foi feito, né? Imagine que eu tenho 10 usuários acessando meu agente; cada um vai ter a sua sessão, né? Por exemplo, no caso da Agents API, essas sessões são gerenciadas pela OpenAI, tá? No caso da SDK, você vai ser responsável por isso e, na

17:03 Responses API, também, tá? Execução de ferramentas. Você pode executá-las dentro da sua aplicação ou no Sandbox. No caso da SDK, é sempre dentro da sua aplicação. Se precisar de um ambiente de execução, né, ou seja, para código, criar arquivos e coisas do tipo, você pode fazer isso no sandbox da OpenAI. Você pode ter seu próprio Sandbox, como eu disse, ou nem precisa de Sandbox. No caso da SDK, você vai ter que fazer tudo, beleza? Isso é para você entender qual API deve usar, por qual começaria, tá? No

17:33 caso, hoje estamos falando da Agents API, então vamos examiná-la com mais detalhes, vendo o overview dela. Basicamente, já conversamos sobre isso. Há alguns exemplos mais completos aqui, né? Mas quero mostrar um para vocês do zero. Vamos ver que gráfico interessante temos aqui. Olha só: a aplicação vai ter uma sessão com a API. É a mesma coisa que já vimos, né? Isso é gerenciado pela OpenAI, só que aqui eles dão a entender que o Sandbox é sempre gerenciado, mas não precisa ser, como eu disse, tá? Beleza? Vamos dar uma olhada rápida em um código, em como seria um exemplo de código. É bem simples aqui. Então, você

18:04 criaria uma sessão passando o modelo e as instruções do seu agente, né? Então, seu agente vai rodar com aquelas instruções. Você vai listar as ferramentas às quais ele tem acesso. Neste caso, ele vai ter uma ferramenta de tool calling programático, também o MCP e, aqui, a capacidade de busca na web. Você também pode configurar se ele pode despachar múltiplos agentes, inclusive definir o número máximo de subagents a que terá acesso, tá? Neste caso, o ambiente é self-hosted e as capacidades incluem, por exemplo, skills, tá? Então

18:34 você consegue listar as skills às quais aquele agente vai ter acesso e, então, passa o input normal, tá? É um código bem simples para quem já está acostumado a construir agentes com Python. A última coisa que quero mostrar para vocês antes de irmos ao código é esta parte da arquitetura, que acho que deixa isso mais claro para entendermos, tá? Beleza? Então, a OpenAI já executa o harness; você já entendeu isso. A aplicação envia e recebe o resultado. E você adiciona um environment, né, um ambiente, quando o agente precisa de capacidade computacional ou de arquivos. Essa frase aqui resume

19:05 muito bem algo que você vai ver explicado de forma confusa em outros lugares, tá? É isso aqui. Este é basicamente o resumo da API. É exatamente isso, tá? Você não precisa saber mais nada além disso. Quais são as partes? Então, o harness, que é o Codex na máquina da OpenAI, vai executar o modelo e todo o loop com as ferramentas, tá? O ambiente é onde o agente executa comandos e código e trabalha com arquivos. O ambiente pode ser um sandbox remoto, pode ser o seu computador, um contêiner Docker, AWS, Lambda Function, o que você quiser. Eu recomendo

19:36 sinceramente, se você for colocar isso em produção, que tenha um contêiner Docker em uma VPS, como eu disse, caso precise dessas funcionalidades. Se não precisar disso, nem de environment você precisa, e eu já vou mostrar para você. Por último, você precisa da sua aplicação, né? Aqui eles chamam isso de application server. Mas é basicamente a aplicação que vai se conectar ao harness, né? Imagine que, sei lá, no caso do Quant Brasil, seria a minha UI, né? Nossa UI é feita em Next.js. Ela se conecta ao backend FastAPI. E ali, no

20:07 FastAPI, no nosso backend, faríamos a conexão com o harness da OpenAI, que está no serviço deles, né? Então, é como se a OpenAI funcionasse como um microsserviço conectado ao meu backend, tá? No exemplo de hoje, vou mostrar um script comum rodando localmente para não ter muita complexidade. Mas você entende que, a partir do momento em que quiser colocar isso em produção, vai precisar ter sua aplicação rodando em algum lugar, possivelmente também em uma VPS. Então fica aqui, de novo, minha recomendação de ter uma VPS para fazer esse tipo de experimento também. Bom, eles continuam dizendo para você começar com as partes de que sua

20:39 tarefa precisa e que o harness pode funcionar até sem nenhum environment, como eu disse. Sua aplicação pode receber o progresso, né? Pode receber o modelo trabalhando, e a aplicação recebe o resultado por streaming, que é justamente aquele efeito que vemos em um chatbot, né, em que as linhas vão sendo preenchidas aos poucos, ou por webhook, que também é muito interessante. Então, quando o agente terminar, ele envia uma notificação; você recebe essa notificação e mostra o resultado. Isso também é bem legal, tá? Beleza? Eles explicam como começar

21:09 sem um environment. Então você vai passar um environment do tipo nenhum, enviar um input, o harness chama o modelo, usa as ferramentas configuradas e retorna os resultados. A OpenAI será responsável por manter a sessão para um trabalho posterior. Então, se quiser se reconectar à sessão, a OpenAI vai mantê-la para você. É a mesma coisa que uma thread no Codex. Estou aqui com meu Codex aberto. Olha a quantidade de threads que tenho. Isso seriam sessões rodando no ambiente da OpenAI. Bom, o harness pode chamar MCPs remotos diretamente, né? Então, foi o exemplo que mencionei: você quer se conectar lá no

21:40 No Linear, você tem o seu run, que se conecta ao MCP do Linear que está no servidor do Linear. Você não precisa passar nada para o Sandbox, certo? E também consegue colocar ferramentas locais ali. Então, sei lá, você tem uma ferramenta no seu app; vamos supor que você tenha o Quant Brasil. O Quant Brasil tem uma ferramenta de backtest. Supondo que não exista uma CLI ou algo que eu consiga chamar, posso chamar a função diretamente dentro do meu código, certo? O que também é bem legal, porque você consegue escrever coisas muito mais personalizadas ali. Mas note que, sem nenhum ambiente, você não vai conseguir usar nenhum comando de bash ou a ferramenta apply patch

22:12 tool, ou seja, editar arquivos, editar configurações ou executar alguma coisa no bash. Se disser algo como um curl, não vai conseguir ter arquivos. Sei lá, quero que ele gere um arquivo para mim, quero que ele gere um PDF, quero que ele gere um documento resumindo tudo que fez. Você não vai conseguir fazer isso aqui, nem usar MCPs que executem dentro, por exemplo, da sua VPC, da sua rede interna, certo? Então fique sabendo dessa restrição. Acho que este bloco aqui é mais fácil de entender, certo? A sua aplicação vai enviar a entrada para a API. A API pode se conectar a um MCP

22:44 server, certo? Ele precisa estar acessível por meio do servidor da OpenAI e vai retornar. Pronto, você não precisa de nenhuma sandbox, beleza? Mas, se precisar de uma sandbox, aí já vimos esse gráfico, certo? Aí você consegue chamar a sandbox e aqui vai ter arquivos, comandos, bash, curl, enfim, tudo que tem direito aqui dentro, certo? Beleza, pessoal? Vou deixar o link da documentação da Agents API aqui na descrição para você olhar com mais atenção tudo de que precisar. Mas é bem detalhada, certo? Todas as ferramentas a que você tem acesso: busca, functions, plugins, que é a forma deles

23:15 de incluir skills, os vaults, que servem para salvar as credentials — isso vou mostrar para vocês. A parte de observabilidade também vou mostrar para vocês. Multiagentes, as sandboxes e por aí vai, certo? Então, a documentação deles ficou bem legal, mas agora quero ir para o Cursor para mostrar o código para vocês. Beleza, pessoal? Estou aqui numa demo que criei. Deixem-me começar mostrando o resultado dela. Estou aqui no terminal e vou enviar um comando, tipo este aqui: “Verifique o projeto do PostHog conectado e liste as equipes do Linear. Não modifique nada.” Então, basicamente, estou chamando aqui

23:47 a API, estou me conectando à API e passando esse prompt diretamente aqui. Você pode fazer isso de forma interativa. Já vou mostrar como. E estou passando esse prompt para ela. Só que, nesse harness que configurei, também conectei o PostHog e o Linear. Então agora esse harness tem acesso a esses dois MCPs dentro do código. Isso é muito legal, porque consigo empacotar tudo que acho relevante e disponibilizar para outra pessoa usar, por exemplo. Então essa é a grande vantagem; vai ficar mais claro

24:17 aqui, certo? E olha só, pessoal, funcionou, estão vendo? “Assistente para verificar ambas as conexões”, etc. O assistente retornou o projeto para mim, o ID do projeto e as equipes que tenho lá no Linear, certo? Maravilha. Ótimo, funcionou direitinho. Então vocês estão vendo que esses são dados aos quais tenho acesso aqui, que conectei. E como conectei esse serviço? Como conectei esse MCP? Por exemplo, aqui: “V run Python connect linear”. Então, já vou mostrar o código para vocês, mas, basicamente, quando faço isso aqui, ele abre uma autenticação, onde consigo me

24:48 autenticar no Linear. E aqui você vai conseguir fazer isso com qualquer app, certo? Com qualquer app, poderia fazer isso aqui. Deixa eu encerrar isso aqui. Não preciso me conectar de novo. E deixa eu iniciar uma sessão aqui. Então, posso criar a sessão de forma interativa aqui, certo? E, claro, este foi só um exemplo muito simples que coloquei aqui junto com o Codex para trabalharmos, mas consigo ver aqui o histórico de toda a conversa se executar “history”, para vocês entenderem que estou numa sessão. Então, olhem aqui a sessão que acabamos de iniciar, estão vendo? Acabamos de enviar isso

25:19 aqui. Ele me retornou essas mesmas coisas. Se eu digitar aqui “/new”… Antes de digitar “/new”, vou mostrar uma coisa para vocês. Aqui no código, estou criando essa sessão e salvando-a localmente neste arquivo “pon session”. Obviamente, na sua aplicação real, você provavelmente vai salvar esse session ID no seu banco de dados ou em algum lugar para recuperá-lo no futuro. E lá na interface da OpenAI, olha só, está aqui: session 042A. É justamente o que temos aqui: 042A. Então, aqui na plataforma da OpenAI, se você acessar

25:49 Logs e Agents, vai aparecer aqui um selo “new”. Você consegue inspecionar a sessão diretamente por aqui, inclusive ver qual foi o modelo, quantos tokens foram usados e coisas do tipo. Então, se eu continuar trabalhando ali, carregando essa sessão, vou trabalhar dentro desses vários turnos que fiz, beleza? Mas quero criar uma sessão do zero para mostrar para vocês. Então, vamos voltar ao terminal. Vou digitar “/new”. Pronto, certo? Agora estou em outra sessão e vemos aqui que a sessão foi excluída; não há mais a sessão

26:19 aqui. Beleza? Então, deixa eu falar com ele aqui: “Oi, quem é você?” Estou enviando um comando novo. Isso vai gerar uma nova sessão. Olha, já criou a nova sessão aqui: sessão 0125, certo? Aqui: “Eu sou o Codex”, blá-blá-blá. “Investigue a análise do programa ou trabalhos relacionados ao programa Quant Brasil, quando necessário.” Muito bom. Vamos ver se ele entrou no log da OpenAI. Vamos atualizar aqui. Está aqui a nossa nova sessão 0125. Também dá para ver o que aconteceu: no primeiro turno, na primeira rodada, o que aconteceu:

26:50 inicializamos o agente, inclusive com a instrução e o modelo, e conseguimos ver todos os dados, todos os metadados, inclusive aqui. E a primeira geração, a entrada do usuário e a saída do modelo, beleza? Então, conseguimos ver exatamente e inspecionar tudo. Isso é muito bom para que depois possamos ver como as pessoas estão usando os nossos agentes. E, só para dar um exemplo de capacidade, deixa eu perguntar uma coisa a ele, já que tem acesso ao PostHog. Deixa eu perguntar isto: “Você poderia acessar o PostHog e listar as três páginas com mais visualizações no programa A nos últimos sete dias?”

27:22 Então, olha só, estou aqui dentro do harness e vou pedir para ele listar as três páginas com mais visitas no programa nos últimos sete dias. Ele está conectado ao PostHog. Isso significa que será capaz de chamar aquele MCP. Está aqui: “PostHog web Analytics weekly digest”. É uma ferramenta que temos; vou mostrar o código para vocês. E o legal é que podemos acompanhar tudo em tempo real. Podemos atualizar aqui. E olha que beleza: ele executou “Web Analytics Weekly Digest”, “Query Web Stats” e respondeu. Tivemos 275 visualizações de página

27:53 na página inicial, 122 em Programação Agêntica e 50 visualizações de página em Harness Engineering. Beleza? Então, repito o convite para você que quer aprender mais sobre esses temas. Lembrando que eles ainda serão disponibilizados no final de setembro e que a lista de espera está aqui na descrição do comentário fixado. Eu poderia até clicar aqui para ver o detalhamento e você ver como está tudo conectado direitinho. Aqui, olha que maravilha. Certinho, ele criou isso para mim interagindo com o PostHog. E como ficou no log? Então, olha: criou um turno dois. Um turno é sempre a entrada e a saída do usuário. De novo, aqui com as

28:23 instruções e tudo mais. E o legal é que aqui aparecem as ferramentas que foram chamadas. Isso é algo para quem às vezes não entende, né, quando a gente entra, sei lá, em um lugar como o Open Code GO e ele diz: “Você tem até tantas requisições por hora” ou “uma sessão de 5 horas”. Só que isso aqui, pessoal, não são 3.200 mensagens; são 3.200 requisições, mas cada turno pode ter várias requisições. Isso fica claro aqui no log, estão vendo? Olha, tem uma, duas, três requisições que o GPT Luna fez, e as outras aqui são tool calls, né?

28:54 Então ele chamou aqui a ferramenta, mas fez três requisições dentro de um turno e poderia fazer muito mais, né? Dependendo da complexidade do que você passar. Beleza? Mas olha como você consegue inspecionar exatamente o que o modelo trabalhou, tá? Excelente, muito bom e muito fácil. Beleza? Vamos dar uma olhada no código para finalizar este vídeo. O que importa para nós, principalmente, é este arquivo aqui, demo, né? E o que tem de legal aqui? Agents config, né? É a configuração do agente, onde você vai listar as conexões e os servidores. Essas conexões que estão salvas neste

29:25 arquivo pconections.js têm informações sensíveis das suas credenciais. Então não vou abrir isso aqui, mas os servidores estão no mcps.jason, que é justamente o que a gente usa para conectar, tá? Então, no post, eu tenho a configuração do MCP do Post Hog; no Lin, tenho a configuração do MCP do Lineer. E aí você consegue se conectar usando esse connect.p, P, que basicamente faz a conexão com aquelas ferramentas e salva tudo no connections.jom. Então, aqui no código, ele pega a conexão e grava aquela credencial. E essas credenciais são

29:57 salvas no vault da Open Ai, ou seja, no cofre que eles têm, tá? Vamos até ver o vault deles em mais detalhes, que é a forma de gravar as credenciais do MCP e colocá-las nas sessões dos agentes. Isso é muito legal, porque ele vai ser responsável por gerenciar tudo de forma segura. Você não vai precisar ficar passando a API de um lado para o outro. Assim que você cria o seu agente, ele já cria um vault para que aquele agente grave as informações, as conexões, os acessos. Então isso fica

30:27 no ambiente seguro do servidor da Open AI, muito melhor do que ficar passando a API de um lado para o outro. E o legal também é que ele consegue lidar com refresh token e todo esse tipo de coisa, então fica muito mais fácil e prático. Beleza? Então, esse arquivo connect.p P basicamente cuida da conexão com os MCPs e salva o connections.jonjason no vault. Mas o que importa principalmente para nós é como executar. Então, aqui a gente carrega o ENV, carrega a sessão, carrega as conexões, ou seja, o vault, e beleza,

30:58 inicializamos o agents config, passando as configurações do MCP. E aqui tem vários códigos para a animação do input e tudo mais. Aqui está o que fazer dependendo de cada evento: um item foi adicionado, o turno foi finalizado, coisas do tipo. Olha aqui como você envia, tá? Se não tiver uma sessão, ou seja, se este arquivo não existir, você vai criar uma sessão passando o vault, né, o Vault ID que está em connections. Bem legal também. Caso contrário, você só lê a sessão, que, no seu app, leria de um banco de dados, beleza? E o que você precisa definir, por exemplo, aqui no ponto ponexample, é a sua chave da Open AI, né? É por ali que você vai executar os comandos. O modelo, neste caso, eu defini como GPT 5.6 Lune. E, como estou usando Post Hog, você pode definir qualquer outra coisa que seja relevante para o seu app. Neste caso, defini o Project ID, que vai ser passado para fazer a conexão corretamente com o post. Beleza? Então, pessoal, é muito simples criar um agente, como mostrei. Esse agents config é basicamente a lista do modelo, das

31:28 de um banco de dados, beleza? E o que você precisa definir, por exemplo, aqui, a sua chave da Open AI, né? É dali que você vai executar os comandos. O modelo, no caso, aqui eu defini o GPT 5.6 Lune. E, como aqui eu tô usando Post Hog, você pode definir qualquer outra coisa que seja relevante para o seu app. No caso, aqui eu defini o Project ID, e esse Project ID, né, vai ser passado ali para se conectar corretamente lá no post. Beleza? Então, pessoal, é muito simples criar um agente aqui, como eu mostrei, né? Então, essa configuração de agentes aqui é basicamente a lista do modelo, as

31:59 instruções que estão neste MD — neste caso, foram definidas no MD — e das ferramentas. As ferramentas vêm dos MCPs, mas aqui você consegue colocar outras ferramentas, como uma função ou uma busca na web. Então vamos fazer esse teste. Vou fazer o seguinte: vou perguntar algo como: “Quando é o próximo jogo do Vasco?” E, neste momento, não tenho nenhuma ferramenta de busca na web; só tenho esses dois MCPs. Então ele não deveria saber resolver o problema. Só que, se formos até tools and integrations,

32:29 vamos encontrar aqui o web search. E olha, é basicamente assim que a gente adiciona. Então já vou copiar isso enquanto ele responde. Provavelmente não vai conseguir. Olha só: “Não consigo confirmar a agenda esportiva. Como a data é 12 de setembro, prefiro não arriscar o próximo adversário”, né? E aí ele falou algo que está no corpus de treinamento dele, tá? No corpus de treinamento dele tem o site do GE. Aí ele me mandou consultar o site, mas não é isso que eu quero; quero dar essa habilidade para ele. Então vou abrir o agent e dizer o seguinte — já estou usando o GN 3.8 flash aqui: “Please add web

33:00 search capability to this agent.” Basicamente, copiei a documentação da agency API e pedi ao Jam Nike para adicionar isso para mim. É só mudar isso, né? Hoje em dia a gente fica preguiçoso. Ninguém mais mexe em código, né? Isso seria muito mais rápido se eu simplesmente tivesse mexido em um arreio, mas também estou com preguiça e quero mostrar para vocês o agents idee do cursor. Vamos deixar o Jemn fazer isso para a gente. Um parêntese: o Jamn de fato leva muito mais tempo do que deveria, né? Ele fez, explorou sei lá quantas coisas, sei lá quantas

33:32 buscas, algo que seria muito mais fácil. Inclusive, mostrei essa particularidade do Gemini no meu vídeo, em que reviso não só o Gemini, mas também o plano de AI do Google. Vou deixar o link para você assistir depois. Bom, pessoal, este exemplo foi muito mais complicado do que eu pensei, porque pelo menos o Gem Knight decidiu fazer um milhão de outras coisas, inclusive adicionar um reasoning effort que eu não pedi em nenhum momento, tá? Era mesmo só para adicionar este web se mode live aqui. De fato, ele precisa formatar melhor; está atualizando o teste, o readm, assim

34:02 realmente ficou muito mais complexo, mas o importante é que acho que ele já terminou. Então vou parar o servidor e abri-lo de novo. E aí, olha só: estou na mesma sessão, porque ela está salva localmente. Se eu executasse barra history, vocês veriam que eu recupero a conversa, né? Então vou perguntar de novo: “Tente outra vez. Agora você tem acesso à busca na web.” E agora, pessoal, quero testar uma coisa que não tenho certeza: se eu reiniciar a sessão e adicionar uma funcionalidade nova, ela será aplicada àquela sessão ou vou precisar

34:33 começar uma nova. Olha, ele disse que não está disponível, então provavelmente tenho que começar uma nova sessão aqui. Digitei barra new. E vou mandar: “Quando é o próximo jogo do Vasco?” Vamos ver se agora ele consegue acessar em uma sessão nova. Aí sim ele vai ter acesso àquelas ferramentas, né? Disponível. Isso acontece no Coldex também. Você instala um novo MCP, uma coisa nova, e ele sempre diz: “Ah, não tenho acesso nesta sessão; crie uma nova sessão”, e tudo mais. Então era exatamente o esperado. E olha só, maravilha. Dá para ver que ele chamou o Web search. E aqui está o resultado. O próximo

35:05 O jogo do Vasco é hoje, sábado, 12 de setembro, às 4 horas, daqui a aproximadamente 8 minutos. Isso significa que terminamos o exemplo por aqui. Preciso finalizar este vídeo para ir assistir ao jogo. Beleza, pessoal? Espero que vocês tenham gostado deste vídeo, que é bem mais técnico, mas que julgo fundamental para quem quer construir produtos com IA e quer, de fato, incorporar a IA no dia a dia, na empresa e no time. É por isso que estou dedicando tanto tempo para criar, né, um curso de programação agêntica de harness and

35:35 engineering, que tenho certeza de que vai ser muito útil. Essa foi, de longe, a busca, a procura que mais recebi aqui no canal. E, sem dúvida, teremos assuntos como esse aqui, que a API de agentes da OpenAI nos ajuda a construir. Beleza? Mas agora quero saber de você: o que você construiria com a API de agentes da OpenAI? Como ela resolveria o seu problema? Será que vale a pena, apesar do lock-in, ter que, de fato, construir dentro do ambiente da OpenAI? Me conta aqui nos comentários, quero saber a sua

36:06 opinião. E, já que você foi até os comentários, não deixe também de se inscrever neste canal. Muita gente assiste aos vídeos por aqui, mas não é inscrita, e a sua inscrição conta muito, assim como o seu like. Então, já deixe o seu like. Se estiver no celular, também dê hype neste vídeo. Não deixe de compartilhar este vídeo com aquele seu amigo ou amiga que gosta de programar com IA, gosta de Harness Engineering. Tenho certeza de que vão gostar bastante deste canal. Agradeço imensamente a você por estar comigo até agora. Agradeço à HostGator, nossa parceira em relação a VPS aqui no canal, e até a próxima. Isso.

Transcrição original

[00:00] Aperai acabou de anunciar a sua nova API de agentes, uma nova forma de criar e distribuir os seus próprios agentes de ar, só que lá na infraestrutura do Codex. Por isso, no vídeo de hoje, eu quero te contar tudo sobre essa nova API, quais são os seus principais casos de uso, vantagens e desvantagens. Eu quero te mostrar como você pode configurar a API na prática e responder a pergunta: será que a nova Agents API é a melhor forma de criar o seu próprio hardness? Se você trabalha com

[00:31] inteligência artificial em um ambiente com mais de uma pessoa, muito possivelmente você já passou pela necessidade, pelo desejo de distribuir aquele agente que você criou. Imagine o seguinte, né? você tá lá trabalhando, né, em uma determinada tarefa e aí você configura o seu agente, seja lá no Codex, no Cloud Code, né, no Open Code, onde quer que você trabalhe, você configura aquele agente com acesso a todas as ferramentas que são úteis pro seu dia a dia. Talvez ela se conecte no seu calendário, talvez ela puxe os tickets da sua empresa, talvez ele tenha

[01:01] acesso ao analytics da sua empresa, enfim, você monta um conjunto de ferramentas que torna aquele seu assistente muito capaz para aquela tarefa que você tá realizando. E aí chega uma outra pessoa e você quer que ela use aquele agente também. Só que como que você faz para distribuir todo esse conjunto de coisas que você demorou ali montando para aquela pessoa? Você não consegue fazer isso facilmente. Você vai ter que dar uma lista de coisas para ela instalar, para ela configurar. E ela vai ter que se conectar, talvez, utilizando uma API key. Aí você vai ter que compartilhar a API Key com ela. Você

[01:33] vai mandar ali no WhatsApp ou no Slack, que é não são formas adequadas de você compartilhar esse tipo de chave e vira um pesadelo, né, para você compartilhar aquilo com uma outra pessoa, para você replicar aquela estrutura de agente, tá? Um segundo caso de uso que talvez você já tenha esbarrado é se você quiser colocar um agente dentro da sua própria aplicação. Imagine, por exemplo, que você tem lá a sua empresa que é um consultório e aí alguém pode entrar para marcar uma consulta e normalmente, né, você vai ter uma experiência, vamos

[02:03] dizer assim, de um chatbot. Você pode entrar e tirar dúvidas, mas aquele chatbot dificilmente vai ter acesso a ferramentas, que é o que vai separar ele do que nós chamamos de um agente. Um agente de a nada mais é do que um modelo de A com acesso a ferramentas. De forma simplificada, a gente pode pensar dessa forma. Então, se aquele aquele chatbot não consegue, por exemplo, marcar uma consulta, né, você vai ali, é, talvez só tirar dúvidas e ele vai encaminhar para um assistente humano ou talvez vai enviar alguma coisa por e-mail, o máximo alguma coisa desse tipo, tá? Mas se você tem um agente de ar rodando dentro do

[02:35] seu app, dentro do seu site, dentro da sua infraestrutura, você pode fazer com que aquele agente de tome de fato alguma ação, que ele use uma ferramenta, por exemplo, a ferramenta de marcar uma consulta dentro ali do seu app. Então você não precisa que aquilo seja rodado dentro de um harness secundário, por exemplo, no Codex, por exemplo, no Cloud Code, como eu disse, você pode fazer aquilo dentro da sua própria aplicação. Quer ver um exemplo? Eu falei há um tempo atrás aqui sobre a nova CLI do Conte Brasil, que é uma forma de você executar todas as funcionalidades do

[03:06] Conte Brasil lá no seu harness favorito. Inclusive, se você quiser conhecer mais sobre a CLI do Conte Brasil, eu vou deixar o link para você assistir aqui depois. Agora, imagina que as pessoas entram lá no Cont Brasil e, sei lá, talvez ela queira rodar um back test, que é uma das funcionalidades que a gente oferece com a CLI do Conte Brasil. Você pode executar aquele back test ali no seu harness favorito, por exemplo, no Coldex. Mas se você tá aqui na interface do Contrasil, você consegue simplesmente vir aqui, selecionar estratégia, time frame, o ativo que você quer, quer executar e por aí vai e realizar aqui o seu back test, certo? Imaginem que eu

[03:37] quisesse colocar uma experiência 100% agêntica dentro do Contras. Eu poderia ter o meu agente de A rodando aqui. Em vez da pessoa ter que rodar lá no Codex, no Cloud Code, no Open Code, no Grockbot, onde quer que ela esteja, ela poderia rodar aqui direto. Então esse é um outro caso de uso que pode fazer sentido para você que quer criar e disponibilizar o seu próprio agente de A. Agora que você já entendeu a motivação de porque que você poderia querer construir um agente, você precisa entender que quando a gente trabalha com

[04:07] um agente de a ele tem diversas funcionalidades que hoje nós esperamos de um agente. por exemplo, a capacidade dele de executar num loop, por exemplo, a capacidade dele de executar um código, por exemplo, a capacidade dele de fazer uma busca na web, de despachar suagente, tudo que você espera de um harness tradicional de inteligência artificial, você teria que construir na mão se você quisesse fazer isso dentro do seu appel disponibilizar. E formas de você fazer isso até hoje eram, por exemplo, o

[04:39] agents SDK da própria Open AI ou até mesmo se você baixar um pouco ali o nível, a responses API também da Open AI. Eu já trouxe muito anteriormente aqui no canal exemplos usando o Agno, por exemplo, que era um framework Python para você construir a gente. Só que você ainda tem que controlar muito dessa parte compactação, diversas coisas que a Open AI já resolveu para você. Então, é justamente essa a motivação por trás da nova Agents API. A Agents API é uma forma de você criar o seu próprio agente

[05:11] plugado na cloud da Open AI, ou seja, toda essa parte do controle, né, do harness do seu agente vai estar rodando ali na cloud da Open AI. E aí ela vai, né, se se encarregar de compactação, ela vai se encarregar de orquestração, ela vai se encarregar de sandbox e você só constrói a aplicação que se conecta via API com esse agente que está nada mais e nada menos rodando dentro do harness do Codex, só que lá na infra da Open AI. Rafael, essa é a única forma de fazer?

[05:41] Claro que não. Eu mesmo gosto bastante de fazer utilizando o Open Code. O Open Code também tem um SDK que você consegue construir o seu agente e rodar em cima do servidor do Open Code. Você inicializa um servidor rodando Open Code, você se conecta com a SDK do Open Code lá e você consegue construir o seu próprio harness. Só que a promessa da Agents API aqui da Open AI é que essa parte de você criar o servidor acabou. Você não precisa mais gerenciar o servidor que tá rodando ali, né? por exemplo, o Open Code, não, você se conecta diretamente lá na API da Open

[06:13] AI, beleza? Inclusive, se você tem interesse em construir o seu próprio Harne, seja para você, seja pra sua empresa, seja pro seu time, vai sair agora em setembro o meu curso de Harness Engineering, beleza? Então, já faz um tempo que eu abri a lista de espera, já comecei a produção do curso, tá? Então, fica ligado, pode ser que quando você esteja assistindo esse vídeo, ele já não esteja mais na wait. o link para você entrar na wait e ser avisado assim que nós estivermos preparando o lançamento, assim que o vídeo estiver pronto para ser disponibilizado, inclusive com

[06:44] condições especiais, vai tá tanto na descrição quanto no comentário fixado. Então não deixa de se inscrever lá no curso de harness de nebling, beleza? E uma outra coisa que eu também recomendo a você que quer aprender mais sobre harness é ver a minha aula aqui de harness engineering, uma das aulas mais assistidas aqui do meu canal, beleza? Então eu vou deixar o link para você assistir aqui depois e entender melhor o conceito de Harnes e o que você consegue fazer com ele. Muito bem pessoal, então já falamos sobre a motivação, nós já falamos sobre alguns exemplos, né, como que a API de agentes da Open AI te ajuda

[07:15] nisso. E agora vamos olhar concretamente aqui na proposta da Open AI, tá? Então isso aqui é um produto que está em beta e foi lançado agora dia 10 de setembro. Eu tô fazendo essa gravação aqui no dia 12 e no dia 10 eles disponibilizaram o beta, onde basicamente eles dizem: “Construa e execute agentes na cloud com o harness do Codex, só que gerenciado pela Open AI. Eu gosto muito dessa proposta aqui, porque eu gosto muito do Harness do Codex, é o meu favorito. Então, saber que eu consigo trabalhar

[07:45] aqui nesse harness do Codex, né, sem me preocupar com infraestrutura, é algo que me interessa.” Beleza? Então vamos dar uma olhada aqui nesse vídeo de apresentação deles, só que eu vou dar o play aqui no YouTube pra gente poder ver aqui com legenda e vamos ver aqui o que que eles dizem. Beleza? [música] >> Então justamente aquilo que eu falei para vocês, né? Não é só colocar ali um modelo. Esse modelo tem que ser capaz de se conectar com tudo que tá em volta

[08:17] dele, né? que nós chamamos de hard, particularmente em tarefas de horizonte mais longo, tá? Aquela tarefa que você vai realizar diversas coisas na mesma trad. Beleza? [música] >> Beleza, né? Então, de novo aqui, a API pega o o harness do Codex e coloca hoster, né? Coloca ali no servidor da própria Open AI. Open >> então você vai se conectar ali no

[08:48] harness que está rodando na cloud e esse harness tem acesso à orquestração, sessão e gerenciamento de contexto, né? Muito legal. Principalmente a parte de orquestração, isso que me agrada bastante. >> E vocês viram ali que tem a sandbox, né? Sandbox é justamente para você executar aquelas coisas, né, que tem mais risco. Por exemplo, se você quer executar código, você não quer deixar que uma pessoa, né, um usuário qualquer consiga controlar código que roda na sua máquina, porque isso pode, né, ter implicações de segurança. Então você consegue fazer essa sandbox, né, onde o

[09:19] código vai ser executado nesse ambiente seguro, tá? Aí tem um detalhe, essa sandbox pode ser da própria Open AI, ela vai te cobrar por isso, ou pode ser a sua própria sandbox ou como eu vou mostrar ainda no final desse vídeo, você nem pode precisar de sandbox, dependendo do seu caso de uso, talvez você nem se preocupe com sandbox, sei lá, no exemplo que eu dei, né, da marcação de uma consulta, você não tem que executar código nem nada do tipo. Então, talvez você nem precise da sandbox nesse caso que simplifica bastante, né, a arquitetura.

[09:51] estão mostrando o código aqui. Eu já vou mostrar para vocês. Então, vou passar mais, mas olha que legal, você consegue configurar ali no seu harness, né, que tá lá na cloud, diversas ferramentas. Então, você já consegue colocar ele bundle com os seus MCPs ou com os seus MCPs, mais skills para ajudar ele a usar MCP da forma correta ou até mesmo skills diretos. Então você tem lá uma empresa onde você tem um processo que você já estipulou ali, já determinou para que o agente sempre faça daquela forma. Você

[10:21] transforma aquilo numa skill, você coloca aquela skill dentro desse ambiente único e compartilhado. Sempre que houver uma requisição para aquele agente, ele vai ter aquela skill disponível, excelente para você uniformizar processos dentro de um time, né? Então isso aqui a gente já vai ver no código, né? Mas você define ali o environment, onde vai rodar ali o agente. Aqui no caso ele tá mostrando

[10:51] você colocando lá na openi. É um pouco confuso porque na verdade esse environment aqui é para sandbox, tá? Então tá aqui, ó, open hosted sandbox. Se você não precisar, como eu disse, das habilidades de sandbox, você nem precisa disso aqui, tá? Então, olhando assim de a primeira vista, pode parecer que você sempre vai precisar colocar no Open. Ai, não é o caso, tá? Isso é muito importante, pessoal, quando você tá trabalhando, principalmente se

[11:22] você vai colocar isso num ambiente em produção com acesso para outros usuários, tá? Que você tenha a observability, né? você consiga ver os log, você consiga ver como que as pessoas estão usando a ferramenta, como que as Tools estão sendo chamadas, a Tool tá sendo chamada adequada, não tá sendo chamada, será que o agente não tá entendendo quando ele deve chamar ferramenta? Você consegue auditar isso muito mais fácil. E aí no ambiente da Open AI você já vai ter isso também. Vou mostrar para vocês >> aqui. Ele tá dando e um exemplo onde ele criou um arquivo, né? Então como ele

[11:52] cria um arquivo aqui ele tá trabalhando uma sbox para que ele possa criar e disponibilizar o arquivo para quem tá usando, né? Beleza pessoal? Então, esse aqui é o vídeo, tem bastante informação legal aqui. Vamos passar bem rapidinho aqui pelos artigos para ver se tem mais alguma coisa legal, né? Eh, o código a gente já vai olhar. Eu queria mostrar aqui esse gráfico para vocês, tá? Então, a gente viu ali mais ou menos rapidinho como que funciona aqui. Então, a sua aplicação, né, sei lá, o seu app, web, a sua CLI, né, o seu script, o que quer que você crie, ela vai despachar ali uma tarefa ali por a API. Essa API aqui é o

[12:22] harness do Coldex, rodando uma cloud. E aí de novo, isso aqui é um pouco confuso porque parece que toda tool call necessariamente precisa passar por uma sandbox, mas não, somente as chamadas de ferramenta que você quer proteger por uma sandbox. Rafael, quais são exemplos de de ferramentas que eu não quero proteger para uma sandbox? Ué, se você se conectar direto com um servidor de terceiros, sei lá, se você quer se conectar com post, você quer se conectar com linha, como eu vou mostrar para vocês, eu não preciso passar pela sandbox, eu tô lá indo direto no servidor da postel do Líer, tá? Então você consegue construir agentes muito

[12:52] completos com MCPs da forma como você quiser, né? Desde que eles já estejam disponíveis. Se eles já estão disponíveis em algum lugar, você nem precisa da sandbox, beleza? Então isso é interessante também. E você pode perguntar: “Qual é o custo extra de você rodar isso?” Nada, porque na verdade eles dizem, ó, “There are additional fees for using the agents API”. Ou seja, você não paga nada extra, você apenas paga pelos tokens e pelas ferramentas que o seu agente utilizar. Então, se você determinar que seu agente vai rodar o GPT6 Astra, como eles mostraram aqui, o seu agente vai executar, vai gastar

[13:24] tokens e você vai, né, ter que pagar como você pagaria ali num API normal, tá? Que não tem assinatura do Codex, você vai est pagando pela API. Inclusive, se você quiser saber mais sobre o meu review do GPT6 Astra, eu já fiz um vídeo dedicado sobre ele, que eu vou deixar o link aqui também. Agora tem uma coisa que você paga, tá? Que é se você precisar da Sandbox lá da Open AI, beleza? Então, a sandbox é que estejam hosteadas lá na Openii, elas vão utilizar o contêiner RIDS, tá? Que são as os preços aqui do contêiner deles, ó. Basicamente 1 GB, se você quiser ter ali

[13:55] 1 GB de da sua sandbox, vai ser 3 centavos a cada 20 minutos e aí vai escalando, tá? Eu recomendaria que, se você precisar de fato de uma sandbox que você faça ela self hosted, tá? Tem até um guia aqui, eu já vou mostrar para vocês aqui o guia da PI, mas tem um guia de como você pode fazer para hostear a sua própria sandbox. E se você for hostear a sandbox, a minha sugestão é que você faça lá na HostGator, que é a nossa parceira aqui do canal e que eu tenho todas as minhas VPSs lá, muito

[14:25] mais fácil. Você cria uma máquina, uma VPS para você e ali você coloca os seus apps, os seus serviços, né? O seu Codex rodando aqui, a sua sandbox, enfim, você segue o guia aqui. Eu não vou fazer isso no vídeo de hoje para não ficar muito grande, mas fica aqui a dica de como você pode fazer para ter a sua própria sandbox e não pagar a FI da Open AI, você paga a sua própria VPS. Beleza? Eu vou deixar o link para você conhecer os serviços da Hostator que tem suporte 24/7 em português aqui na descrição e também no comentário fixado. Beleza, pessoal? Vamos passar aqui então pela parte técnica. da API. E aí a gente vai

[14:58] pro código e vamos ver o exemplo prático, certo? Bom, eu passei aqui por cima no início do vídeo, mas é importante que a gente entenda quais são as possibilidades de construir agentes, pelo menos no ambiente da Open AI, até porque ela vai ter diversos tipos de serviços que podem ser um pouco confusos se você não entende direito, tá bom? Agora nós temos quatro formas de construir a gente lá na Open AI. A primeira é com o Agents API, que é o que nós estamos falando hoje. A segunda é com a SDK, né? A agents SDK. A terceira com responses API e a quarta é com o chat kit, né? Com um chat bedado Y que

[15:30] você coloca no seu web, porque eu já fiz um vídeo lá para trás também sobre ele, tá? E aí tem as diferenças entre cada um deles. Vou tirar o chat kit, que basicamente ele é só um um uma widgate que você coloca para que você consiga entender. A API, quando que você vai querer utilizar ela? Quando você quiser despachar tarefas onde a própria Open AI é responsável por gerenciar o agente e salvar o progresso. Que que significa salvar o progresso? Sessão, gerenciamento de sessão, né? contexto, todo, toda essa coisa. E no caso do Agents SDK, é quando você quiser construir agentes com ferramentas

[16:01] customizadas e workflows dentro da sua própria aplicação. Aqui, né, você tá fazendo, né, o hosting dele, beleza? E no caso, claro, do response API, você está chamando o modelo diretamente. Você não está construindo um agente, você tá fazendo a chamada para um modelo e vai vir a resposta e aí você é o responsável por construir tudo em cima disso. Aqui seria API mais low level, né? Onde que o agente executa, né? No caso da Agents API, ele roda lá na Open AI, no serviço da Open AI. Agents SDK, você vai ter que rodar e aqui no caso do response API, né, também na sua aplicação, né, e você

[16:31] vai ter que se organizar para ajeitar aí, tá? Então o nível de integração inpia mais baixas. De fato, é bem fácil, como a gente já vai ver. Que mais que tem de interessante aqui? O estado entre as tarefas, né? Então no caso das sessões, por exemplo, né? Ah, o que que é uma sessão, Rafael? É uma conversa ali com todas as prompos, ferramentas, tudo que foi feito, né? Imagina que eu tenho 10 usuários acessando o meu agente, cada um vai ter a sua sessão, né? Por exemplo, então aqui no caso do Agents API, essas sessões são gerenciadas pela Open AI, tá? No caso do SDK, você vai ter que se ser responsável por isso e no

[17:03] na response API também, tá? Execução de ferramentas. Execução de ferramentas, você pode executar elas, né, dentro ali do do da sua aplicação ou na Sandbox. Aqui no caso da SDK, é sempre dentro da sua aplicação. No caso, se você precisar de um ambiente de execução, né, ou seja, código, criar arquivo, coisas do tipo, você pode fazer ele na sandbox da Openi. Você pode ter a sua própria Sandbox, como eu disse, ou você nem precisa de sandbox. Aqui, no caso da SDK, você vai ter que fazer tudo, beleza? Isso aqui é para você entender qual API você deve utilizar, qual você começaria, tá? No

[17:33] caso, a gente tá falando da Agency API hoje, então vamos olharla com mais detalhes que tá o overview dela. Nós basicamente já conversamos, tem alguns exemplos aqui mais completos, né? Mas eu quero mostrar um para vocês do zero. Vamos ver o que que a gente tem de gráfico aqui interessante, ó. Tá aqui, ó, aplicação, vai ter uma sessão com a API. Mesma coisa que a gente já viu, né? Isso aqui gerenciado pela Open AI, só que aqui eles dão a entender que o Sandbox é sempre gerenciado, não precisa. como eu disse, tá? Beleza? Vamos dar uma olhada rapidamente num código, como que seria o exemplo de um código? Bem simples aqui. Então, você

[18:04] criaria uma sessão passando o modelo, passando as instruções do seu agente, né? Então, seu agente vai rodar com aquelas instruções. Você vai listar as ferramentas ali que ele tem acesso. Aqui, no caso dele, ele vai ter uma ferramenta programatic to calling, também o MCP e aqui a capacidade de busca na web. E aqui você também pode configurar se ele pode despachar múltiplos agentes, inclusive quais são o máximo de subagente que ele vai ter acesso, tá? No caso aqui o ambiente é self hosted e as capacidades aqui incluem, por exemplo, skills, tá? Então

[18:34] você consegue ali listar skills que aquele seu agente vai ter acesso e aí você passa o input normal, tá? Então código bem simples para quem já está acostumado a construir agentes com Python. A última coisa que eu quero mostrar para vocês antes da gente ir pro código é essa parte da arquitetura, que aqui acho que fica mais claro pra gente entender, tá? Beleza? Então, a Open já executa o Harness, você já entendeu isso. A aplicação envia e recebe o resultado. E você adiciona um environment, né, um ambiente quando o agente precisa de compute ou de arquivo. Essa essa frase aqui ela ela resume

[19:05] muito bem que você vai ver confuso em outros lugares, tá? É isso aqui, tá? Esse aqui é basicamente o resumo da API. É exatamente isso aqui, tá? Você não precisa saber mais nada além disso. Quais são os pedaços? Então, o harness, que é o Coldex lá na máquina da Open AI, que vai rodar o modelo e todo o loop com as ferramentas, tá? o ambiente, que é onde o agente executa os comandos, executa código e trabalha com arquivo. O ambiente pode ser uma uma sandbox remota, pode ser o seu computador, um contêiner docker, AWS, lâmpada function, o que você quiser. Eu recomendo

[19:36] sinceramente, se você for colocar isso em produção, que você tenha ali um docker contêiner numa VPS, como eu disse, se você necessitar, claro, dessas funcionalidades aqui. Se você não precisar disso, nem environment você precisa e eu já vou mostrar para você. E por último, você precisa ali da sua aplicação, né? Ele chama aqui do do seu application server. Mas é basicamente a aplicação que vai se conectar ali com Harness, né? Imagine que, sei lá, no caso do Quant Brasil seria, né, a minha UI, né? Nosso UI lá é NextJS. Ela tá se conectando com back end fasti. E ali no

[20:07] fast API, no nosso backend, a gente faria a conexão com o harness, [roncando] né, da Open AI, que tá lá no serviço deles, né? Então é como se o Open AI funcionasse como um microserviço aqui conectado no meu back end, tá? Por exemplo, de hoje, eu vou mostrar um script normal rodando o local para não ter muita complexidade. Mas você entende que a partir do momento que você quer colocar isso aqui em produção, você vai precisar ter a sua aplicação rodando em algum lugar, possivelmente também numa VPS. Então fica aí de novo a minha recomendação para que você tenha VPS para fazer esse tipo de experimento também. Bom, eles seguem dizendo para você começar com os pedaços que a sua

[20:39] tarefa necessita e o hardness pode trabalhar, pode funcionar até sem nenhum environment, como eu disse, e a sua aplicação pode receber o progresso, né? Né? pode receber ali eh o o modelo tá trabalhando, a sua aplicação tá recebendo o resultado através de um streaming, né, que é aquela justamente aquele efeito que a gente vê num chatbot, né, que que as linhas vão sendo preenchidas aos poucos ou via web hook, que também é muito interessante. Então, quando acabar ali o agente terminar, ele manda uma notificação, você tá ouvindo aquela notificação e mostra o resultado. Isso aqui também é bem legal, tá? Beleza? Eles dizem como que você começa

[21:09] sem um environment. Então você vai passar environment do tipo N, vai enviar um input, o harness chama o modelo, usa as ferramentas configuradas e retorna os resultados. A openi vai ser a responsável por manter a sessão para um trabalho depois. Então se você quiser se reconectar na sessão, a Open vai estar mantendo aquilo lá para você. Tem a mesma coisa de uma trad no Codex. Tô aqui aberto no meu Codex, ó. Olha a quantidade de trad que eu tenho. Isso aqui seriam sessões rodando lá no ambiente da Open AI. Bom, o Harness, então, pode chamar MCPs remotos diretamente, né? Então foi o exemplo que eu falei, você quer se conectar lá no

[21:40] Lineer, você tem o seu run, se conecta, né, lá no no MCP do Line que tá no servidor do Line, você não precisa passar pro Sandbox nenhuma, tá? E você também consegue colocar ferramentas locais ali. Então, sei lá, você tem uma ferramenta ali no seu app, vamos supor, você tem ali o Quant Brasil. Quant Brasil tem uma ferramenta de back test, supondo que não exista uma CLI ou algo que eu conseguisse chamar, eu posso chamar a função diretamente dentro do meu código, tá? O que também é bem legal, porque você consegue, né, escrever coisas muito mais customizadas ali, né? Mas note que sem nenhum ambiente você não vai conseguir ter nenhum comando de bash ou apply patch

[22:12] tool, ou seja, editar ali arquivos, né, editar configurações ou executar alguma coisa no bash, se falar um curl da vida, não vai conseguir ter arquivos, né, sei lá, quero que ele gere ali ali um arquivo para mim, quero que ele gere um PDF, né, quero que ele gere um documento resum resumindo tudo que ele fez. Você não vai conseguir fazer isso aqui e nem MCPs que executem ali dentro, por exemplo, da sua VPC, né, da sua rede interna, tá? Então fique sabendo dessa restrição. Esse bloco aqui eu acho mais fácil de entender, né? Então a sua aplicação vai enviar o input para API. A API pode se conectar ali com um MCP

[22:44] server, né? Que aí tem que estar acessível através do servidor da Openi e vai retornar. Pronto, você não precisa de nenhuma sandbox, beleza? Mas aí sim, se você precisar de sandbox, aí a gente já viu esse gráfico, tá? Aí você consegue chamar ali a sandbox e aqui vai ter arquivos, comando, bash, curl, enfim, tudo que tem direito aqui dentro, certo? Beleza, pessoal? Eu vou deixar o link da documentação do Agent CPI aqui na descrição para você olhar com mais carinho tudo que você precisar. Mas é bem detalhado, né? Todas as ferramentas que você tem acesso, é, busca, functions, plugins, que é a forma deles

[23:15] de colocar, né, skills, os voltos, que é para salvar as credentials, isso vou mostrar para vocês. A parte de observabilidade, eu vou mostrar para vocês também. Multiagentes, né, os sandboxes e por aí vai, tá? Então, ficou bem legal a documentação deles, mas agora eu quero ir pro cursor para mostrar para vocês o código. Beleza, pessoal? Só tô aqui numa demo que eu criei e deixa eu começar mostrando para vocês o resultado dela, tá? Então tô aqui no terminal, eu vou mandar um comando, tipo esse aqui, ó. Check the connected post hog project and list the linear teams. Do not modify anything. Então, basicamente, estou chamando aqui

[23:47] a API, estou me conectando na API, passando esse prompt direto aqui. Você pode fazer isso de forma interativa. Vou mostrar para vocês já como. E estou passando esse prompt para ele. Só que nesse meu harness que eu configurei, eu conectei a ele também o post e o liner. Então agora esse harness tem acesso a esses dois MCPs dentro aqui, né, do código. Então isso é muito legal que eu consigo empacotar, fazer um bundle de tudo que eu acho relevante e disponibilizar para que uma outra pessoa use, por exemplo. Então essa que é a grande vantagem, vai ficar mais claro

[24:17] aqui, tá? E olha só, pessoal, foi, tá vendo, ó? Assistente ao verify both connections, etc. Assistant e retornou aqui para mim o projeto, né? O ID do projeto e os times que eu tenho lá no Líer, certo? Maravilha. Ótimo, funcionou. bonitinho. Então você tá vendo que é dado que eu tenho aqui, né, que eu conectei. E como que eu conectei esse serviço? Como que eu conectei esse MCP? Por exemplo, aqui, ó, o V run Python connect linear. Então, eu já vou mostrar o código para vocês, mas basicamente eu fazer isso aqui, ele vai abrir aqui um off, onde eu consigo me

[24:48] autenticar no lineer. E aqui você vai conseguir fazer com qualquer app, tá? Com qualquer app, você poderia fazer isso aqui. Deixa eu matar aqui. Eu não preciso me conectar de novo. E deixa eu iniciar aqui é uma sessão, tá? Então eu posso criar a sessão de forma interativa aqui, né? E aí claro que esse aqui foi só um exemplo muito simples que eu coloquei aqui junto com o Codex pra gente trabalhar, mas eu consigo ver aqui o histórico de toda a conversa se eu rodar histor para vocês entenderem que aqui eu tô numa sessão. Então olha aqui a sessão que a gente acabou de mandar, tá vendo? A gente acabou de mandar isso

[25:19] aqui. Ele me retornou essas mesmas coisas. Se eu colocar aqui um barra new, né? Antes de colocar o barra new, vou mostrar para vocês uma coisa, tá? Aqui no código, eu tô criando essa sessão e tô salvando ela localmente aqui nesse arquivo pon session. Obviamente na sua aplicação real, você provavelmente vai salvar esse session ID lá no seu banco de dados ou algum lugar para que ele seja, né, recuperado no futuro. E lá na interface do Openii, ó, tá aqui, ó, session 042A, né? É justamente que nós temos aqui, ó, 042A. Então aqui, ó, lá na plataforma do Open se você vier aqui

[25:49] em logs e em agents, vai est aqui um uma bad de new. Você consegue inspecionar a sessão diretamente por aqui, inclusive com qual foi o modelo, quantos tokens gastou e coisas do tipo, tá? Então, se eu continuar trabalhando ali, carregando essa sessão, eu vou estar trabalhando dentro aqui desses vários turnos aqui que eu fiz, beleza? Mas eu quero criar uma sessão do zero para mostrar para vocês. Então, vamos voltar aqui pro terminal. Vou colocar um barra new. Pronto, tá? Agora eu tô em uma outra sessão e a gente vê aqui, ó, o session foi até deletado, não tem mais a sessão

[26:19] aqui. Beleza? Então, deixa eu falar para ele aqui. Hi, who are you? Então, tô mandando aqui um comando novo. Isso aqui vai gerar uma nova sessão. Ó, já criou a nova sessão aqui, ó. Sessão 0125, certo? Aqui, ó. I codex, blá blá blá. Investigate program analytics or related program quant Brasil work when needed. Show de bola. Vamos lá ver que ele entrou aqui no log lá da Open AI. Vamos atualizar aqui, ó. Tá aqui a nossa nova sessão 0125. Inclusive podendo ver aqui o que aconteceu, ó, no primeiro turno, na primeira rodada, o que aconteceu, ó,

[26:50] inicializamos o agente, inclusive com a instrução, com o modelo e a gente consegue ver todos os dados, todos os metadados, inclusive aqui. E a primeira geração, o input do usuário e o output do modelo, beleza? Então, a gente consegue ver exatamente e, né, inspecionar tudo. Isso aqui é muito bom para que a gente consiga depois ver como que as pessoas estão usando os nossos agentes, tá? E aí, só para dar um exemplo aqui de capacidade, então deixa eu perguntar para ele, já que ele tem acesso ao post, deixa eu perguntar para ele isso, né? Can you please go to post hog and list to me the top three pages with most page views in program a in the

[27:22] last seven days. Então, olha só, tô aqui dentro do harness, vou pedir para ele aqui me listar as três páginas com mais visitas nos últimos s dias lá no programa. Aí ele tá conectado no Post Hog. Isso significa que ele vai ser capaz de chamar aquele MCP. Tá aqui, ó. Postog web Analytics weekly digess. É uma ferramenta que nós temos, vou mostrar o código para vocês. E o legal é que a gente pode, né, ir acompanhando aqui em tempo real, né? A gente pode atualizar aqui. E olha que beleza, ele rodou Web Analytics Weekly Digest, Query Web Stats e respondeu. Tivemos 275 page

[27:53] views, né, na home, 122 no programação agêntica, 50 page views lá no Harness Engineering. Beleza? Então, repito o convite para você que quer aprender mais sobre esses temas. Lembrando que ainda no final de setembro eles vão estar disponibilizados e a lista de espera tá aqui na descrição do comentário fixado. Eu conseguiria até clicar aqui, ó, para ver ali o breakdown para você ver como ele tá conectado bonitinho, tá? Aqui, ó. Que maravilha. Certinho, ele criou aqui para mim interagindo com o post. E como que foi lá no log? Então, ó, criou um turno dois. Um turno é sempre o input e o output do usuário. De novo aqui com as

[28:23] instruções e tudo mais. E o legal é que aqui aparece, ó, aparece as ferramentas que foram chamadas. Isso aqui é uma coisa para quem às vezes não entende por, né, quando a gente entra, sei lá, num lugar tipo Open Code GO e ele diz aqui, ó, ah, você tem até tantos, tantas requisições por hora ou aqui uma sessão de 5 horas. Só que isso aqui, pessoal, não são 3200 mensagens, isso aqui são 3200 requisições, só que cada turno pode ter múltiplas requisições. Fica claro aqui no log, tá vendo? Olha, tem uma, duas, três requisições que o GPT Luna fez e outras aqui são tool calls, né?

[28:54] Então ele chamou aqui a to call, mas ele fez três requisições dentro de um turno e poderia fazer muito mais, né? Dependendo da complexidade do que você passar. Beleza? Mas olha como você consegue inspecionar exatamente o que o modelo trabalhou, tá? Excelente, muito bom e muito fácil. Beleza? Vamos dar uma olhada então aqui no código pra gente finalizar esse vídeo. O que importa pra gente principalmente é esse arquivo aqui, demo, né? E o que que tem de legal aqui, ó? Agents config, né? é configuração do agente, onde você vai listar aqui as conexões e os servidores. Essas conexões que estão salvas nesse

[29:25] arquivo pconections.js, elas têm informações sensíveis das suas credenciais. Então isso aqui eu não abrirei, mas os servidores, né, estão aqui no mcps.jason, que é justamente que a gente usa para conectar, tá? Então aqui no post é eu tenho a configuração do MCP do Post Hog, no Lin eu tenho a configuração do MCP do Lineer. E aí você consegue se conectar utilizando esse connect.p, P, que basicamente vai fazer ali a conexão, né, com aquelas ferramentas e vai salvar lá no connections.jom. Então aqui eventualmente no código aqui, ó, ele pega a conexão e grava, né, aquela credencial. E essa credencial elas são

[29:57] salvas no volt da Open Ai, ou seja, no cofre ali que eles têm, tá? Vamos até ver aqui, ó, o volt deles com mais detalhes, que é a forma de você gravar as credenciais da do MCP e colocar eles nas sessões dos agentes. Isso aqui é muito legal, porque aí ele vai ser o responsável por gerenciar isso de forma segura. Você não vai precisar ficar passando API aqui para um lado e pro outro. E assim que você cria ali o seu agente, né, ele já cria um volt para que aquele agente grave as informações, né, as conexões os excessi. Então isso fica

[30:27] no ambiente seguro lá no servidor da Open AI, muito melhor do que ficar passando API aqui para um lado e pro outro. E o legal também que ele vai ser capaz de lidar com refresh token, todo esse tipo de coisa, então fica muito mais fácil e prático. Beleza? Então esse arquivo connect.p P é o que basicamente faz a parte de se conectar nos MCPs, salvar o connections.jonjason lá no Volt, mas o que nos importa principalmente aqui é como que você executa, né? Então aqui a gente carrega o ENV, carrega a sessão, carrega as conexões, ou seja, o volt e beleza,

[30:58] inicializamos aqui o agents config, passando as configurações do MCP. E aqui tem vários códigos aqui para pra animação do input e tudo mais. tá aqui o que fazer dependendo de cada evento? Adicionou um item, o turno foi foi finalizado, coisas do tipo. Olha esse aqui como que você envia, tá? Se você não tiver uma sessão, ou seja, se esse arquivo aqui não existir, você vai criar uma sessão passando aqui o volt, né? O Volt ID lá da connections, tá? Bem legal também. Caso contrário, você só lê a sessão, que no caso seu no seu app leria

[31:28] de um banco de dados, beleza? E o que que você precisa definir, por exemplo, aqui no ponto ponexample, a sua chave da Open AI, né? é dali que você vai executar os comandos. O modelo, no caso aqui eu defini o GPT 5.6 Lune. E como aqui eu tô usando Post Hog, você pode definir qualquer outra coisa que seja relevante ali para o seu app. No caso aqui você, eu defini o Project ID e esse Project ID, né, vai ser passado ali para se conectar corretamente lá no post. Beleza? Então pessoal, é muito simples aqui para você criar um agente, como eu mostrei, né? Então esse agentes config aqui é basicamente a lista do modelo, as

[31:59] instruções que estão aqui nesse MD, né? Aqui no caso foi definido no MD e as ferramentas, né? as ferramentas vem lá dos MCPs e aqui você consegue colocar outras ferramentas, como por exemplo, uma função ou uma busca na web. Então vamos até fazer esse teste aqui. Vou fazer o seguinte, tá? Eu vou vir aqui e vou perguntar alguma coisa do tipo: “Quando é o próximo jogo do Vasco?” E no momento eu não tenho nenhuma ferramenta de busca na web, tá? Eu só tenho esses dois MCPs. Então é para ele não saber resolver o problema. Só que se nós viermos aqui em tools and integrations,

[32:29] a gente vai ter aqui o web search. E ó, é basicamente dessa forma que a gente coloca. Então já vou até copiar isso aqui enquanto ele vai respondendo para mim. Provavelmente que não vai conseguir. Olha só, não consigo confirmar a agenda esportiva. Como a data do é 12 de setembro, prefiro não arriscar o inventário o próximo adversário, né? E aí ele falou alguma coisa que tem no corpo de treinamento dele, tá? Corpo de treinamento dele tem ali o site do GE. Aí ele me mandou consultar ali, só que não, eu quero dar essa habilidade para ele. Então deixa eu vir aqui, deixa eu abrir aqui o agent e deixa eu falar o seguinte que já tô até usando GN 3.8 flash aqui. Please add web

[33:00] search capability to this agent. Basicamente copiei ali a documentação do agency API e falei aqui pro Jam Nike colocar para mim. É só mudar ali, né? A gente fica preguiçoso hoje em dia. Ninguém mais mexe em código mesmo, né? que isso aqui era muito mais rápido se eu tivesse só mexido num arreio ali, mas como eu tô preguiçoso também quero mostrar para vocês aqui o agents idee aqui do cursor. Vamos deixar o Jemn fazer isso aqui pra gente. Um parênteses aqui que o Jamn de fato toma muito mais do que deveria, né? Ele fez, explorou sei lá quantas coisas, sei lá quantas

[33:32] buscas, uma coisa que seria muito mais fácil. Inclusive eu até mostrei, né, essa particularidade do Gemini no meu vídeo, onde eu reviso não só o Gemini, mas também o plano de AI do Google. Eu vou deixar o link para você assistir aqui depois. Bom, pessoal, esse exemplo aqui foi muito mais complicado do que eu tinha pensado, porque pelo menos o Gem Knight decidiu fazer 1 milhão de outras coisas, inclusive colocar um reasoning effort que em nenhum momento eu pedi, tá? Era realmente só para colocar esse web se mode live aqui. Ele de fato precisa, né, formatar melhor ele tá atualizando o teste, o readm assim

[34:02] realmente foi muito mais complexo, mas o importante é que eu acho que ele já finalizou. Então deixa eu matar aqui o servidor, abrir ele de novo. E aí, olha só, eu tô na mesma sessão porque como a sessão tá salva ali localmente, se eu rodasse barra history, vocês vão ver inclusive que eu recupero a conversa, né? Então eu vou perguntar aqui para ele de novo. Tente outra vez. Agora você tem acesso à busca na web. E agora, pessoal, quero até fazer esse teste que eu não tenho certeza se eu reiniciar a sessão, né, e colocar uma funcionalidade nova, se essa funcionalidade é aplicada naquela sessão ou se eu precisaria

[34:33] começar uma nova. Ó, eh, pa pá, ele disse que não está disponível, então provavelmente eu tenho que começar uma nova sessão aqui, ó. Coloquei um barra new. E aí vou mandar aqui, ó, quando é o próximo jogo do Vasco. Vamos ver se agora ele consegue acessar aqui numa nova sessão. Aí sim ele vai ter acesso à aquelas ferramentas. né? Disponível. Isso acontece no Coldex mesmo. Você instala um novo MCP, uma nova coisa, ele sempre pede: “Ah, não tenho acesso nessa trad, cria uma nova sessão, tudo mais, tudo mais”. Então isso já era o esperado mesmo. E olha só, maravilha. A gente consegue ver que ele chamou o Web search. E tá aqui o resultado. O próximo

[35:05] jogo do Vasco é hoje, sábado, 12 de setembro, às 4 horas, em aproximadamente 8 minutos. Significa que nós terminamos o exemplo aqui. Eu preciso finalizar esse vídeo para ir lá assistir o jogo. Beleza, pessoal? Espero que vocês tenham gostado desse vídeo, um vídeo bem mais técnico, mas que o julgo fundamental para quem quer construir produtos com IA e quer de fato incorporar a IA no seu dia a dia, na sua empresa, no seu time. É por isso que eu estou devotando tanto tempo para criar ali, né, um curso de programação agêntica de Harness and

[35:35] Newing, que eu tenho certeza que isso vai ser muito útil de foi de longe a busca, a procura que eu mais tive aqui no canal. E sem dúvida nós teremos assuntos como esses aqui, que a API dos agentes da Open AI nos ajudam a construir. Beleza? Mas agora eu quero saber de você o que que você construiria com a API de agente da Open? Como que ela resolveria o seu problema? Será que vale a pena frente o Lockin ter que ali de fato estar construindo dentro do ambiente da Openai? Me conta aqui nos comentários, eu quero saber a sua

[36:06] opinião. E já que você foi ali nos comentários, não deixa também de se inscrever nesse canal. Muita gente assiste os vídeos aqui, não é inscrita e a sua inscrição conta muito, assim também como o seu like. Então já deixa o seu like. Se você tiver no celular também hype esse vídeo. Não deixa de compartilhar esse vídeo também com o seu amigo e sua amiga que gosta de programar com Yaka, gosta de Huns and Engineing. Tenho certeza que vão gostar bastante desse canal. Agradeço imensamente a você por estar comigo até agora. Agradeço a Host Gator, nossa parceira em relação a VPS aqui no canal e até a próxima. Yeah.