👤 Para: Administradores de pipe (Pipe admins)
🔐 Disponibilidade: Disponível em todos os planos (Versão Beta)
🎯 Objetivo: Aumentar o nível de raciocínio de AI Agents para lidar com análises de dados complexas, documentos longos e fluxos iterativos de várias etapas.
O que é o Max Effort?
O Max effort é um recurso ativado no nível de comportamento (behavior) do agente que eleva a assertividade e a precisão de raciocínio do AI Agent ao lidar com fluxos de trabalho altamente complexos.
Ao invés de operar no modo padrão single-shot (processando tudo em uma única passada), um agente com o Max effort habilitado executa um ciclo cognitivo avançado: ele mapeia um plano, busca por páginas específicas ou trechos contextuais, revisa o próprio entendimento e realiza buscas direcionadas quantas vezes forem necessárias antes de executar a ação final.
Casos de uso ideais
Esta funcionalidade é altamente recomendada para Analistas de Negócio e Analistas de Compliance em áreas financeiras e operacionais cujos processos envolvem:
Auditoria de Documentos Longos: Análise detalhada de arquivos complexos, como faturas, contratos e relatórios que excedem 30 páginas.
Reconciliação Cross-Documento: Comparação e cruzamento de valores ou cláusulas entre múltiplos anexos no mesmo card.
Regras Condicionais Multifatoriais: Execução de lógicas atreladas a critérios interligados, como cálculos complexos, descontos customizados e políticas rigorosas de compliance.
Antes de começar
Permissões: Você precisa ser um Administrador do pipe (Pipe admin) para configurar os comportamentos dos AI Agents.
Dependências: Ao ativar o Max effort, os recursos de indexação semântica e busca na web são habilitados automaticamente.
Compatibilidade de Modelo: Certifique-se de que o comportamento esteja configurado para utilizar a estrutura nativa de LLM do Pipefy (o recurso não é compatível com chaves de modelo próprio - BYOM).
Como ativar o Max effort
O Max effort é aplicado individualmente em comportamentos específicos (behaviors) dentro de um AI Agent. Comportamentos sem essa seleção permanecem inalterados, permitindo isolar o raciocínio avançado apenas onde ele é necessário.
Acesse o pipe desejado e clique na aba AI Agents no menu superior.
Selecione um agente existente ou crie um Novo AI Agent (New AI Agent).
Na tela de configuração do AI Agent, acesse a aba Behaviors no menu esquerdo.
Localize o card do comportamento específico que deseja aprimorar (ex: Expense Report Evaluator).
Na barra de ações do comportamento, altere a chave Effort: Max para a posição ativada, ou selecione Max no menu suspenso Effort localizado na parte inferior do campo de instruções.
Legenda: Ativando a funcionalidade Max effort em um comportamento de AI Agent.
⚠️ Atenção: A ativação do Max effort altera a mecânica de execução do subagente. Verifique os limites e a estrutura de cobrança abaixo antes de publicar a alteração em ambiente de produção.
O que está incluso nesta versão Beta
Raciocínio iterativo sobre documentos: Loop inteligente que executa buscas semânticas e inspeções direcionadas por página, capaz de interpretar contextos visuais estruturados, como gráficos, assinaturas e tabelas digitalizadas.
Isolamento granular por comportamento: Liberdade para ligar ou desligar a capacidade em cada behavior individual sem impactar os demais workflows do mesmo agente.
Validação em cenários reais: Lógica interna testada e validada em cenários de alta complexidade do setor de Finanças e Seguros.
Estrutura de cobrança em Beta
As execuções que utilizam o modo Max effort são faturadas com base em um modelo de múltiplas etapas:
Como o agente realiza ciclos dinâmicos (busca, revisa o contexto e busca novamente), cada iteração intermediária conta como um passo de raciocínio (reasoning step). Processamentos em documentos complexos acumularão mais passos do que uma execução simples em modo padrão.
ℹ️ Dica: O componente de extração por OCR está totalmente desconsiderado da estrutura de cobrança durante esta fase Beta.
Checklist de validação e rollback seguro
[ ] Verificação de Entradas: Certifique-se de que os arquivos em anexo possuem camada de texto legível (evite dependência de imagens escaneadas devido à limitação temporária de OCR).
[ ] Teste de Mapeamento: Confirme se os campos de saída mapeados recebem corretamente os dados estruturados após o ciclo de análise.
[ ] Rollback Seguro: Se o processo demandar integração imediata com BYOM ou apresentar interrupções por tempo de execução, abra as configurações e altere o campo Effort de volta para Standard. Isso reverte o agente ao modo de execução simples sem impactar o restante da automação.
Resolução de Problemas (Troubleshooting)
O AI Agent não consegue extrair texto de um documento anexado
Sintoma: O agente retorna campos em branco ou informa que não encontrou informações dentro do arquivo PDF.
Correção: Verifique se o documento é uma imagem digitalizada sem camada de texto. Como esta versão Beta não possui OCR nativo, envie novamente o documento em formato legível por leitura digital ou realize a extração prévia do texto.
A execução do comportamento é interrompida durante a análise de documentos
Sintoma: O processo para de responder inesperadamente sem retornar mensagens de erro em workflows muito longos.
Correção: A execução pode ter excedido o limite de 10 minutos e sofrido uma falha de worker. Divida o documento em arquivos menores ou ajuste as instruções para focar em trechos mais específicos.
A opção Max effort está desativada ou indisponível no comportamento
Sintoma: O botão seletor de "Effort: Max" está bloqueado para alteração.
Correção: Verifique a chave de modelo utilizada. Se o comportamento estiver vinculado a um provedor próprio de LLM (BYOM), a funcionalidade ficará indisponível. Reverta o provedor para a estrutura nativa do Pipefy para liberar o recurso.
Próximos Passos (Roadmap Público)
Resiliência Completa de Execução: Mecanismos de checkpoint e recovery para fluxos de longa duração.
Evolução na Extração de Texto: Soluções alternativas para substituição de dependências de OCR.
Rastreabilidade Avançada: Expansão da visibilidade dos logs e passos internos de raciocínio do subagente para os usuários.