ReAct Agent no n8n: quando a IA para de "responder" e começa a agir

Existe um momento silencioso em que a automação deixa de ser uma sequência de nós pré-programados e passa a se parecer com um raciocínio. É ali que entram os agentes de IA — e, entre eles, o ReAct Agent, um dos padrões mais influentes da história recente dos modelos de linguagem. Neste artigo, exploramos o que é o padrão ReAct, como ele funciona por baixo do capô e como o node ReAct Agent do n8n transforma essa teoria acadêmica em fluxos de trabalho executáveis dentro de qualquer operação.

O que é o padrão ReAct, afinal?

ReAct é a abreviação de Reasoning + Acting — raciocínio e ação. A ideia central é quase banal na sua simplicidade: em vez de pedir que um modelo de linguagem apenas "pense" e produza uma resposta final, o ReAct o instrui a alternar entre pensar, agir e observar, repetidamente, até resolver o problema.

A analogia mais didática é a do detetive em uma cena de crime. Um bom investigador não fica parado olhando o ambiente enquanto formula uma teoria completa na cabeça. Ele observa, levanta uma hipótese, examina uma pista, descobre algo que muda sua suposição, examina outra pista, e assim por diante. O raciocínio e a coleta de evidências caminham juntos, um alimentando o outro.

É exatamente isso que o ReAct faz com um modelo de linguagem:

Thought (Pensamento) — o modelo verbaliza o que está considerando, qual é o próximo passo lógico.
Action (Ação) — o modelo decide usar uma ferramenta externa (buscar na web, consultar um banco, chamar uma API).
Observation (Observação) — o resultado da ferramenta retorna ao modelo, que agora tem informação nova e concreta.

E o ciclo recomeça. "Fale consigo mesmo, depois faça, depois olhe." Esse loop é o motor que sustenta a maioria dos agentes modernos.

A origem acadêmica: do paper ao workflow

O padrão ReAct não nasceu em uma ferramenta de automação. Ele foi formalizado no artigo "ReAct: Synergizing Reasoning and Acting in Language Models", publicado no arXiv (2210.03629) em 2022 por pesquisadores como Shunyu Yao e Yuan Cao. A proposta na época era resolver um problema concreto: modelos de linguagem eram bons em raciocinar (chain-of-thought) e bons em agir, mas raramente faziam as duas coisas de forma entrelaçada.

O paper demonstrou que a intercalação entre pensamento e ação reduzia alucinações justamente porque ancorava o raciocínio em evidências reais. Em vez de inventar uma resposta plausível, o modelo era obrigado a buscar o dado e confrontá-lo.

Pouco tempo depois, esse padrão migrou dos laboratórios para frameworks de orquestração — e daí para ferramentas visuais como o n8n, onde virou um node configurável.

O node ReAct Agent no n8n

No repositório de documentação em português (n8n-brasil/n8n-Doc-PT-BR, branch main, arquivo docs/advanced-ai/nodes-ia/react-agent.md), o ReAct Agent aparece como um dos tipos de agente disponíveis na categoria de nós de IA avançada. Ele compartilha a mesma arquitetura conceitual dos demais agentes do n8n, mas com uma característica própria: a estrutura de prompt e execução é otimizada para o loop explícito de pensamento, ação e observação.

Na prática, um ReAct Agent em n8n é montado a partir de quatro pilares:

1. Chat Model (o cérebro)

É o modelo de linguagem que vai gerar os pensamentos e decidir as ações. Pode ser um modelo OpenAI, Anthropic, Google Gemini, ou um modelo local via Ollama. A escolha aqui define não só a qualidade do raciocínio, mas também o custo por execução.

2. Tools (as mãos)

As ferramentas são o que separa um chatbot de um agente. Cada tool conectada ao node — uma consulta HTTP, uma query em banco de dados, um cálculo matemático, uma busca vetorial em base de conhecimento, um envio de e-mail — amplia o que o agente pode efetivamente fazer.

3. Memory (a lembrança)

Um agente sem memória esquece o que descobriu no passo anterior. O nó de memória (janela de contexto, buffer, ou memória vetorial) garante que o histórico do loop permaneça disponível ao longo da execução e, em fluxos conversacionais, entre sessões distintas.

4. System Prompt (as instruções)

Aqui mora o segredo prático. Um ReAct Agent só funciona bem quando recebe instruções claras sobre qual é o objetivo, quais ferramentas estão disponíveis, quando parar e em que formato responder. Prompts vagos produzem agentes que dão voltas sem chegar a lugar nenhum.

Como isso aparece na prática

Imagine um fluxo de atendimento para um e-commerce brasileiro. O agente recebe a mensagem de um cliente: "meu pedido não chegou e quero saber onde está".

Com um ReAct Agent, a execução seria algo assim:

Thought — "Preciso do número do pedido. Vou verificar se ele foi informado na conversa."
Action — Aciona a ferramenta de memória/consulta de histórico do chat.
Observation — O pedido nº 48213 foi mencionado duas mensagens atrás.
Thought — "Agora vou consultar o status logístico desse pedido."
Action — Chama a API do sistema de rastreamento.
Observation — O pedido está retido no centro de distribuição de Cajamar (SP) desde ontem.
Thought — "Tenho a informação necessária. Vou responder ao cliente com o status e o prazo estimado."
Action — Envia a resposta final.

O ponto crucial: nenhuma dessas etapas foi hardcoded. O fluxo não diz "se o cliente reclamar de entrega, consulte a API X". O agente decide, com base nas ferramentas que recebeu, qual caminho percorrer. Isso é o que torna a automação adaptável a casos que o desenvolvedor não previu.

ReAct Agent x outros agentes do n8n

Vale a comparação, porque a escolha do tipo de agente errado é uma das causas mais comuns de fluxo instável.

Tipo de agente	Característica principal	Quando usar
ReAct Agent	Loop explícito de pensamento → ação → observação	Tarefas que exigem raciocínio em múltiplos passos com ferramentas variadas
Tools Agent	Prioriza a chamada estruturada de ferramentas nativas	Quando o modelo suporta function calling robusto e o caminho é mais direto
OpenAI Functions Agent	Depende do mecanismo de funções da OpenAI	Fluxos fechados no ecossistema OpenAI, com alta confiabilidade de parsing
Conversational Agent	Foco no diálogo, com poucas ferramentas	Chatbots com contexto conversacional longo
Plan and Execute Agent	Planeja tudo antes de executar	Tarefas longas que se beneficiam de um plano explícito

O ReAct se destaca quando o problema é exploratório: você não sabe de antemão quantos passos serão necessários, nem em que ordem.

Boas práticas para não quebrar o loop

Agentes ReAct são poderosos e, ao mesmo tempo, traiçoeiros. Alguns cuidados fazem diferença enorme:

Limite o número de iterações. Sem um teto de passos, um agente confuso pode entrar em loop infinito, queimando tokens e tempo. Configure sempre um limite máximo de iterações.
Escreva descrições de ferramentas com precisão cirúrgica. O modelo escolhe a ferramenta com base na descrição dela. Descrições genéricas geram escolhas erradas.
Reduza o escopo de cada agente. Um agente que faz tudo tende a fazer tudo mal. Prefira agentes especializados, cada um com três ou quatro ferramentas bem definidas.
Monitore custos. Cada volta do loop é uma nova chamada ao modelo. Em fluxos com muitas iterações e modelos grandes, o custo por execução cresce rápido.
Valide saídas críticas. Se o agente vai executar uma ação irreversível (emitir reembolso, enviar e-mail em massa, alterar registro em produção), coloque uma camada de validação ou aprovação humana antes.
Registre os pensamentos. Logar os Thoughts é o melhor instrumento de depuração que existe em um agente. Sem eles, você vê apenas o resultado final e não faz ideia de onde o raciocínio descarrilhou.

Limitações que ninguém deveria ignorar

O ReAct não é bala de prata. Ele herda todos os defeitos do modelo que o executa: alucinações, viés, sensibilidade a variações de prompt. Além disso, o formato de texto livre do pensamento é mais frágil do que chamadas de função estruturadas — um modelo que "escreve mal" o formato pode quebrar o parser do agente.

Há ainda a questão da latência: cada iteração é uma ida e volta ao modelo. Um agente que precisa de seis passos para responder terá, naturalmente, um tempo de resposta maior do que uma chamada única. Para aplicações sensíveis a tempo real, isso precisa entrar na conta.

E existe o risco de segurança: um agente com acesso a ferramentas poderosas é, na prática, um executor com permissões. Princípios de menor privilégio, sanitização de entradas e isolamento de credenciais não são opcionais.

Conclusão

O ReAct Agent representa uma mudança de paradigma na automação: saímos do território dos fluxos determinísticos, em que cada caminho é previsto pelo desenvolvedor, e entramos no território dos fluxos deliberativos, em que o sistema decide como chegar ao objetivo. O n8n, ao trazer esse padrão para uma interface visual baseada em nós, democratiza algo que até pouco tempo atrás exigia código, orquestração manual e conhecimento profundo de frameworks de agentes.

O detalhe que separa um ReAct Agent impressionante de um ReAct Agent problemático raramente está no modelo escolhido. Está na qualidade das ferramentas, na clareza do prompt de sistema e na disciplina de quem constrói o fluxo. O padrão entrega o loop; cabe a você entregar o propósito.