Quando o Agente Erra: Corrigindo por Conversa — aula do módulo Primeiro Resultado em 10 Minutos, na trilha Começando com Antigravity: do Zero ao Primeiro…
Leitura de aproximadamente 4 minutos.
Módulo: Primeiro Resultado em 10 Minutos · Curso: Começando com Antigravity: do Zero ao Primeiro Resultado · Formação: Formação Nível Zero: Ferramentas Essenciais e Gratuitas de IA e Código
O relatório da aula anterior não saiu pronto na primeira tentativa. Saiu em três rodadas: a versão inicial e dois ajustes. Isso não é sinal de que a ferramenta é ruim nem de que o prompt estava errado — é como o trabalho acontece. A diferença entre quem consegue usar um agente e quem desiste na primeira semana está inteira aqui: saber olhar a saída, apontar o defeito e pedir a correção.
Você não precisa saber programar para isso. Precisa saber descrever o que está errado com precisão, que é a mesma coisa que você faria com um profissional que trabalha para você.
Uma boa correção tem três partes:
1. O que aconteceu, com o exemplo literal da tela. 2. O que deveria acontecer. 3. Como resolver, quando você tem uma preferência — e só quando tem.
Compare. Correção ruim: "o nome dos arquivos está estranho, arruma". Correção boa: veja o caso 1 abaixo.
Na organização da pasta, o arquivo Sem título.txt virou sem-t-tulo.txt. O acento foi tratado como caractere inválido e substituído por hífen. Erro pequeno, resultado feio, e que aparece em quase todo script de renomeação escrito sem pensar em português.
O texto que corrigiu:
O acento no nome do arquivo está virando hífen. Troque por transliteração:ívirai,
çvirac,ãviraa. Sem tabela manual de caracteres — normalize o texto e
descarte os sinais diacríticos.
Duas coisas a observar. Primeiro, o exemplo concreto (í vira i) elimina a ambiguidade. Segundo, a última frase evita uma solução ruim: sem ela, é comum sair uma lista manual com vinte caracteres, que funciona para o português e quebra no primeiro nome com ü ou ñ.
O relatório funcionou perfeitamente com o CSV do exercício. Aí veio o teste que importa: um arquivo exportado do Excel em português, com separador ponto e vírgula, valores no formato R$ 1.250,00, datas 03/01/2026 — e uma linha em branco no fim, como é comum.
A linha em branco quebrou a detecção da coluna de valor. O script calculava a taxa de acerto contando as células vazias como falha, e por isso descartava a coluna certa.
O texto que corrigiu:
Uma linha vazia no fim do CSV está desqualificando a coluna de valor. Calcule a taxa de
acerto da detecção só entre as células preenchidas, ignorando as vazias.
Depois disso, a saída no segundo arquivo: 4 linhas | valor: Faturamento | data: Data | grupos: Servico, Cliente, com total 7.731,25. Repare que a coluna de valor se chamava Faturamento, e não Valor — a detecção automática pedida na aula 3 provou o seu valor aqui.
A lição que fica: o teste que conta é o que usa o seu arquivo, com a sua bagunça. Um script que só funciona no exemplo do curso não serve para nada.
Acontece: você pede, ele conserta, quebra outra coisa, você pede de novo, e volta o defeito original. Três saídas, em ordem de preferência:
1. Recomeçar o pedido do zero, agora com tudo o que você aprendeu escrito de uma vez. Costuma sair melhor do que a quinta correção em cima de uma base confusa. 2. Reduzir o escopo. Se o relatório com gráfico não fecha, peça o relatório sem o gráfico e trate o gráfico como um pedido separado depois. Um pedido menor tem uma conferência mais fácil. 3. Pedir para ele rodar e mostrar a saída real. "Rode o script e me mostre a saída completa, sem resumir." Muitas voltas em círculo acontecem porque o agente está supondo o comportamento em vez de observá-lo.
O exemplo de corte de escopo já validado nesta trilha:
Remova o gráfico de barras por mês. Mantenha os cartões de número no topo e as seções de
agrupamento com tabela e barra proporcional.
Você instalou um agente, arrumou uma pasta, transformou um CSV em relatório e consertou dois defeitos por conversa. Nenhuma linha de código escrita por você, nenhuma dependência instalada.
O próximo módulo trata do que faz esse resultado se repetir de forma confiável: escrever as regras uma vez, conferir se elas foram obedecidas, ler a mudança antes de aceitar e quebrar pedidos grandes em pequenos.