agent_platform_oci/MANUAL_REGRAS_AGENT_TEMPLATE_BACKEND.md

Manual Detalhado de Regras do agent_template_backend

Prefácio técnico — como funciona o motor de decisão do agent_template_backend

O agent_template_backend é um template corporativo de referência para construir agentes sobre o Agent Framework OCI. Ele não concentra decisão em um único if, prompt ou router. O comportamento final resulta da cooperação entre configuração declarativa, estado LangGraph, runtime transacional, MCP Tool Router, RAG, memória, guardrails, judges, Output Supervisor, workflows e persistência.

Uma mensagem pode:

• ser sanitizada/bloqueada antes do roteamento;
• pertencer a uma transação já aberta;
• preencher um parâmetro pendente;
• confirmar/rejeitar uma action;
• interromper a operação anterior por intent shift;
• continuar com o agente atual por route stickiness;
• conter várias intents independentes;
• retomar um workflow pausado;
• selecionar uma ou várias tools candidatas;
• passar por pre-validation;
• trocar de trajetória de execução por policy;
• executar tool diretamente ou workflow determinístico;
• usar MCP como evidência operacional;
• usar RAG como conhecimento documental;
• usar memória resumida/long-term memory como contexto;
• ser revisada por Output Supervisor, guardrails e judges;
• persistir estado/evidência para o turno seguinte.

A pergunta correta ao diagnosticar o template não é apenas “qual intent foi encontrada?”, mas:

Em qual estado a sessão estava, qual mecanismo tinha precedência, qual intent/route venceu, qual tool foi selecionada, quais parâmetros foram resolvidos, qual policy/pre-validation se aplicou, qual execução ocorreu e quais evidências sustentaram a resposta final?

P.1. Visão geral do motor

flowchart TD
    U["Mensagem / GatewayRequest"] --> IGR["Input Guardrails"]
    IGR --> LTM["Load Long-Term Memory"]
    LTM --> RT["EnterpriseRouter / Supervisor"]
    RT --> CP["Conversation policy / state precedence"]
    CP --> AG["Agente de domínio"]
    AG --> TP["Tool policy + parâmetros"]
    TP --> PV["Pre-validation se configurada"]
    PV --> CF["Confirmação se transacional"]
    CF --> EX["MCP direto ou Workflow"]
    EX --> RAG["RAG se necessário"]
    RAG --> CMP["Composição da resposta"]
    CMP --> OS["Output Supervisor"]
    OS --> OGR["Output Guardrails"]
    OGR --> J["Judges"]
    J --> SR["Supervisor Review"]
    SR --> MEM["Persistência / memória / checkpoint"]
    MEM --> F["Resposta"]

Nem todo turno atravessa todas as camadas. Uma consulta de rastreamento pode terminar rapidamente em MCP + renderer; uma devolução exige coleta, confirmação e workflow.

P.2. Grafo corporativo real do template

app/workflows/agent_graph.py monta um FrameworkStateGraph(AgentState) com os principais nós:

START
  ↓
input_guardrails
  ↓
load_long_term_memory
  ↓
routing_decision
  ↓
billing_agent | product_agent | orders_agent | support_agent
     | handoff | human_handoff | end_session | supervisor_agent
  ↓
output_supervisor
  ↓
output_guardrails
  ↓
judge
  ↓
supervisor_review
  ↓
persist_long_term_memory
  ↓
persist
  ↓
END

O grafo é a espinha dorsal; as regras de domínio ficam em YAML/agentes/MCP/workflows.

P.3. Três famílias de estado

P.3.1. Estados declarados em routing.yaml

O template declara:

Estado	Agente proprietário
WAITING_BILLING_CONFIRMATION	billing_agent
WAITING_PRODUCT_CONFIRMATION	product_agent
WAITING_ORDER_CONFIRMATION	orders_agent
WAITING_SUPPORT_CONFIRMATION	support_agent
COLLECTING_BILLING_PARAMETERS	billing_agent
COLLECTING_PRODUCT_PARAMETERS	product_agent
COLLECTING_ORDER_PARAMETERS	orders_agent
COLLECTING_SUPPORT_PARAMETERS	support_agent

Eles mantêm o próximo turno no agente proprietário durante coleta/confirmação.

P.3.2. Estados transacionais canônicos do runtime

O runtime utiliza estados como:

COLLECTING_PARAMETERS
AWAITING_CONFIRMATION
CONFIRMED
EXECUTING
WORKFLOW_PAUSED
TOOL_RESULT_CLARIFICATION
COMPLETED
FAILED
CANCELLED
BLOCKED
OUT_OF_SCOPE

Esses estados controlam parâmetros, confirmação, execução e encerramento da transação.

P.3.3. Estados do engine de workflow

Um workflow possui execução independente identificada por execution_id, com resultados como:

PAUSED / WAITING_INPUT
COMPLETED
FAILED

Os três grupos se relacionam, mas não devem ser tratados como uma única enumeração.

P.4. Máquina transacional conceitual

stateDiagram-v2
    [*] --> COLLECTING_PARAMETERS: required fields faltantes
    COLLECTING_PARAMETERS --> AWAITING_CONFIRMATION: parâmetros completos + validações OK
    COLLECTING_PARAMETERS --> CANCELLED: intent shift / abandono

    AWAITING_CONFIRMATION --> EXECUTING: confirmação positiva
    AWAITING_CONFIRMATION --> CANCELLED: confirmação negativa
    AWAITING_CONFIRMATION --> AWAITING_CONFIRMATION: resposta inconclusiva

    EXECUTING --> COMPLETED: tool/workflow concluído
    EXECUTING --> WORKFLOW_PAUSED: workflow pede nova entrada
    EXECUTING --> FAILED: erro técnico
    EXECUTING --> BLOCKED: política/guardrail
    EXECUTING --> OUT_OF_SCOPE: regra de domínio rejeita

    WORKFLOW_PAUSED --> EXECUTING: resume válido
    WORKFLOW_PAUSED --> COMPLETED: workflow termina

P.5. Routing

config/routing.yaml é a fonte declarativa para intents, prioridades, agentes, tools, keywords e exemplos.

A ordem principal do EnterpriseRouter é:

estado/transação ativa
→ matching determinístico
→ LLM router quando habilitado
→ fallback

O matching determinístico privilegia a intenção com melhor combinação de prioridade/especificidade; menor valor numérico de priority tem precedência.

Quando ENABLE_LLM_ROUTER=true, o LLM recebe o catálogo permitido e classifica dentro dele. O LLM não deve inventar novas tools/agentes.

P.6. Route stickiness

ENABLE_ROUTE_STICKINESS ativa um classificador leve que decide continuidade semântica entre:

CONTINUE
ROUTE
HUMAN_HANDOFF
END_SESSION

Configuração relevante:

ROUTE_STICKINESS_LLM_PROFILE
ROUTE_STICKINESS_CONFIDENCE_THRESHOLD
ROUTE_STICKINESS_HISTORY_TURNS
ROUTE_STICKINESS_MAX_TOKENS

CONTINUE mantém o agente ativo; ROUTE volta ao EnterpriseRouter. Stickiness não autoriza transações e não substitui tool policy.

P.7. Intent shift e abandono explícito (CONTINUE / SHIFT / ABANDON)

Durante COLLECTING_PARAMETERS ou AWAITING_CONFIRMATION, o framework protege a transação atual contra mudanças acidentais. Antes de assumir que toda nova fala pertence à transação aberta, o EnterpriseRouter pode classificar a relação da mensagem com o objetivo transacional ativo em três decisões semânticas:

CONTINUE
SHIFT
ABANDON

Essas decisões não são novos estados transacionais persistidos. Elas orientam o que fazer com o estado atual. O estado terminal operacional continua sendo, por exemplo, CANCELLED.

• CONTINUE: a mensagem pertence à transação em andamento. A coleta, confirmação ou execução continua normalmente.
• SHIFT: o usuário passa temporariamente a perseguir outro objetivo. O framework libera o latch da transação ativa para rotear a nova intenção, mas não interpreta o shift como autorização para apagar todas as pending_topics. Pendências de um plano multi-intent podem continuar disponíveis para retomada posterior.
• ABANDON: o usuário manifesta desistência explícita da ação/transação ativa. O router sinaliza transaction_interruption=explicit_abandonment; o runtime encerra a transação relacionada como CANCELLED e limpa seus latches transacionais.

Exemplos conceituais:

"PED-1001"
→ CONTINUE
→ preenche order_id da coleta atual

"antes disso, quero consultar meus serviços"
→ SHIFT
→ atende o novo objetivo
→ pending_topics anteriores não são apagadas automaticamente

"não quero mais cancelar"
→ ABANDON
→ encerra a transação de cancelamento ativa como CANCELLED

Quando existe ABANDON sem um novo objetivo para rotear, o framework pode representar o turno com uma intenção de estado como state:TRANSACTION_ABANDONED, sem selecionar novamente a tool que acabou de ser abandonada. Isso evita o ciclo incorreto ABANDON → detectar novamente a palavra cancelar → reabrir cancelar_pedido.

ABANDON também não deve ser confundido com uma limpeza global do plano multi-intent. Por padrão, ele encerra a ação/transação ativa correlacionada; outras operações independentes podem permanecer em pending_topics. Se o usuário disser explicitamente que quer abandonar também outras ações, esse escopo deve ser resolvido de forma correlacionada, e não por um pending_topics = [] indiscriminado.

A fala atual continua tendo precedência para preencher campos pendentes quando a decisão é CONTINUE. Uma resposta como PED-1001 durante coleta de order_id não deve ser reinterpretada como uma nova intent.

P.8. Coleta de parâmetros

A necessidade de parâmetros nasce da combinação:

tools.yaml args_schema
+ tool_policies.yaml requires
+ mcp_parameter_mapping.yaml
+ dados canônicos do state

Exemplo:

cancelar_pedido
requires: [order_id]

Sem order_id, o runtime entra em COLLECTING_PARAMETERS, usa user_prompt/schema para pedir o campo e preserva a propriedade do agente.

P.9. Reconciliação temporal

O framework contém um reconciliador temporal em runtime/transaction_parameters.py. Ele é usado depois da tentativa tradicional do turno atual quando ainda restam campos necessários.

Princípios:

• a fala atual é a fonte mais nova e tem precedência;
• histórico serve para resolver referência, não para inventar fato operacional;
• campos podem ser preservados, resolvidos, limpos ou continuar não resolvidos;
• ambiguidade deve permanecer não resolvida;
• o resultado candidato ainda passa pelas validações/pre-validation de domínio.

Isso permite relações coerentes entre turnos sem transformar histórico conversacional em evidência de backend.

P.10. Contextual reentry

O EnterpriseRouter e o runtime suportam contextual_reentry: um turno curto pode reentrar em uma regra quando o contexto imediatamente anterior delimita o significado.

O runtime mantém a fala atual separada de relevant_conversation_context; esse contexto é interpretativo e não substitui tool/MCP como autoridade operacional.

P.11. Multi-intent e pending_topics

MultiIntentPlanner pode separar objetivos independentes:

"rastreia o pedido e depois cancela"

em tópicos distintos, sem desmontar parâmetros internos de uma única action.

Quando uma ação precisa terminar antes da seguinte, o framework pode persistir as demais em pending_topics. drain_pending_topics() aparece diretamente no grafo do template.

P.12. Policies de tools

tools.yaml descreve capabilities. tool_policies.yaml descreve como uma capability sensível pode executar.

No template base:

• cancelar_pedido: transactional + confirmation + order_id + pre-validation;
• solicitar_troca: transactional + confirmation;
• solicitar_devolucao: transactional + confirmation + order_id/reason + workflow.

Esta separação evita colocar regra de execução sensível dentro do agente.

P.13. Pre-validation

A pre-validation ocorre depois dos parâmetros obrigatórios e antes da confirmação.

Fluxo:

parâmetros completos
→ validator MCP side-effect-free
→ eligible?
   ├─ false: OUT_OF_SCOPE / termina latch
   └─ true: AWAITING_CONFIRMATION

No template, cancelar_pedido usa validar_cancelamento_pedido com fail_open=false.

P.14. Confirmação transacional

Tools com require_confirmation=true não executam automaticamente.

O framework tenta interpretar confirmações explícitas deterministicamente e pode usar fallback semântico quando necessário. Uma resposta positiva promove a transação para execução; uma negativa cancela; uma resposta inconclusiva mantém a transação ativa.

P.15. Workflow transacional

A policy pode definir:

execution:
  mode: workflow
  workflow: devolucao_pedido
  version: active

Assim, após confirmação, a tool lógica é executada pelo WorkflowToolExecutor, que carrega o YAML versionado e executa o grafo determinístico. O domínio declara nós/actions; o framework cuida de runtime, checkpoint e trace.

P.16. Pause/Resume

O engine de workflow suporta nós que pausam, expected_input, resume_from e retomada por execution_id. O workflow base de devolução não pausa; a capability é demonstrada isoladamente em Tuning-Performance/Pause_Resume_Workflow.

Uma regra importante: o pause é compilado de modo a não reexecutar automaticamente a action com efeito colateral quando o usuário responde.

P.17. Guardrails

No template global:

Input

• MSK
• VLOOP

Output

• REVPREC
• PINJ
• DLEX_OUT

Os pipelines podem ser habilitados/desabilitados por .env. Guardrails avaliam permissão/segurança/coerência operacional; não devem substituir routing ou regra de domínio.

P.18. Output Supervisor

O Output Supervisor fica entre agente e output guardrails. Ele pode revisar a resposta candidata, aplicar política de retry/sanitize/block/handover e impedir que uma resposta prematura afirme um efeito que não está sustentado por resultado operacional.

OUTPUT_SUPERVISOR_MAX_RETRIES controla o limite de regenerações.

P.19. Judges

config/judges.yaml habilita:

Judge	Threshold/política
response_quality	0.7
groundedness	0.6
sentiment	não falha por negativo
tone	fail_closed=true

Configuração global:

enabled=true
fail_closed=true
sample_rate=0.25
always_run_for_transactional=true

Portanto, respostas transacionais são avaliadas mesmo quando a amostragem geral seria menor.

P.20. MCP, evidência operacional e renderers

O template separa três responsabilidades:

routing → quais capabilities pertencem à intent
tool runtime → qual capability realmente deve executar
MCP server → fato operacional / integração

Algumas tools possuem response.mode: renderer, por exemplo telecom.invoice, telecom.plan, retail.order e retail.delivery. Nesses casos o resultado MCP pode ser apresentado de forma determinística sem obrigar uma composição LLM.

P.21. RAG

AgentRuntimeMixin._retrieve_rag_context() usa o RAG oficial do framework. RAG serve para conhecimento documental; MCP serve para estado operacional.

O runtime também suporta Domain-Requested RAG: uma tool pode retornar requires_rag=true e rag_queries, forçando recuperação mesmo quando normalmente o MCP seria considerado suficiente.

P.22. Composição LLM solicitada pelo domínio

Uma tool/workflow pode retornar:

{
  "requires_llm_composition": true,
  "response_instruction": "..."
}

O domínio não cria seu próprio gateway LLM. O AgentRuntime usa o provider oficial, preservando tracing, custos, profiles e guardrails.

P.23. Memória

O template possui:

• ConversationSummaryMemory;
• memória recente;
• Long-Term Memory opcional;
• checkpoint/persistência operacional.

Memória ajuda a interpretar contexto, preferências e continuidade. Não substitui Transaction Evidence nem MCP para afirmar que uma operação ocorreu.

P.24. Transaction Evidence

Resultados de transações concluídas podem ser persistidos como evidência operacional estruturada e correlacionados em turnos futuros. Isso evita que uma resposta mencione um protocolo/cancelamento anterior sem fornecer a mesma evidência aos judges/groundedness.

P.25. Idempotência

Estado transacional, checkpoint e execution_id existem também para proteger contra retry/replay/reexecução. Uma confirmação repetida não deve criar duas transações somente porque o canal reenviou uma mensagem.

P.26. Interrupção de voz e replay

O framework possui short-circuit de canal para idle nudge, fala não interrompível, pós-finalização e barge-in. Em vários casos ele simplesmente faz replay da última fala sem reabrir LangGraph, tools ou guardrails; quando necessário usa o profile processing_interruption_classifier.

P.27. Erro e recuperação de workflow

WorkflowRuntime preserva o último snapshot válido e expõe error, trace parcial e error_details quando o provider disponibiliza status_code, body e attempts. O domínio pode distinguir falha técnica de regra de negócio sem acoplar o framework ao provider.

P.28. Observabilidade

O template emite telemetria para:

• Langfuse;
• OpenTelemetry;
• analytics/observer corporativo;
• eventos IC;
• NOC;
• GRL;
• workflow;
• guardrails;
• judges.

A telemetria deve permitir reconstruir o caminho:

input → route → agent → tool → policy → workflow → output controls → persistence

P.29. agents.yaml: isolamento lógico de aplicações/agentes

config/agents.yaml registra dois agent_id de referência:

• telecom_contas;
• retail_orders.

Cada um pode apontar para prompt policy, routing, guardrails, judges, MCP servers e tools, além de metadata.system_prefix. O objetivo é evitar mistura de políticas/memória/checkpoints entre identidades lógicas diferentes.

P.30. Regra de ouro de troubleshooting

Sempre investigue nesta ordem:

1. Qual agent_id está ativo?
2. Qual era o estado/checkpoint?
3. Havia transação ou workflow pausado?
4. Qual decisão de route/stickiness ocorreu?
5. Qual intent venceu e por quê?
6. Quais mcp_tools a intent autorizou?
7. Qual tool foi selecionada?
8. Quais parâmetros foram resolvidos?
9. Houve reconciliação temporal?
10. Houve pre-validation?
11. Houve confirmação?
12. Tool direta ou workflow?
13. Qual resultado MCP/workflow foi produzido?
14. A resposta usou renderer, RAG ou LLM?
15. Output Supervisor/guardrails alteraram algo?
16. Judges aprovaram?
17. O estado/evidência foi persistido?

Esse é o motor sobre o qual as cinco regras do template são construídas.

1. Como ler este manual

O manual usa o mesmo modelo do manual do Agente de Contas. Cada regra é explicada em seis níveis:

1. Regra/intenção — o que significa e qual o limite.
2. Routing — routing.yaml atributo por atributo e como a intent é descoberta.
3. Tools — operação, argumentos, aliases, extração, policy, confirmação, pre-validation e retorno.
4. Workflow — quando existe, nós, actions, condições e término.
5. Amarração — arquivos Python/YAML/.env envolvidos.
6. Diagnóstico — por que uma decisão específica ocorre.

Depois das regras há uma parte separada dedicada ao Tuning-Performance.

2. Catálogo de agentes e isolamento por agent_id

agent_id	Nome	Domínio	Configurações específicas
telecom_contas	Agente Telecom Contas	telecom	prompt ./config/agents/telecom_contas/prompt_policy.yaml; guardrails ./config/agents/telecom_contas/guardrails.yaml; judges ./config/agents/telecom_contas/judges.yaml
retail_orders	Agente Retail Pedidos	retail	prompt ./config/agents/retail_orders/prompt_policy.yaml; guardrails ./config/agents/retail_orders/guardrails.yaml; judges ./config/agents/retail_orders/judges.yaml

O default_agent_id é telecom_contas. O system_prefix de cada registro orienta o runtime a não misturar políticas, memória/checkpoints ou decisões de outro agent_id.

3. Amarração entre componentes

flowchart LR
    U["GatewayRequest / mensagem"] --> G["app/main.py"]
    G --> WF["app/workflows/agent_graph.py"]
    WF --> R["config/routing.yaml"]
    R --> A["app/agents/*_agent.py"]
    A --> RT["AgentRuntimeMixin"]
    RT --> T["config/tools.yaml"]
    T --> P["config/tool_policies.yaml"]
    T --> M["config/mcp_parameter_mapping.yaml"]
    P --> MCP["MCP Tool Router / Gateway"]
    M --> MCP
    MCP --> S["mcp/servers/telecom ou retail"]
    P --> DW["workflows/*.yaml quando execution=workflow"]
    DW --> WA["app/workflow_actions/*.py"]
    A --> RAG["RAG / memória / LLM"]
    A --> OS["Output Supervisor"]
    OS --> GR["Guardrails"]
    GR --> J["Judges"]
    J --> PS["Persistência / checkpoint / evidence"]

4. Inventário das regras

Intent	Regra	Agente	Prioridade	Tools
billing_invoice_explanation	Faturamento / Explicação de Fatura	billing_agent	10	consultar_fatura, consultar_pagamentos
product_services_information	Produtos, Plano, Serviços e VAS	product_agent	20	consultar_plano, listar_servicos
retail_order_cancel	Cancelamento de Pedido	orders_agent	20	consultar_pedido, cancelar_pedido
retail_order_tracking	Consulta e Rastreamento de Pedido	orders_agent	30	consultar_pedido, consultar_entrega
retail_support_exchange_return	Troca, Devolução, Garantia e Suporte Retail	support_agent	25	consultar_pedido, solicitar_troca, solicitar_devolucao

5. Regra — Faturamento / Explicação de Fatura

Intent: billing_invoice_explanation
Domain: telecom
Agent: billing_agent
Priority: 10

O que esta regra significa

Dúvidas sobre fatura, cobrança, vencimento, segunda via, contestação e valores.

Limite da regra

É uma regra informativa/operacional de billing. Ela consulta evidência; não autoriza por si só uma ação financeira transacional.

routing.yaml atributo por atributo

Atributo	Valor nesta regra	Papel no motor
name	billing_invoice_explanation	Nome estável da intent. É o identificador que aparece em state/telemetria e liga a decisão às capabilities declaradas.
domain	telecom	Domínio lógico. Ajuda a limitar contexto, agentes e interpretação do catálogo.
agent	billing_agent	Agente que recebe o turno quando esta intent vence.
description	Dúvidas sobre fatura, cobrança, vencimento, segunda via, contestação e valores.	Descrição semântica usada por manutenção humana e pelo fallback LLM.
priority	10	Desempate entre intents concorrentes. No EnterpriseRouter, valores menores têm precedência.
mcp_tools	consultar_fatura consultar_pagamentos	Lista de capabilities inicialmente autorizadas/esperadas para a intent.
keywords	fatura conta cobrança boleto vencimento segunda via contestar valor alto invoice	Gatilhos determinísticos usados antes do fallback semântico.
examples	Minha fatura veio alta. Quero entender uma cobrança. Preciso da segunda via da conta.	Exemplos oferecidos ao classificador LLM; não são regex nem regras executáveis.

Como esta intent é encontrada

1. O EnterpriseRouter verifica estado/transação ativa antes de tratar a frase como nova solicitação.
2. No matching determinístico, esta intent oferece keywords como fatura, conta, cobrança, boleto, vencimento, segunda via, contestar, valor alto, invoice.
3. Em colisões, priority=10 participa do desempate; menor número tem precedência.
4. Se o fallback LLM for usado, a descrição e exemplos como Minha fatura veio alta., Quero entender uma cobrança., Preciso da segunda via da conta. ajudam a classificação.
5. Quando a intent vence, o state recebe route/agente e o conjunto inicial de tools ['consultar_fatura', 'consultar_pagamentos'].

Agente proprietário e comportamento Python

Arquivo: app/agents/billing_agent.py. O run() segue um padrão comum: emite IC de início, coleta contexto MCP, verifica mensagens de clarificação/confirmação transacional, tenta resposta direta por MCP/renderer, consulta RAG quando necessário, prepara memória, monta messages, chama o LLM e devolve patch de estado. Esse padrão vem de app/agents/runtime.py::AgentRuntimeMixin, evitando que cada agente reimplemente MCP, RAG, cache, memória, IC e lógica transacional.

Tools desta regra

Tool consultar_fatura

O que faz: Consulta dados resumidos de fatura por msisdn/invoice_id.

Propriedade	Valor
MCP server	telecom
enabled	True
tipo/operação	read_only
confirmação obrigatória	false
requires	—
selection_keywords	fatura, conta, boleto
apresentação	mode=renderer; renderer telecom.invoice

Dados necessários e origem

Campo	Tipo	Como é obtido	Uso
msisdn	string	contexto canônico customer_key	Número da linha do cliente (MSISDN) usado para consultar informações de telecom.
invoice_id	string	contexto canônico contract_key	Identificador da fatura que o cliente deseja consultar.

Aliases MCP: customer_key → msisdn, contract_key → invoice_id, interaction_key → ura_call_id, session_key → session_id.

Extração conversacional:

• mes_referencia: strategy month_name_pt; Extrair mês citado na mensagem. janeiro=1, fevereiro=2, março=3, abril=4, maio=5, junho=6, julho=7, agosto=8, setembro=9, outubro=10, novembro=11, dezembro=12.

O que retorna: No MCP de exemplo retorna invoice_id, msisdn, valor_total, vencimento, status e uma lista itens; o envelope final é {ok, result, metadata}.

Tool consultar_pagamentos

O que faz: Consulta histórico de pagamentos do cliente.

Propriedade	Valor
MCP server	telecom
enabled	True
tipo/operação	read_only
confirmação obrigatória	false
requires	—
selection_keywords	pagamento, pagamentos

Dados necessários e origem

Campo	Tipo	Como é obtido	Uso
msisdn	string	contexto canônico customer_key	Número da linha do cliente (MSISDN) usado para consultar informações de telecom.

Aliases MCP: customer_key → msisdn, interaction_key → ura_call_id, session_key → session_id.

O que retorna: Retorna msisdn e pagamentos[], com data, valor e status dos pagamentos do mock.

Workflow

Esta regra não possui workflow declarativo obrigatório no template base. A execução ocorre via MCP/runtime padrão; estados transacionais ainda podem existir para coleta/confirmar actions.

Amarração entre YAML e Python

• config/routing.yaml → encontra billing_invoice_explanation e escolhe billing_agent.
• config/tools.yaml → descreve argumentos, servidor MCP, keywords de seleção e renderer.
• config/tool_policies.yaml → define read-only/transactional, confirmation, pre-validation e/ou workflow.
• config/mcp_parameter_mapping.yaml → traduz chaves canônicas e extrai campos da mensagem.
• app/agents/billing_agent.py → usa AgentRuntimeMixin para executar capabilities sem duplicar infraestrutura.
• app/workflows/agent_graph.py → conecta o agente ao fluxo corporativo e aos controles de saída.
• mcp/servers/telecom_mcp_server/main.py → implementação mock/contrato da tool consultar_fatura.
• mcp/servers/telecom_mcp_server/main.py → implementação mock/contrato da tool consultar_pagamentos.

.env e configuração relevante

• ROUTING_CONFIG_PATH=./config/routing.yaml e ENABLE_LLM_ROUTER controlam o catálogo/semântica de roteamento.
• ENABLE_ROUTE_STICKINESS, ROUTE_STICKINESS_*, HUMAN_HANDOFF_MESSAGE e END_SESSION_MESSAGE controlam continuidade/sessão.
• ENABLE_MCP_TOOLS, MCP_SERVERS_CONFIG_PATH, TOOLS_CONFIG_PATH, TOOL_POLICIES_PATH, MCP_PARAMETER_MAPPING_PATH e MCP_TOOL_TIMEOUT_SECONDS controlam tools.
• MCP_GATEWAY_ENABLED decide entre chamada via MCP Gateway dedicado e acesso direto aos MCP servers configurados.
• O servidor lógico telecom é resolvido por config/mcp_servers.yaml; no template base aponta para http://localhost:8100/mcp usando o contrato legacy HTTP.
• ENABLE_INPUT_GUARDRAILS, ENABLE_OUTPUT_GUARDRAILS, ENABLE_JUDGES, ENABLE_OUTPUT_SUPERVISOR afetam o ciclo antes/depois do agente.
• ENABLE_CONVERSATION_SUMMARY_MEMORY e ENABLE_LONG_TERM_MEMORY podem enriquecer o prompt/contexto sem substituir evidência MCP.
• RAG_PROVIDER, VECTOR_STORE_PROVIDER, GRAPH_STORE_PROVIDER, RAG_TOP_K e KBDB_* controlam recuperação documental quando usada.

Diagnóstico especial — por que duas tools aparecem na mesma intent

A intent de faturamento autoriza consultar_fatura e consultar_pagamentos porque perguntas de conta/cobrança podem exigir evidência da fatura ou do histórico de pagamento. Isso não significa que ambas precisam ser chamadas em todo turno.

tools.yaml.selection_keywords, o texto atual, os argumentos disponíveis e o runtime ajudam a escolher a capability adequada. Uma pergunta “quero segunda via/qual valor da fatura?” tende a usar consultar_fatura; uma pergunta específica sobre pagamento deve favorecer consultar_pagamentos.

6. Regra — Produtos, Plano, Serviços e VAS

Intent: product_services_information
Domain: telecom
Agent: product_agent
Priority: 20

O que esta regra significa

Dúvidas sobre plano, pacote, produto, serviço, VAS, internet, roaming e benefícios.

Limite da regra

Serve para descobrir plano/serviços/VAS e explicar atributos. Não deve transformar uma pergunta sobre produto em oferta proativa ou action transacional.

routing.yaml atributo por atributo

Atributo	Valor nesta regra	Papel no motor
name	product_services_information	Nome estável da intent. É o identificador que aparece em state/telemetria e liga a decisão às capabilities declaradas.
domain	telecom	Domínio lógico. Ajuda a limitar contexto, agentes e interpretação do catálogo.
agent	product_agent	Agente que recebe o turno quando esta intent vence.
description	Dúvidas sobre plano, pacote, produto, serviço, VAS, internet, roaming e benefícios.	Descrição semântica usada por manutenção humana e pelo fallback LLM.
priority	20	Desempate entre intents concorrentes. No EnterpriseRouter, valores menores têm precedência.
mcp_tools	consultar_plano listar_servicos	Lista de capabilities inicialmente autorizadas/esperadas para a intent.
keywords	plano serviço pacote internet roaming vas benefício assinatura	Gatilhos determinísticos usados antes do fallback semântico.
examples	Quais serviços estão ativos no meu plano? Quero saber sobre meu pacote de internet. Tenho roaming internacional?	Exemplos oferecidos ao classificador LLM; não são regex nem regras executáveis.

Como esta intent é encontrada

1. O EnterpriseRouter verifica estado/transação ativa antes de tratar a frase como nova solicitação.
2. No matching determinístico, esta intent oferece keywords como plano, serviço, pacote, internet, roaming, vas, benefício, assinatura.
3. Em colisões, priority=20 participa do desempate; menor número tem precedência.
4. Se o fallback LLM for usado, a descrição e exemplos como Quais serviços estão ativos no meu plano?, Quero saber sobre meu pacote de internet., Tenho roaming internacional? ajudam a classificação.
5. Quando a intent vence, o state recebe route/agente e o conjunto inicial de tools ['consultar_plano', 'listar_servicos'].

Agente proprietário e comportamento Python

Arquivo: app/agents/product_agent.py. O run() segue um padrão comum: emite IC de início, coleta contexto MCP, verifica mensagens de clarificação/confirmação transacional, tenta resposta direta por MCP/renderer, consulta RAG quando necessário, prepara memória, monta messages, chama o LLM e devolve patch de estado. Esse padrão vem de app/agents/runtime.py::AgentRuntimeMixin, evitando que cada agente reimplemente MCP, RAG, cache, memória, IC e lógica transacional.

Tools desta regra

Tool consultar_plano

O que faz: Consulta plano ativo e atributos comerciais.

Propriedade	Valor
MCP server	telecom
enabled	True
tipo/operação	read_only
confirmação obrigatória	false
requires	—
selection_keywords	plano
apresentação	mode=renderer; renderer telecom.plan

Dados necessários e origem

Campo	Tipo	Como é obtido	Uso
msisdn	string	contexto canônico customer_key	Número da linha do cliente (MSISDN) usado para consultar informações de telecom.
asset_id	string	contexto canônico resource_key; contexto canônico contract_key	Identificador do plano ou ativo comercial associado ao cliente.

Aliases MCP: customer_key → msisdn, resource_key → asset_id, contract_key → asset_id, session_key → session_id.

O que retorna: Retorna msisdn, asset_id, nome do plano, franquia de internet, atributo de roaming e status.

Tool listar_servicos

O que faz: Lista serviços ativos e adicionais VAS.

Propriedade	Valor
MCP server	telecom
enabled	True
tipo/operação	read_only
confirmação obrigatória	false
requires	—
selection_keywords	serviços, servicos, vas

Dados necessários e origem

Campo	Tipo	Como é obtido	Uso
msisdn	string	contexto canônico customer_key	Número da linha do cliente (MSISDN) usado para consultar informações de telecom.

Aliases MCP: customer_key → msisdn, session_key → session_id.

O que retorna: Retorna msisdn e servicos[] com nome, status e valor.

Workflow

Esta regra não possui workflow declarativo obrigatório no template base. A execução ocorre via MCP/runtime padrão; estados transacionais ainda podem existir para coleta/confirmar actions.

Amarração entre YAML e Python

• config/routing.yaml → encontra product_services_information e escolhe product_agent.
• config/tools.yaml → descreve argumentos, servidor MCP, keywords de seleção e renderer.
• config/tool_policies.yaml → define read-only/transactional, confirmation, pre-validation e/ou workflow.
• config/mcp_parameter_mapping.yaml → traduz chaves canônicas e extrai campos da mensagem.
• app/agents/product_agent.py → usa AgentRuntimeMixin para executar capabilities sem duplicar infraestrutura.
• app/workflows/agent_graph.py → conecta o agente ao fluxo corporativo e aos controles de saída.
• mcp/servers/telecom_mcp_server/main.py → implementação mock/contrato da tool consultar_plano.
• mcp/servers/telecom_mcp_server/main.py → implementação mock/contrato da tool listar_servicos.

.env e configuração relevante

• ROUTING_CONFIG_PATH=./config/routing.yaml e ENABLE_LLM_ROUTER controlam o catálogo/semântica de roteamento.
• ENABLE_ROUTE_STICKINESS, ROUTE_STICKINESS_*, HUMAN_HANDOFF_MESSAGE e END_SESSION_MESSAGE controlam continuidade/sessão.
• ENABLE_MCP_TOOLS, MCP_SERVERS_CONFIG_PATH, TOOLS_CONFIG_PATH, TOOL_POLICIES_PATH, MCP_PARAMETER_MAPPING_PATH e MCP_TOOL_TIMEOUT_SECONDS controlam tools.
• MCP_GATEWAY_ENABLED decide entre chamada via MCP Gateway dedicado e acesso direto aos MCP servers configurados.
• O servidor lógico telecom é resolvido por config/mcp_servers.yaml; no template base aponta para http://localhost:8100/mcp usando o contrato legacy HTTP.
• ENABLE_INPUT_GUARDRAILS, ENABLE_OUTPUT_GUARDRAILS, ENABLE_JUDGES, ENABLE_OUTPUT_SUPERVISOR afetam o ciclo antes/depois do agente.
• ENABLE_CONVERSATION_SUMMARY_MEMORY e ENABLE_LONG_TERM_MEMORY podem enriquecer o prompt/contexto sem substituir evidência MCP.
• RAG_PROVIDER, VECTOR_STORE_PROVIDER, GRAPH_STORE_PROVIDER, RAG_TOP_K e KBDB_* controlam recuperação documental quando usada.

7. Regra — Cancelamento de Pedido

Intent: retail_order_cancel
Domain: retail
Agent: orders_agent
Priority: 20

O que esta regra significa

Cancelamento explícito de pedido ou compra.

Limite da regra

A intent representa desejo de cancelar. A execução depende de order_id, pre-validation e confirmação; um pedido não elegível é bloqueado antes da confirmação.

routing.yaml atributo por atributo

Atributo	Valor nesta regra	Papel no motor
name	retail_order_cancel	Nome estável da intent. É o identificador que aparece em state/telemetria e liga a decisão às capabilities declaradas.
domain	retail	Domínio lógico. Ajuda a limitar contexto, agentes e interpretação do catálogo.
agent	orders_agent	Agente que recebe o turno quando esta intent vence.
description	Cancelamento explícito de pedido ou compra.	Descrição semântica usada por manutenção humana e pelo fallback LLM.
priority	20	Desempate entre intents concorrentes. No EnterpriseRouter, valores menores têm precedência.
mcp_tools	consultar_pedido cancelar_pedido	Lista de capabilities inicialmente autorizadas/esperadas para a intent.
keywords	cancelar pedido cancelamento do pedido cancelar a compra cancelar compra	Gatilhos determinísticos usados antes do fallback semântico.
examples	Quero cancelar meu pedido. Cancele o pedido. Quero cancelar a compra.	Exemplos oferecidos ao classificador LLM; não são regex nem regras executáveis.

Como esta intent é encontrada

1. O EnterpriseRouter verifica estado/transação ativa antes de tratar a frase como nova solicitação.
2. No matching determinístico, esta intent oferece keywords como cancelar pedido, cancelamento do pedido, cancelar a compra, cancelar compra.
3. Em colisões, priority=20 participa do desempate; menor número tem precedência.
4. Se o fallback LLM for usado, a descrição e exemplos como Quero cancelar meu pedido., Cancele o pedido., Quero cancelar a compra. ajudam a classificação.
5. Quando a intent vence, o state recebe route/agente e o conjunto inicial de tools ['consultar_pedido', 'cancelar_pedido'].

Agente proprietário e comportamento Python

Arquivo: app/agents/orders_agent.py. O run() segue um padrão comum: emite IC de início, coleta contexto MCP, verifica mensagens de clarificação/confirmação transacional, tenta resposta direta por MCP/renderer, consulta RAG quando necessário, prepara memória, monta messages, chama o LLM e devolve patch de estado. Esse padrão vem de app/agents/runtime.py::AgentRuntimeMixin, evitando que cada agente reimplemente MCP, RAG, cache, memória, IC e lógica transacional.

Tools desta regra

Tool consultar_pedido

O que faz: Consulta pedido de varejo por order_id/customer_id.

Propriedade	Valor
MCP server	retail
enabled	True
tipo/operação	read_only
confirmação obrigatória	false
requires	—
selection_keywords	consultar pedido, status do pedido, pedido
apresentação	mode=renderer; renderer retail.order

Dados necessários e origem

Campo	Tipo	Como é obtido	Uso
order_id	string	extração hybrid de message	Identificador do pedido que o cliente deseja consultar.
customer_id	string	contexto canônico customer_key	Identificador do cliente associado ao pedido de varejo.

Aliases MCP: customer_key → customer_id, session_key → session_id.

Extração conversacional:

• order_id: strategy hybrid; Extraia somente o identificador do pedido informado explicitamente pelo usuário. Retorne null quando não houver identificador de pedido na mensagem.

O que retorna: Retorna order_id, customer_id, status, valor_total e itens[]. No mock, 123 e PED-ENTREGUE aparecem como ENTREGUE; outros pedidos ficam EM_TRANSPORTE.

Tool cancelar_pedido

O que faz: Simula o cancelamento de um pedido de varejo.

Propriedade	Valor
MCP server	retail
enabled	True
tipo/operação	transactional
confirmação obrigatória	true
requires	order_id
selection_keywords	cancelar pedido, cancelamento do pedido, cancelar compra, cancelar a compra
pre-validation	validar_cancelamento_pedido; fail_open=false

Dados necessários e origem

Campo	Tipo	Como é obtido	Uso
order_id	string	extração hybrid de message	Identificador do pedido que o cliente deseja cancelar.

Aliases MCP: session_key → session_id.

Extração conversacional:

• order_id: strategy hybrid; Extraia somente o identificador do pedido informado explicitamente pelo usuário. Retorne null quando não houver identificador de pedido na mensagem.

O que retorna: Retorna protocolo, order_id, status CANCELAMENTO_SOLICITADO e orientação. Como é transacional, só deve executar após parâmetros, pre-validation e confirmação.

Tool interna usada pela policy

Tool validar_cancelamento_pedido

O que faz: Pre-valida cancelamento do pedido sem executar efeitos transacionais.

Propriedade	Valor
MCP server	retail
enabled	True
tipo/operação	internal
confirmação obrigatória	false
requires	order_id
selection_keywords	—

Dados necessários e origem

Campo	Tipo	Como é obtido	Uso
order_id	string	contexto canônico resource_key	Identificador do pedido a ser pre-validado para cancelamento.
target_tool	string	state/contexto, coleta de parâmetros ou chamada explícita	Nome interno da operação transacional que será pre-validada; normalmente preenchido pelo runtime e não solicitado ao usuário.

Aliases MCP: resource_key → order_id.

O que retorna: Retorna eligible, status, order_id, reason quando bloqueado e metadata side_effect_free. É uma tool interna/read-only usada antes da confirmação.

Workflow

Esta regra não possui workflow declarativo obrigatório no template base. A execução ocorre via MCP/runtime padrão; estados transacionais ainda podem existir para coleta/confirmar actions.

Amarração entre YAML e Python

• config/routing.yaml → encontra retail_order_cancel e escolhe orders_agent.
• config/tools.yaml → descreve argumentos, servidor MCP, keywords de seleção e renderer.
• config/tool_policies.yaml → define read-only/transactional, confirmation, pre-validation e/ou workflow.
• config/mcp_parameter_mapping.yaml → traduz chaves canônicas e extrai campos da mensagem.
• app/agents/orders_agent.py → usa AgentRuntimeMixin para executar capabilities sem duplicar infraestrutura.
• app/workflows/agent_graph.py → conecta o agente ao fluxo corporativo e aos controles de saída.
• mcp/servers/retail_mcp_server/main.py → implementação mock/contrato da tool consultar_pedido.
• mcp/servers/retail_mcp_server/main.py → implementação mock/contrato da tool cancelar_pedido.

.env e configuração relevante

• ROUTING_CONFIG_PATH=./config/routing.yaml e ENABLE_LLM_ROUTER controlam o catálogo/semântica de roteamento.
• ENABLE_ROUTE_STICKINESS, ROUTE_STICKINESS_*, HUMAN_HANDOFF_MESSAGE e END_SESSION_MESSAGE controlam continuidade/sessão.
• ENABLE_MCP_TOOLS, MCP_SERVERS_CONFIG_PATH, TOOLS_CONFIG_PATH, TOOL_POLICIES_PATH, MCP_PARAMETER_MAPPING_PATH e MCP_TOOL_TIMEOUT_SECONDS controlam tools.
• MCP_GATEWAY_ENABLED decide entre chamada via MCP Gateway dedicado e acesso direto aos MCP servers configurados.
• O servidor lógico retail é resolvido por config/mcp_servers.yaml; no template base aponta para http://localhost:8200/mcp usando o contrato legacy HTTP.
• ENABLE_INPUT_GUARDRAILS, ENABLE_OUTPUT_GUARDRAILS, ENABLE_JUDGES, ENABLE_OUTPUT_SUPERVISOR afetam o ciclo antes/depois do agente.
• ENABLE_CONVERSATION_SUMMARY_MEMORY e ENABLE_LONG_TERM_MEMORY podem enriquecer o prompt/contexto sem substituir evidência MCP.
• RAG_PROVIDER, VECTOR_STORE_PROVIDER, GRAPH_STORE_PROVIDER, RAG_TOP_K e KBDB_* controlam recuperação documental quando usada.

Diagnóstico especial — por que PED-ENTREGUE não chega à confirmação

A intent retail_order_cancel representa o objetivo do cliente: cancelar um pedido. Depois do routing, a policy de cancelar_pedido exige order_id, chama a pre-validation validar_cancelamento_pedido e só permite AWAITING_CONFIRMATION quando o validator devolve eligible=true.

No MCP de exemplo:

PED-1001
→ validar_cancelamento_pedido
→ eligible=true
→ AWAITING_CONFIRMATION
→ "sim"
→ cancelar_pedido
→ protocolo CANCEL-2026-001

Já:

PED-ENTREGUE
→ validar_cancelamento_pedido
→ eligible=false / NOT_ELIGIBLE
→ OUT_OF_SCOPE
→ não pergunta confirmação
→ cancelar_pedido não executa

Isto ilustra a mesma regra arquitetural usada no agente de Contas: intent não é autorização operacional. A intent diz o que o cliente quer; a pre-validation de domínio determina se a operação pode prosseguir.

8. Regra — Consulta e Rastreamento de Pedido

Intent: retail_order_tracking
Domain: retail
Agent: orders_agent
Priority: 30

O que esta regra significa

Consulta de pedido, entrega, rastreamento, atraso e status de compra.

Limite da regra

É read-only: consulta estado do pedido/entrega. Não deve alterar o pedido.

routing.yaml atributo por atributo

Atributo	Valor nesta regra	Papel no motor
name	retail_order_tracking	Nome estável da intent. É o identificador que aparece em state/telemetria e liga a decisão às capabilities declaradas.
domain	retail	Domínio lógico. Ajuda a limitar contexto, agentes e interpretação do catálogo.
agent	orders_agent	Agente que recebe o turno quando esta intent vence.
description	Consulta de pedido, entrega, rastreamento, atraso e status de compra.	Descrição semântica usada por manutenção humana e pelo fallback LLM.
priority	30	Desempate entre intents concorrentes. No EnterpriseRouter, valores menores têm precedência.
mcp_tools	consultar_pedido consultar_entrega	Lista de capabilities inicialmente autorizadas/esperadas para a intent.
keywords	pedido entrega rastreio rastreamento encomenda compra atraso correios	Gatilhos determinísticos usados antes do fallback semântico.
examples	Meu pedido não chegou. Quero rastrear minha entrega. Qual é o status da minha compra?	Exemplos oferecidos ao classificador LLM; não são regex nem regras executáveis.

Como esta intent é encontrada

1. O EnterpriseRouter verifica estado/transação ativa antes de tratar a frase como nova solicitação.
2. No matching determinístico, esta intent oferece keywords como pedido, entrega, rastreio, rastreamento, encomenda, compra, atraso, correios.
3. Em colisões, priority=30 participa do desempate; menor número tem precedência.
4. Se o fallback LLM for usado, a descrição e exemplos como Meu pedido não chegou., Quero rastrear minha entrega., Qual é o status da minha compra? ajudam a classificação.
5. Quando a intent vence, o state recebe route/agente e o conjunto inicial de tools ['consultar_pedido', 'consultar_entrega'].

Agente proprietário e comportamento Python

Arquivo: app/agents/orders_agent.py. O run() segue um padrão comum: emite IC de início, coleta contexto MCP, verifica mensagens de clarificação/confirmação transacional, tenta resposta direta por MCP/renderer, consulta RAG quando necessário, prepara memória, monta messages, chama o LLM e devolve patch de estado. Esse padrão vem de app/agents/runtime.py::AgentRuntimeMixin, evitando que cada agente reimplemente MCP, RAG, cache, memória, IC e lógica transacional.

Tools desta regra

Tool consultar_pedido

O que faz: Consulta pedido de varejo por order_id/customer_id.

Propriedade	Valor
MCP server	retail
enabled	True
tipo/operação	read_only
confirmação obrigatória	false
requires	—
selection_keywords	consultar pedido, status do pedido, pedido
apresentação	mode=renderer; renderer retail.order

Dados necessários e origem

Campo	Tipo	Como é obtido	Uso
order_id	string	extração hybrid de message	Identificador do pedido que o cliente deseja consultar.
customer_id	string	contexto canônico customer_key	Identificador do cliente associado ao pedido de varejo.

Aliases MCP: customer_key → customer_id, session_key → session_id.

Extração conversacional:

• order_id: strategy hybrid; Extraia somente o identificador do pedido informado explicitamente pelo usuário. Retorne null quando não houver identificador de pedido na mensagem.

O que retorna: Retorna order_id, customer_id, status, valor_total e itens[]. No mock, 123 e PED-ENTREGUE aparecem como ENTREGUE; outros pedidos ficam EM_TRANSPORTE.

Tool consultar_entrega

O que faz: Consulta entrega e rastreamento do pedido.

Propriedade	Valor
MCP server	retail
enabled	True
tipo/operação	read_only
confirmação obrigatória	false
requires	—
selection_keywords	entrega, rastreio, rastreamento, transportadora, previsão
apresentação	mode=renderer; renderer retail.delivery

Dados necessários e origem

Campo	Tipo	Como é obtido	Uso
order_id	string	extração hybrid de message	Identificador do pedido cuja entrega ou rastreamento será consultado.

Aliases MCP: session_key → session_id.

Extração conversacional:

• order_id: strategy hybrid; Extraia somente o identificador do pedido informado explicitamente pelo usuário. Retorne null quando não houver identificador de pedido na mensagem.

O que retorna: Retorna order_id, transportadora, código de rastreio, previsão e eventos de movimentação.

Workflow

Esta regra não possui workflow declarativo obrigatório no template base. A execução ocorre via MCP/runtime padrão; estados transacionais ainda podem existir para coleta/confirmar actions.

Amarração entre YAML e Python

• config/routing.yaml → encontra retail_order_tracking e escolhe orders_agent.
• config/tools.yaml → descreve argumentos, servidor MCP, keywords de seleção e renderer.
• config/tool_policies.yaml → define read-only/transactional, confirmation, pre-validation e/ou workflow.
• config/mcp_parameter_mapping.yaml → traduz chaves canônicas e extrai campos da mensagem.
• app/agents/orders_agent.py → usa AgentRuntimeMixin para executar capabilities sem duplicar infraestrutura.
• app/workflows/agent_graph.py → conecta o agente ao fluxo corporativo e aos controles de saída.
• mcp/servers/retail_mcp_server/main.py → implementação mock/contrato da tool consultar_pedido.
• mcp/servers/retail_mcp_server/main.py → implementação mock/contrato da tool consultar_entrega.

.env e configuração relevante

• ROUTING_CONFIG_PATH=./config/routing.yaml e ENABLE_LLM_ROUTER controlam o catálogo/semântica de roteamento.
• ENABLE_ROUTE_STICKINESS, ROUTE_STICKINESS_*, HUMAN_HANDOFF_MESSAGE e END_SESSION_MESSAGE controlam continuidade/sessão.
• ENABLE_MCP_TOOLS, MCP_SERVERS_CONFIG_PATH, TOOLS_CONFIG_PATH, TOOL_POLICIES_PATH, MCP_PARAMETER_MAPPING_PATH e MCP_TOOL_TIMEOUT_SECONDS controlam tools.
• MCP_GATEWAY_ENABLED decide entre chamada via MCP Gateway dedicado e acesso direto aos MCP servers configurados.
• O servidor lógico retail é resolvido por config/mcp_servers.yaml; no template base aponta para http://localhost:8200/mcp usando o contrato legacy HTTP.
• ENABLE_INPUT_GUARDRAILS, ENABLE_OUTPUT_GUARDRAILS, ENABLE_JUDGES, ENABLE_OUTPUT_SUPERVISOR afetam o ciclo antes/depois do agente.
• ENABLE_CONVERSATION_SUMMARY_MEMORY e ENABLE_LONG_TERM_MEMORY podem enriquecer o prompt/contexto sem substituir evidência MCP.
• RAG_PROVIDER, VECTOR_STORE_PROVIDER, GRAPH_STORE_PROVIDER, RAG_TOP_K e KBDB_* controlam recuperação documental quando usada.

9. Regra — Troca, Devolução, Garantia e Suporte Retail

Intent: retail_support_exchange_return
Domain: retail
Agent: support_agent
Priority: 25

O que esta regra significa

Suporte, troca, devolução, garantia e problema com produto.

Limite da regra

Agrupa suporte pós-venda. A intent pode escolher troca ou devolução como tool específica; as actions transacionais ainda exigem confirmação.

routing.yaml atributo por atributo

Atributo	Valor nesta regra	Papel no motor
name	retail_support_exchange_return	Nome estável da intent. É o identificador que aparece em state/telemetria e liga a decisão às capabilities declaradas.
domain	retail	Domínio lógico. Ajuda a limitar contexto, agentes e interpretação do catálogo.
agent	support_agent	Agente que recebe o turno quando esta intent vence.
description	Suporte, troca, devolução, garantia e problema com produto.	Descrição semântica usada por manutenção humana e pelo fallback LLM.
priority	25	Desempate entre intents concorrentes. No EnterpriseRouter, valores menores têm precedência.
mcp_tools	consultar_pedido solicitar_troca solicitar_devolucao	Lista de capabilities inicialmente autorizadas/esperadas para a intent.
keywords	solicitar devolução devolver pedido solicitar troca troca devolução devolver garantia defeito produto quebrado suporte arrependimento	Gatilhos determinísticos usados antes do fallback semântico.
examples	Quero trocar um produto. Meu produto veio com defeito. Como faço uma devolução?	Exemplos oferecidos ao classificador LLM; não são regex nem regras executáveis.

Como esta intent é encontrada

1. O EnterpriseRouter verifica estado/transação ativa antes de tratar a frase como nova solicitação.
2. No matching determinístico, esta intent oferece keywords como solicitar devolução, devolver pedido, solicitar troca, troca, devolução, devolver, garantia, defeito, produto quebrado, suporte.
3. Em colisões, priority=25 participa do desempate; menor número tem precedência.
4. Se o fallback LLM for usado, a descrição e exemplos como Quero trocar um produto., Meu produto veio com defeito., Como faço uma devolução? ajudam a classificação.
5. Quando a intent vence, o state recebe route/agente e o conjunto inicial de tools ['consultar_pedido', 'solicitar_troca', 'solicitar_devolucao'].

Agente proprietário e comportamento Python

Arquivo: app/agents/support_agent.py. O run() segue um padrão comum: emite IC de início, coleta contexto MCP, verifica mensagens de clarificação/confirmação transacional, tenta resposta direta por MCP/renderer, consulta RAG quando necessário, prepara memória, monta messages, chama o LLM e devolve patch de estado. Esse padrão vem de app/agents/runtime.py::AgentRuntimeMixin, evitando que cada agente reimplemente MCP, RAG, cache, memória, IC e lógica transacional.

Tools desta regra

Tool consultar_pedido

O que faz: Consulta pedido de varejo por order_id/customer_id.

Propriedade	Valor
MCP server	retail
enabled	True
tipo/operação	read_only
confirmação obrigatória	false
requires	—
selection_keywords	consultar pedido, status do pedido, pedido
apresentação	mode=renderer; renderer retail.order

Dados necessários e origem

Campo	Tipo	Como é obtido	Uso
order_id	string	extração hybrid de message	Identificador do pedido que o cliente deseja consultar.
customer_id	string	contexto canônico customer_key	Identificador do cliente associado ao pedido de varejo.

Aliases MCP: customer_key → customer_id, session_key → session_id.

Extração conversacional:

• order_id: strategy hybrid; Extraia somente o identificador do pedido informado explicitamente pelo usuário. Retorne null quando não houver identificador de pedido na mensagem.

O que retorna: Retorna order_id, customer_id, status, valor_total e itens[]. No mock, 123 e PED-ENTREGUE aparecem como ENTREGUE; outros pedidos ficam EM_TRANSPORTE.

Tool solicitar_troca

O que faz: Simula abertura de solicitação de troca.

Propriedade	Valor
MCP server	retail
enabled	True
tipo/operação	transactional
confirmação obrigatória	true
requires	order_id, reason
selection_keywords	solicitar troca, trocar, troca, defeito, quebrado

Dados necessários e origem

Campo	Tipo	Como é obtido	Uso
order_id	string	extração hybrid de message	Identificador do pedido para o qual o cliente deseja solicitar troca.
reason	string	default Solicitação aberta pelo atendimento conversacional.	Motivo informado pelo cliente para solicitar a troca do pedido.

Aliases MCP: session_key → session_id.

Extração conversacional:

• order_id: strategy hybrid; Extraia somente o identificador do pedido informado explicitamente pelo usuário. Retorne null quando não houver identificador de pedido na mensagem.

O que retorna: Retorna protocolo, order_id, status ABERTO e orientação para postagem/continuidade da troca.

Tool solicitar_devolucao

O que faz: Simula abertura de solicitação de devolução.

Propriedade	Valor
MCP server	retail
enabled	True
tipo/operação	transactional
confirmação obrigatória	true
requires	order_id, reason
selection_keywords	solicitar devolução, solicitar devolucao, devolver pedido, devolver, devolução, devolucao, arrependimento
execution	mode=workflow; workflow devolucao_pedido; version active

Dados necessários e origem

Campo	Tipo	Como é obtido	Uso
order_id	string	extração hybrid de message	Identificador do pedido para o qual o cliente deseja solicitar devolução.
reason	string	default Solicitação aberta pelo atendimento conversacional.	Motivo informado pelo cliente para solicitar a devolução do pedido.

Aliases MCP: session_key → session_id.

Extração conversacional:

• order_id: strategy hybrid; Extraia somente o identificador do pedido informado explicitamente pelo usuário. Retorne null quando não houver identificador de pedido na mensagem.

O que retorna: No MCP direto retorna protocolo/status/orientação; no template normal a policy escolhe execution.mode: workflow, portanto a execução final passa pelo workflow determinístico devolucao_pedido.

Execução especial: esta tool está ligada a workflow determinístico pela policy; detalhes no capítulo de workflow abaixo.

Workflow(s) envolvidos

Workflow devolucao_pedido.v1.yaml

Contrato: name=devolucao_pedido, version=1, start=validar_pedido.

Por que foi construído assim: a devolução é uma ação transacional de múltiplos passos. O template separa a decisão conversacional da execução determinística: primeiro valida o pedido e só registra a devolução se a validação retornar valid=true. Isso impede o LLM de escolher livremente a sequência de efeitos.

Nós

Nó	Action	Entrada	Papel
validar_pedido	validar_pedido	order_id=$.input.order_id	Ponto inicial de validação.
registrar_devolucao	registrar_devolucao	order_id=$.input.order_id, reason=$.input.reason	Executa o efeito/registro de devolução. Possui retry=1.

Condições e término

De	Para	Condição	Consequência
validar_pedido	registrar_devolucao	{"path": "$.nodes.validar_pedido.valid", "equals": true}	Avança para registrar_devolucao.
validar_pedido	END	{"path": "$.nodes.validar_pedido.valid", "equals": false}	Encerra o workflow.
registrar_devolucao	END	sempre	Encerra o workflow.

Actions Python

• app/workflow_actions/devolucao.py::validar_pedido: valida order_id e devolve um contrato com valid.
• app/workflow_actions/devolucao.py::registrar_devolucao: registra o resultado determinístico da devolução e produz protocol, order_id, status e dados necessários ao retorno.

Pause/Resume

Este workflow base não possui nó de pause. A coleta de order_id/reason e a confirmação acontecem antes, no runtime transacional. Os exemplos de pause/resume ficam demonstrados separadamente em Tuning-Performance/Pause_Resume_Workflow.

Amarração entre YAML e Python

• config/routing.yaml → encontra retail_support_exchange_return e escolhe support_agent.
• config/tools.yaml → descreve argumentos, servidor MCP, keywords de seleção e renderer.
• config/tool_policies.yaml → define read-only/transactional, confirmation, pre-validation e/ou workflow.
• config/mcp_parameter_mapping.yaml → traduz chaves canônicas e extrai campos da mensagem.
• app/agents/support_agent.py → usa AgentRuntimeMixin para executar capabilities sem duplicar infraestrutura.
• app/workflows/agent_graph.py → conecta o agente ao fluxo corporativo e aos controles de saída.
• mcp/servers/retail_mcp_server/main.py → implementação mock/contrato da tool consultar_pedido.
• mcp/servers/retail_mcp_server/main.py → implementação mock/contrato da tool solicitar_troca.
• mcp/servers/retail_mcp_server/main.py → implementação mock/contrato da tool solicitar_devolucao.

.env e configuração relevante

• ROUTING_CONFIG_PATH=./config/routing.yaml e ENABLE_LLM_ROUTER controlam o catálogo/semântica de roteamento.
• ENABLE_ROUTE_STICKINESS, ROUTE_STICKINESS_*, HUMAN_HANDOFF_MESSAGE e END_SESSION_MESSAGE controlam continuidade/sessão.
• ENABLE_MCP_TOOLS, MCP_SERVERS_CONFIG_PATH, TOOLS_CONFIG_PATH, TOOL_POLICIES_PATH, MCP_PARAMETER_MAPPING_PATH e MCP_TOOL_TIMEOUT_SECONDS controlam tools.
• MCP_GATEWAY_ENABLED decide entre chamada via MCP Gateway dedicado e acesso direto aos MCP servers configurados.
• O servidor lógico retail é resolvido por config/mcp_servers.yaml; no template base aponta para http://localhost:8200/mcp usando o contrato legacy HTTP.
• ENABLE_INPUT_GUARDRAILS, ENABLE_OUTPUT_GUARDRAILS, ENABLE_JUDGES, ENABLE_OUTPUT_SUPERVISOR afetam o ciclo antes/depois do agente.
• ENABLE_CONVERSATION_SUMMARY_MEMORY e ENABLE_LONG_TERM_MEMORY podem enriquecer o prompt/contexto sem substituir evidência MCP.
• RAG_PROVIDER, VECTOR_STORE_PROVIDER, GRAPH_STORE_PROVIDER, RAG_TOP_K e KBDB_* controlam recuperação documental quando usada.

Diagnóstico especial — troca e devolução compartilham intent, mas não a mesma execução

retail_support_exchange_return agrupa suporte pós-venda porque as frases têm grande sobreposição semântica. A decisão da tool ocorre dentro do conjunto permitido:

• “trocar”, “troca”, “defeito”, “quebrado” → solicitar_troca;
• “devolver”, “devolução”, “arrependimento” → solicitar_devolucao;
• consultar_pedido pode ser usado para obter contexto do recurso.

As duas actions são transacionais e exigem confirmação. A diferença principal é que solicitar_devolucao possui em tool_policies.yaml:

execution:
  mode: workflow
  workflow: devolucao_pedido
  version: active

Portanto, depois da confirmação, a devolução não é apenas uma chamada direta: ela entra no workflow determinístico. Já a troca segue a execução transacional padrão da tool.

Regras e mecanismos transversais do template

Seleção de tools dentro de uma intent

routing.yaml.mcp_tools define o conjunto compatível com a intent. tools.yaml.selection_keywords, argumentos disponíveis, estado transacional e policies ajudam a determinar qual capability deve executar. O fato de duas tools estarem associadas à mesma intent não significa execução obrigatória de ambas.

Resposta direta por MCP versus LLM

Os agentes chamam build_direct_mcp_answer(). Quando o resultado possui renderer/contrato determinístico suficiente, o runtime pode responder diretamente e marcar RAG como skipped: direct_mcp_answer.

Quando não há resposta direta suficiente, o agente pode recuperar RAG, preparar memória e usar o LLM.

prompt_policy.yaml

Define tom e vocabulário preferencial; também registra intents/agentes para composição de prompt. Não substitui routing.yaml.

Configurações por agent_id

config/agents/<agent_id>/prompt_policy.yaml, guardrails.yaml e judges.yaml permitem especializar cada identidade lógica. O registro fica em config/agents.yaml.

MCP transport

config/mcp_servers.yaml documenta três estilos:

• http: contrato legacy do framework;
• fastmcp: MCP Streamable HTTP oficial;
• sse: MCP SSE oficial.

No template base, telecom e retail usam http local, mas o registry pode ser alterado sem reescrever agentes.

MCP Gateway

Com MCP_GATEWAY_ENABLED=true, o backend delega chamadas ao MCP Gateway dedicado (MCP_GATEWAY_URL). Com false, usa diretamente os endpoints do registry.

Memória resumida

ENABLE_CONVERSATION_SUMMARY_MEMORY=true permite preparar resumo + mensagens recentes antes de montar messages. O objetivo é reduzir contexto sem perder continuidade.

RAG

O template pode usar memory/vector/graph stores e KBDB. RAG não substitui tool operacional. O ProductAgent emite IC detalhado mesmo quando a recuperação foi tentada e não produziu contexto.

Observabilidade

O runtime pode publicar eventos para Langfuse, OTEL e analytics. O AgentObserver padroniza IC/NOC/GRL. O TelemetryObserver do template conecta eventos do workflow à infraestrutura de observabilidade.

Presentation

app/presentation/tool_renderers.py desacopla payload MCP de resposta textual/visual. Renderers são úteis quando existe uma apresentação determinística que deve evitar custo/latência de LLM.

Workflow actions

app/workflow_actions/ contém effects/actions de domínio que são referenciados pelos YAMLs. O workflow define ordem/condição; a action implementa operação.

Diagnóstico de decisão inesperada

1. Verifique agent_id.
2. Inspecione transaction_status, next_state, workflow pausado e checkpoint.
3. Veja routing_decision e método (state, keyword, LLM, stickiness).
4. Confirme intent, route e mcp_tools.
5. Veja qual tool foi realmente selecionada.
6. Compare requires com resolved_arguments/missing_parameters.
7. Procure reconciliação temporal/contextual reentry.
8. Veja transaction_pre_validation.
9. Confirme se houve AWAITING_CONFIRMATION.
10. Identifique execução direta versus workflow.
11. Inspecione mcp_results, transaction_evidence, RAG e renderer.
12. Verifique Output Supervisor, guardrails e judges.
13. Confirme persistência/pending topics no final do turno.

Parte II — Tuning-Performance

Tuning-Performance não deve ser lido apenas como “otimização de velocidade”. A pasta funciona como um catálogo de cenários isolados de capacidades do framework, útil para benchmark, regressão e entendimento arquitetural.

O template base já incorporou várias dessas capacidades. Alguns diretórios guardam uma cópia executável modificada; outros contêm somente documentação; Normal e Long_Term_Memory estão vazios neste pacote, portanto não representam uma variante executável adicional nesta versão.

Inventário do Tuning-Performance

Cenário	Conteúdo neste pacote	Objetivo
Authentication	README + variante executável do template	Autenticação transversal por providers/middleware e políticas de rota.
Deterministic_Transactional_Workflow	README + variante executável do template	Execução multi-etapas determinística após confirmação.
Domain_Requested_LLM_Composition	documentação/exemplo	Domínio solicita redação pelo LLM oficial sem criar gateway LLM próprio.
Domain_Requested_RAG	documentação/exemplo	Domínio solicita RAG do framework quando MCP não é suficiente.
External_Guardrails_Judges	README + variante executável do template	Extensões externas de guardrails/judges e medição de overhead.
Long_Term_Memory	documentação/exemplo	Diretório reservado; capability está no framework/template, sem variante local neste pacote.
Normal	documentação/exemplo	Baseline reservado; diretório vazio neste pacote.
Offline_Workflow_Regression	documentação/exemplo	Fallback determinístico opt-in para testes offline da DSL de workflow.
Pause_Resume_Workflow	README + variante executável do template	Pause/resume por execution_id e expected_input.
Route_Stickness	documentação/exemplo	Continuidade semântica, handoff, encerramento e policies MCP.
Transaction_Evidence	README + variante executável do template	Persistência/correlação de evidência operacional transacional.
Transaction_Pre_Validation	README + variante executável do template	Validator MCP side-effect-free antes da confirmação.
Voice_Interruption_Replay	documentação/exemplo	Short-circuit/replay para voz sem reexecutar o grafo indevidamente.
Workflow_Error_Recovery	documentação/exemplo	Snapshot parcial e error_details estruturado em falhas de workflow.

T1. Tuning — Authentication

Objetivo: Autenticação transversal por providers/middleware e políticas de rota.

O que este cenário demonstra

[!IMPORTANT] > Template de referência — requer adequação antes do uso produtivo. > Esta implementação demonstra pontos de extensão, providers, middleware e exemplos de configuração para autenticação. Ela não deve ser considerada uma solução pronta para produção nem substitui o desenho de segurança do projeto. Antes da implantação, a equipe responsável deve revisar, testar e adaptar o código às políticas corporativas, ao modelo de identidade, à topologia de rede, à gestão e rotação de segredos, aos requisitos regulatórios, à observabilidade, à alta disponibilidade e ao processo de resposta a incidentes do ambiente do cliente. Recomenda-se executar security review, threat modeling, testes de integração e testes de segurança antes da homologação e da produção. Implementação de referência para autenticação transversal no Agent Framework OCI. Inclui: - providers genéricos em libs/agent_framework/security; - instalação opcional por install_authentication(); - políticas por rota, método, roles e scopes;

Delta em relação ao template base

Variante analisada: Tuning-Performance/Authentication/agent_template_backend_authentication.

Arquivos alterados: requirements.txt, README.md, .env.example, app/main.py, app/state.py, docs/TRANSACTION_SEMANTIC_CONFIRMATION.md, config/mcp_parameter_mapping.yaml, config/tools.yaml, config/tool_policies.yaml, app/agents/product_agent.py, app/workflows/agent_graph.py.

Arquivos adicionados: docs/MANUAL_AUTENTICACAO.md, config/authentication.example.yaml, scripts/generate_secret_hash.py.

Motor e configuração

A variante usa install_authentication()/providers de libs/agent_framework/security e adiciona config/authentication.example.yaml. O .env.example demonstra:

AGENT_AUTH_MODE=basic|api_key|bearer_static|jwt|oauth2_introspection|trusted_proxy
AGENT_AUTH_PUBLIC_PATHS
AGENT_AUTH_PUBLIC_PREFIXES

No exemplo Basic, a credencial é armazenada como hash (AGENT_AUTH_BASIC_SECRET_HASH) e o script scripts/generate_secret_hash.py ajuda a gerar o valor.

A autenticação é transversal: ocorre na borda HTTP/middleware antes do motor conversacional. Ela não deve virar keyword de routing nem regra dentro do agente.

O que validar

• rotas realmente públicas;
• fail-closed nas rotas protegidas;
• rotação/armazenamento de segredo;
• claims/roles/scopes por provider;
• bloqueio de acesso direto ao pod quando trusted_proxy;
• observabilidade sem registrar segredo/token.

A própria documentação marca esta implementação como referência que requer security review antes de produção.

T2. Tuning — Deterministic_Transactional_Workflow

Objetivo: Execução multi-etapas determinística após confirmação.

O que este cenário demonstra

Esta variante contém um agent_template_backend funcional que conecta o fluxo conversacional do framework ao motor determinístico de workflows transacionais. Deterministic_Transactional_Workflow é mais preciso que apenas Transactional_Workflow: a confirmação transacional já existia. O diferencial desta variante é executar uma sequência multi-etapas por um grafo determinístico, em vez de deixar o LLM escolher cada etapa. 1. O router seleciona orders_agent. 2. O runtime coleta order_id e reason por clarification.

Delta em relação ao template base

Variante analisada: Tuning-Performance/Deterministic_Transactional_Workflow/agent_template_backend.

Arquivos alterados: .env.example, app/main.py, app/state.py, docs/TRANSACTION_SEMANTIC_CONFIRMATION.md, config/mcp_parameter_mapping.yaml, config/tools.yaml, config/tool_policies.yaml, app/agents/product_agent.py, app/agents/runtime.py, app/workflows/agent_graph.py.

Arquivos adicionados: tests/test_transactional_workflow_template.py.

Fluxo

router
→ support_agent
→ coleta order_id + reason
→ AWAITING_CONFIRMATION
→ confirmação explícita
→ policy execution.mode=workflow
→ WorkflowToolExecutor
→ devolucao_pedido.active.yaml
→ devolucao_pedido.v1.yaml
→ validar_pedido
→ registrar_devolucao
→ protocolo + workflow_execution_id

O ganho principal não é “ter confirmação” — isso já existia. O diferencial é tirar do LLM a escolha de sequência após a confirmação.

O que medir

• tempo de coleta/confirmation;
• latência do workflow;
• retries da action;
• idempotência/reexecução;
• consistência do workflow_execution_id;
• resposta quando validar_pedido.valid=false.

T3. Tuning — Domain_Requested_LLM_Composition

Objetivo: Domínio solicita redação pelo LLM oficial sem criar gateway LLM próprio.

O que este cenário demonstra

Permitir que uma tool/workflow de domínio informe que o resultado operacional não deve ser devolvido diretamente ao usuário e precisa ser redigido pelo LLM oficial do agente, sem criar um gateway LLM dentro do domínio. A tool pode devolver, em qualquer nível do resultado: { "requires_llm_composition": true, "response_instruction": "Explique ao cliente a forma de devolução usando apenas os dados do workflow." } Também é aceito response_instructions como lista. O AgentRuntimeMixin percorre recursivamente o resultado MCP. Quando a flag está ativa, build_direct_mcp_answer() retorna None; a resposta segue pelo LLM configurado no framework e recebe as evidências MCP no contexto normal do agente.

Contrato

A tool/workflow pode retornar:

{
  "requires_llm_composition": true,
  "response_instruction": "Explique usando somente as evidências do workflow."
}

ou response_instructions como lista.

AgentRuntimeMixin detecta a flag recursivamente. Quando ativa, build_direct_mcp_answer() não encerra o turno; o resultado MCP entra como evidência na composição pelo LLM oficial.

Regra arquitetural

O domínio pode pedir redação, mas não deve usar este mecanismo para decidir se a transação ocorre, inventar valores/protocolos ou criar provider LLM privado. Provider, profile, tracing, credenciais e custos continuam no framework.

T4. Tuning — Domain_Requested_RAG

Objetivo: Domínio solicita RAG do framework quando MCP não é suficiente.

O que este cenário demonstra

Permitir que uma tool/workflow de domínio declare que o resultado MCP não é suficiente para produzir a resposta final e que o agente deve recuperar conhecimento usando o RagService oficial do agent_framework_oci. O domínio não instancia banco vetorial, embeddings, LLM ou cliente RAG. Ele apenas devolve no resultado: { "requires_rag": true, "rag_queries": [ "Como cancelar o serviço Paramount+ no parceiro? Procedimento oficial de cancelamento." ] }

Contrato

{
  "requires_rag": true,
  "rag_queries": [
    "Pergunta documental 1",
    "Pergunta documental 2"
  ]
}

Fluxo:

tool/workflow
→ requires_rag
→ AgentRuntimeMixin
→ RagService do framework
→ vector/graph store
→ LLM com MCP evidence + RAG evidence

A flag pode sobrepor a otimização SKIP_RAG_WHEN_MCP_SUFFICIENT. O domínio não instancia embeddings/vector store; apenas declara a necessidade e as queries.

T5. Tuning — External_Guardrails_Judges

Objetivo: Extensões externas de guardrails/judges e medição de overhead.

O que este cenário demonstra

Este cenário de tuning mede extensões de política do agente. Antes de interpretar os resultados, implemente e valide o contrato descrito no guia completo. O cenário deve comparar, no mínimo, latência p50/p95/p99, taxa de allow/deny/sanitize, erros e timeouts, custo de judges com LLM e comportamento fail-open/fail-closed. Separe resultados por código/nome e estágio, sem registrar prompts, PII ou payloads financeiros. Cuidados de leitura: - type: external afeta apenas o componente declarado; - implementação síncrona usa worker thread e implementação async usa o event loop; - judges executam concorrentemente, então meça contenção do provedor e do pool; - compare a mesma carga com extensão desligada para obter o overhead incremental; - execute casos transacionais separadamente, pois always_run_for_transactional ignora a amostragem;

Delta em relação ao template base

Variante analisada: Tuning-Performance/External_Guardrails_Judges/agent_template_backend.

Arquivos alterados: README.md, llm_profiles.yaml, .env.example, app/main.py, app/state.py, docs/TRANSACTION_SEMANTIC_CONFIRMATION.md, config/judges.yaml, config/mcp_parameter_mapping.yaml, config/tools.yaml, config/tool_policies.yaml, config/guardrails.yaml, app/agents/product_agent.py, app/workflows/agent_graph.py.

Arquivos adicionados: app/extensions/example_judges.py, app/extensions/__init__.py, app/extensions/example_guardrails.py.

O que muda

A variante adiciona extensões em app/extensions/example_guardrails.py e app/extensions/example_judges.py e altera configs para demonstrar type: external.

Benchmark correto

Compare com a extensão desligada e separe:

• p50/p95/p99;
• allow/deny/sanitize;
• timeout/erro;
• custo de judges com LLM;
• comportamento fail-open/fail-closed;
• transacionais, pois always_run_for_transactional pode ignorar amostragem.

Implementações síncronas podem usar worker thread; async usa event loop. O tuning deve observar contenção do provider/pool e não registrar prompts/PII/payload financeiro.

T6. Tuning — Long_Term_Memory

Objetivo: Diretório reservado; capability está no framework/template, sem variante local neste pacote.

Situação neste pacote

O diretório está vazio. A capability, porém, existe no framework e no template base por ENABLE_LONG_TERM_MEMORY, LONG_TERM_MEMORY_PROVIDER, LONG_TERM_MEMORY_* e nós load_long_term_memory / persist_long_term_memory do grafo. Portanto este capítulo documenta a capability a partir do template normal, não uma variante específica.

Como funciona no template base

O grafo chama load_long_term_memory antes do routing e persist_long_term_memory próximo ao final. O manager é criado por create_long_term_memory_manager(settings, telemetry=telemetry) e injetado nos agentes.

Variáveis principais:

ENABLE_LONG_TERM_MEMORY
LONG_TERM_MEMORY_PROVIDER
LONG_TERM_MEMORY_SQLITE_PATH
LONG_TERM_MEMORY_TABLE
LONG_TERM_MEMORY_MAX_CONTEXT_ITEMS
LONG_TERM_MEMORY_MIN_CONFIDENCE
LONG_TERM_MEMORY_AUTO_EXTRACT
LONG_TERM_MEMORY_INJECT_CONTEXT

Não confundir com Transaction Evidence: LTM é memória semântica/durável; transaction evidence é fato operacional estruturado associado a execução/recurso.

T7. Tuning — Normal

Objetivo: Baseline reservado; diretório vazio neste pacote.

Situação neste pacote

O diretório está vazio. O baseline efetivo é templates/agent_template_backend, que é a referência usada em todas as comparações deste manual.

Baseline usado neste manual

O baseline é templates/agent_template_backend. Ao avaliar qualquer tuning, compare contra exatamente a mesma configuração de:

• LLM/provider;
• persistência;
• MCP transport;
• guardrails/judges;
• RAG;
• carga;
• dados de teste.

Sem baseline controlado, a diferença de latência não pode ser atribuída à capability estudada.

T8. Tuning — Offline_Workflow_Regression

Objetivo: Fallback determinístico opt-in para testes offline da DSL de workflow.

O que este cenário demonstra

O backend de produção de WorkflowRuntime continua sendo LangGraph. A ausência do pacote langgraph em produção é erro de configuração. Para builders restritos/offline, o runtime aceita allow_deterministic_fallback=True. Esse modo é deliberadamente opt-in e existe somente para exercitar a DSL do framework (actions, edges, condições, pause/resume e trace) quando a dependência externa não pode ser instalada. Ele não é selecionado automaticamente. Exemplo de teste: runtime = WorkflowRuntime( repository, actions=registry, allow_deterministic_fallback=True, )

Comportamento

Produção continua exigindo LangGraph. O fallback determinístico só existe quando allow_deterministic_fallback=True, para builders/testes offline.

Ele exercita a DSL:

• actions;
• edges;
• condições;
• pause/resume;
• trace.

Não deve ser escolhido automaticamente em produção, porque isso esconderia ausência/configuração incorreta do backend LangGraph.

T9. Tuning — Pause_Resume_Workflow

Objetivo: Pause/resume por execution_id e expected_input.

O que este cenário demonstra

Este exemplo demonstra uma capability genérica do agent_framework_oci: workflows determinísticos podem interromper a execução para obter uma resposta do cliente e retomar posteriormente pelo mesmo execution_id, sem que o domínio importe ou monte um StateGraph. A aplicação declara o workflow em YAML. WorkflowRuntime transforma a definição em LangGraph internamente, utiliza o checkpointer configurado pelo framework e expõe somente: - arun(name, payload) — inicia ou executa o workflow; - aresume(name, execution_id, value) — retoma o workflow pausado; - WorkflowRunResult.status — PAUSED, COMPLETED ou FAILED. O pause é compilado em um nó separado da action anterior. Isto impede que uma action com efeito colateral seja executada novamente quando o cliente responde. A partir da raiz do exemplo, com as dependências do framework instaladas: python -m app.demo

Delta em relação ao template base

Variante analisada: Tuning-Performance/Pause_Resume_Workflow/agent_template_backend.

Arquivos alterados: README.md, docs/TRANSACTION_SEMANTIC_CONFIRMATION.md.

Arquivos adicionados: app/demo.py, tests/test_pause_resume.py, workflows/confirmacao.active.yaml, workflows/confirmacao.v1.yaml.

Estrutura

A variante adiciona workflows/confirmacao.v1.yaml, confirmacao.active.yaml, app/demo.py e testes.

WorkflowRuntime.arun() inicia; quando o nó declara pause, devolve PAUSED. aresume(name, execution_id, value) retoma a mesma execução.

O YAML demonstra:

• expected_input;
• normalização;
• valores permitidos;
• resume_from;
• reprompt;
• semantic_classifier;
• reentrada contextual por opção.

A pausa é separada da action anterior para não repetir efeito colateral ao retomar.

T10. Tuning — Route_Stickness

Objetivo: Continuidade semântica, handoff, encerramento e policies MCP.

O que este cenário demonstra

A documentação PT/EN consolida route stickiness, handoff humano, encerramento de sessão e políticas MCP. O classificador decide continuidade (CONTINUE/ROUTE) e ações globais de sessão (HUMAN_HANDOFF/END_SESSION) sem executar tool por conta própria.

Ordem de decisão

sessão encerrada? → rejeita/replay conforme canal
route stickiness habilitada?
   → CONTINUE → agente ativo
   → ROUTE/baixa confiança/erro → EnterpriseRouter
   → HUMAN_HANDOFF → nó global
   → END_SESSION → nó global

Variáveis documentadas:

ENABLE_ROUTE_STICKINESS=true
ROUTE_STICKINESS_LLM_PROFILE=route_continuity
ROUTE_STICKINESS_CONFIDENCE_THRESHOLD=0.90
ROUTE_STICKINESS_HISTORY_TURNS=2
ROUTE_STICKINESS_MAX_TOKENS=80
HUMAN_HANDOFF_MESSAGE=...
END_SESSION_MESSAGE=...

Stickiness não autoriza tool. Mesmo em CONTINUE, a chamada MCP passa pelas policies read-only/transacionais.

T11. Tuning — Transaction_Evidence

Objetivo: Persistência/correlação de evidência operacional transacional.

O que este cenário demonstra

Esta variante demonstra a funcionalidade Transaction Evidence do agent_framework_oci. Ela preserva o resultado estruturado de transações executadas no estado/checkpoint do LangGraph e o reutiliza, quando relevante, em turnos posteriores como evidência operacional para composição de resposta e groundedness. > Transaction Evidence não é Long Term Memory. É estado operacional associado à > sessão/workflow e aos recursos envolvidos na transação. Sem esta funcionalidade, uma transação pode ocorrer corretamente em um turno: quero cancelar pedido

Delta em relação ao template base

Variante analisada: Tuning-Performance/Transaction_Evidence/agent_template_backend.

Arquivos alterados: .env.example, app/main.py, app/state.py, docs/TRANSACTION_SEMANTIC_CONFIRMATION.md, config/mcp_parameter_mapping.yaml, config/tools.yaml, config/tool_policies.yaml, app/agents/product_agent.py, app/workflows/agent_graph.py.

Arquivos adicionados: nenhum.

Problema resolvido

Uma transação pode ocorrer em um turno e ser mencionada depois. Sem evidência persistida, groundedness pode considerar o fato “cancelamento/protocolo” não sustentado.

O runtime grava transaction_evidence e correlaciona itens relevantes em relevant_transaction_evidence.

Exemplo:

cancelar_pedido(PED-1001)
→ COMPLETED
→ protocolo
→ transaction_evidence
...
"quero meu pedido"
→ consultar_pedido
→ relevant_transaction_evidence do cancelamento
→ resposta + judges recebem a mesma evidência

Transaction Evidence é operacional, não memória semântica.

T12. Tuning — Transaction_Pre_Validation

Objetivo: Validator MCP side-effect-free antes da confirmação.

O que este cenário demonstra

Esta variante demonstra a capability genérica de pré-validação MCP antes da confirmação. A regra de negócio continua no MCP. O framework apenas orquestra o contrato genérico: parâmetros completos ↓ MCP validator (read-only / side-effect-free) ↓ eligible? ├─ false → OUT_OF_SCOPE / NOT_ELIGIBLE → responde sem pedir confirmação

Delta em relação ao template base

Variante analisada: Tuning-Performance/Transaction_Pre_Validation/agent_template_backend.

Arquivos alterados: .env.example, docs/TRANSACTION_SEMANTIC_CONFIRMATION.md, app/agents/product_agent.py, app/workflows/agent_graph.py.

Arquivos adicionados: nenhum.

Fluxo

parâmetros completos
→ validar_cancelamento_pedido
→ eligible?
   ├─ false → OUT_OF_SCOPE / terminal / limpa latch
   └─ true  → AWAITING_CONFIRMATION
               ↓
              sim
               ↓
          cancelar_pedido

fail_open=false é apropriado para operação sensível. Rejeição não vira transaction_evidence, porque a operação de negócio não ocorreu.

Eventos esperados incluem:

IC.TRANSACTION_PREVALIDATION_REQUESTED
IC.TRANSACTION_PREVALIDATION_PASSED
IC.TRANSACTION_PREVALIDATION_REJECTED
IC.TRANSACTION_CONFIRMATION_REQUIRED

T13. Tuning — Voice_Interruption_Replay

Objetivo: Short-circuit/replay para voz sem reexecutar o grafo indevidamente.

O que este cenário demonstra

Esta melhoria move para agent_framework.channels.interruption comportamentos que antes costumavam ser implementados dentro de agentes de voz específicos. Evitar que idle_nudge, barge-in e fala residual pós-finalização reabram desnecessariamente o LangGraph principal, executem tools novamente ou confundam uma resposta de continuidade com uma nova intenção. 1. Sessão encerrada: replay da última fala terminal (ou fallback), preservando terminal_status. Não chama LangGraph, tools ou guardrails. 2. Idle nudge: replay da última fala real do assistente. Não chama LangGraph, tools ou guardrails. 3. Fala não interrompível: replay literal. 4. Fala interrompível com contexto anterior: executa processing_interruption_classifier pelo LLMProvider do framework. - 1: reprocessa o complemento; - 0, erro ou resposta inválida: replay fail-safe.

Ordem framework-native

1. sessão encerrada → replay terminal;
2. idle nudge → replay da última fala real;
3. fala não interrompível → replay literal;
4. fala interrompível com contexto → processing_interruption_classifier;
5. sem contexto suficiente → processa normalmente.

Quando há short-circuit, o metadata informa replay=true, framework_short_circuit=true e evita LangGraph/tools/guardrails. No caso do classificador, somente o LLM leve de classificação pode ser chamado.

T14. Tuning — Workflow_Error_Recovery

Objetivo: Snapshot parcial e error_details estruturado em falhas de workflow.

O que este cenário demonstra

O WorkflowRuntime preserva o último snapshot válido do LangGraph e, nesta versão, também expõe error_details estruturado quando a exceção externa oferece campos como status_code, body e attempts. Isso permite que o domínio diferencie erro técnico de erro de negócio sem acoplar o framework ao provider. O framework continua responsável por runtime/checkpoint/trace; o domínio interpreta apenas o contrato do seu provider. Exemplo conceitual: result = await runtime.arun("workflow_transacional", payload) if result.status == "FAILED": print(result.output) # nodes concluídos antes da falha print(result.trace) # trace parcial print(result.error) # mensagem humana/técnica

Contrato de falha

WorkflowRunResult preserva:

• output: nós concluídos antes da falha;
• trace: caminho parcial;
• error: mensagem;
• error_details: quando disponível, status_code, body, attempts.

Assim o framework continua genérico e o domínio interpreta detalhes do provider sem acoplar o engine à integração.

Parte III — mapa de arquivos para manutenção

Template base

Área	Arquivo
API / sessão / SSE / entrada	templates/agent_template_backend/app/main.py
State	app/state.py
Grafo	app/workflows/agent_graph.py
Runtime comum dos agentes	app/agents/runtime.py
Billing	app/agents/billing_agent.py
Produtos	app/agents/product_agent.py
Pedidos	app/agents/orders_agent.py
Suporte	app/agents/support_agent.py
Routing	config/routing.yaml
Agents registry	config/agents.yaml
Tools	config/tools.yaml
Policies	config/tool_policies.yaml
Parâmetros MCP	config/mcp_parameter_mapping.yaml
MCP servers	config/mcp_servers.yaml
Guardrails	config/guardrails.yaml
Judges	config/judges.yaml
Prompt policy	config/prompt_policy.yaml
Workflow devolução	workflows/devolucao_pedido.v1.yaml
Workflow active pointer	workflows/devolucao_pedido.active.yaml
Actions devolução	app/workflow_actions/devolucao.py
Renderers	app/presentation/tool_renderers.py
Observabilidade	app/observability/telemetry_observer.py
Runtime do framework	libs/agent_framework/src/agent_framework/runtime/agent_runtime.py
Router	libs/agent_framework/src/agent_framework/routing/enterprise_router.py
Multi-intent	libs/agent_framework/src/agent_framework/routing/multi_intent.py
Pending topics	libs/agent_framework/src/agent_framework/routing/pending_topics.py
Parâmetros/reconciliação	libs/agent_framework/src/agent_framework/runtime/transaction_parameters.py
Workflow runtime	libs/agent_framework/src/agent_framework/workflows/

Como criar uma nova regra sem hardcode no core

1. Defina a intent em config/routing.yaml.
2. Aponte para um agente existente ou crie o agente em app/agents/.
3. Registre o agente no grafo somente se for novo.
4. Declare capabilities em config/tools.yaml.
5. Declare confirmação/pre-validation/workflow em config/tool_policies.yaml.
6. Configure aliases/extract/defaults em config/mcp_parameter_mapping.yaml.
7. Implemente a tool no MCP Server, não no router.
8. Se houver orquestração multi-etapas, crie workflow YAML e actions Python.
9. Acrescente guardrails/judges somente quando a regra for transversal/qualidade; não use guardrail como router.
10. Teste estado, coleta, confirmação, intent shift, retry, idempotência e groundedness.
11. Se a capability precisar de um comportamento avançado, consulte primeiro os cenários de Tuning-Performance antes de duplicar infraestrutura no agente.