Magentic-UI

Antes de encostar em qualquer coisa, o Magentic-UI escreve um plano passo a passo da tarefa e entrega a você. Dá para editar os passos no editor de planos, incluir ou tirar algum, ou mandar um comentário em texto livre para orientar a abordagem. A execução só começa depois da sua aprovação, então você corrige uma estratégia ruim antes de gastar tempo. Um plano salvo também pode ser recuperado na tarefa seguinte, sem partir do zero.

Durante a execução, o agente narra o que vai fazer e o que acabou de ver, como o botão que está prestes a clicar ou o que leu na página. A qualquer momento você pausa a tarefa, digita uma correção ou pega o navegador e faz o passo sozinho, devolvendo o controle depois. A diferença em relação a uma ferramenta de automação que roda sozinha está aí: você continua no circuito porque vê e redireciona cada ação enquanto ela acontece.

As barreiras de ação do agente param a execução para pedir sua aprovação antes de um passo difícil de desfazer, como enviar um pagamento ou um e-mail. Você decide de quanto em quanto tempo esses pontos de checagem aparecem, de cada ação de risco até um ajuste mais leve para tarefas confiáveis. Nada irreversível roda sem o seu aval, que é a ideia de segurança por trás de todo o projeto.

A sessão do navegador e o código que o agente escreve rodam dentro de um ambiente isolado do Docker, separado do resto da sua máquina. Essa separação importa porque o agente chega a sites ao vivo, e um ambiente à parte limita o que ele alcança no seu sistema se algo der errado. Você também pode restringir quais sites ele pode visitar, para ficar dentro dos limites que você definir.

O Magentic-UI divide o trabalho entre agentes especializados em vez de pedir tudo a um único modelo. Um orquestrador planeja e delega, um WebSurfer controla o navegador, um programador escreve e roda scripts e um agente de arquivos cuida de documentos e pastas. Como é construído sobre o AutoGen e fala Model Context Protocol, você pode somar suas próprias ferramentas e agentes à equipe. O projeto também se integra aos modelos e agentes do Azure AI Foundry.

O agente aprende com as execuções que deram certo. Pode salvar um plano concluído numa galeria e recuperá-lo depois, de forma automática para uma tarefa parecida ou manual pela lista. Em trabalhos repetidos, como uma coleta semanal de dados ou um formulário de sempre, isso encurta o tempo de preparação e empurra o agente para um fluxo que você já aprovou. Reutilizar é a recompensa por tê-lo guiado na primeira vez.

Você pode rodar várias sessões de tarefa ao mesmo tempo, e um indicador mostra qual precisa da sua atenção e qual terminou. Como o agente depende do seu critério nos pontos de checagem, levá-las em paralelo mantém você ocupado aprovando em vez de esperar um único agente avançar. Isso transforma o modelo human-in-the-loop em algo próximo de supervisionar uma equipe pequena.