# Desafio do Agente Codificado Especializado — Talbot

**URL:** <https://forum.uipath.com/t/specialized-coded-agent-challenge-talbot/5673203>\
**Category:** Use Cases Repository\
**Tags:** operations, coded-agent-with-uipath-sdk, advanced, uipath-orchestrator\
**Created:** [Novembro 2, 2025, 6:58pm UTC](https://forum.uipath.com/t/specialized-coded-agent-challenge-talbot/5673203 "2025-11-02T18:58:57Z")\
**Posts on this page:** 2\
**Page:** 1

<div class="post-metadata">

**Author:** ![Daniela\_Rosenstein](https://sea2.discourse-cdn.com/uipath/user_avatar/forum.uipath.com/daniela_rosenstein/32/513424_2.png) [@Daniela\_Rosenstein](https://forum.uipath.com/u/Daniela_Rosenstein)\
**Post date:** [Novembro 2, 2025, 6:58pm UTC](https://forum.uipath.com/t/specialized-coded-agent-challenge-talbot/5673203/1 "2025-11-02T18:58:57Z")

</div>

### Tipo de envio

Agente codificado com UiPath SDK

### Nome

Talbot: sistema multiagente de inteligência para operações de suporte de rede

### Categoria do setor em que o caso de uso melhor se encaixa (selecione até 2 setores)

Operações

### Nível de complexidade

Avançado

### Resumo (sinopse)

Talbot é um sistema multiagente inteligente desenvolvido com o UiPath SDK que resolve autonomamente tickets de suporte de clientes da Cato Networks, orquestrando agentes especializados em vários sistemas internos. O sistema usa um Agente Analisador para extrair entidades críticas (POPs, Sockets, locais) dos tickets do Zendesk, um Agente de Planejamento para criar estratégias de coleta de dados e agentes especializados (CMA, Grafana, Hub) que aproveitam o sistema RAG do Amazon Bedrock e o Interpretador de Código para gerar dinamicamente consultas específicas para cada sistema. A documentação da API fica armazenada na Base de Conhecimento do Bedrock, permitindo a adaptação a atualizações da API sem alterações no código. Um Agente Elaborador de Respostas sintetiza as descobertas em respostas abrangentes para os clientes. Todo o fluxo de trabalho é acionado por meio da integração do UiPath com o Zendesk, automatizando um processo que antes exigia investigação manual em sistemas desconectados. Meta: reduzir em 20% o tempo de resposta aos tickets T1 por meio da orquestração inteligente de vários sistemas e da geração dinâmica de consultas.

### Descrição detalhada do problema

As operações de suporte da Cato Networks enfrentam três desafios críticos à medida que aumenta a adoção pelos clientes:

CRESCIMENTO EXPONENCIAL DO VOLUME DE TICKETS  
À medida que a Cato Networks expande globalmente sua plataforma SASE (Secure Access Service Edge), o volume de tickets de suporte continua aumentando exponencialmente. Os engenheiros de suporte recebem diariamente centenas de tickets de clientes pelo Zendesk, relacionados a problemas de conectividade de rede, configuração, degradação de desempenho, incidentes de segurança e alertas de monitoramento do sistema. O processo atual de triagem e investigação manual não consegue acompanhar o crescimento da base de clientes, gerando tempos de resposta mais longos e insatisfação dos clientes.  
INFORMAÇÕES DISPERSAS EM SISTEMAS DESCONECTADOS  
Para resolver um único ticket, os engenheiros de suporte precisam coletar manualmente dados contextuais de vários sistemas especializados:

CMA (Cato Management Application): configurações dos clientes, topologia dos sites, status dos dispositivos, configurações de políticas e informações das contas  
Grafana: métricas em tempo real e históricas sobre POPs (Pontos de Presença), desempenho da rede, padrões de tráfego, medições de latência e estatísticas de taxa de transferência  
Hub: documentação interna do sistema, banco de dados de problemas conhecidos, procedimentos de solução de problemas e processos de escalonamento

Os engenheiros desperdiçam de 40% a 60% do tempo alternando entre sistemas, copiando dados e correlacionando informações manualmente. Dados críticos muitas vezes passam despercebidos porque os engenheiros não sabem qual sistema consultar nem quais entidades investigar. Não há uma camada inteligente que identifique automaticamente as entidades relevantes e orquestre a coleta de dados entre os sistemas.

EXTRAÇÃO E CORRELAÇÃO MANUAIS DE ENTIDADES  
Cada ticket contém várias entidades que precisam ser investigadas: POPs específicos (localizações de borda da rede), Sockets (sites dos clientes), locais (filiais), IDs de dispositivos, nomes de contas e endereços IP. Os engenheiros precisam, manualmente:

Ler descrições extensas dos tickets para identificar as entidades  
Determinar quais entidades são críticas e quais são secundárias  
Consultar cada sistema individualmente para cada entidade  
Correlacionar pontos de dados entre sistemas para identificar as causas-raiz  
Sintetizar as descobertas em respostas claras para os clientes

Esse processo manual acrescenta de 15 a 30 minutos por ticket e aumenta a ocorrência de erros humanos, a inconsistência na profundidade das investigações e as lacunas de conhecimento quando engenheiros menos experientes lidam com tickets complexos.

AUSÊNCIA DE UMA ESTRUTURA PADRONIZADA DE INVESTIGAÇÃO  
Engenheiros diferentes adotam abordagens diferentes nas investigações, o que resulta em:

Coleta inconsistente de dados (alguns engenheiros consultam todos os sistemas; outros deixam de verificar fontes críticas)  
Variação na qualidade e abrangência das respostas  
Silos de conhecimento (engenheiros seniores têm modelos mentais das relações entre os sistemas que os mais novos não possuem)  
Ausência de um registro de auditoria dos dados verificados durante a investigação  
Dificuldade para treinar novos engenheiros de suporte nos fluxos de investigação ideais

IMPACTO NOS NEGÓCIOS:

Tempo médio de resposta a tickets T1: 45 a 60 minutos  
30% dos tickets exigem investigação de acompanhamento devido à coleta inicial incompleta de dados  
Queda nos índices de satisfação dos clientes à medida que os tempos de resposta aumentam com o volume de tickets  
Esgotamento dos engenheiros causado por tarefas repetitivas de coleta manual de dados  
Ampliar a equipe de suporte na mesma proporção do crescimento do volume de tickets é inviável do ponto de vista dos custos

### Solução detalhada

Talbot é um sistema inteligente de orquestração multiagente que automatiza todo o fluxo de investigação e resposta a tickets por meio de agentes de IA especializados e da integração com o UiPath.  
VISÃO GERAL DA ARQUITETURA  
CAMADA DE ACIONAMENTO (fluxo de trabalho do UiPath)

O fluxo de trabalho do UiPath monitora o Zendesk em busca de novos tickets de clientes  
Extrai o conteúdo do ticket, os metadados, a prioridade e as informações do cliente  
Aciona o sistema multiagente Talbot por meio de uma chamada à API  
Publica as respostas finais de volta no Zendesk, com formatação e anexos adequados

CAMADA DE AGENTES (sistema multiagente)

AGENTE ANALISADOR (extração e priorização de entidades)

Recebe o conteúdo completo e os metadados do ticket  
Usa o raciocínio de um LLM para identificar e extrair entidades críticas:

POPs (Pontos de Presença) — localizações de borda da rede mencionadas ou implícitas  
Sockets — conexões dos sites dos clientes  
Locais — filiais e centros de dados  
IDs de dispositivos, nomes de contas, endereços IP e nomes de políticas

Prioriza as entidades de acordo com sua relevância para o problema relatado  
Gera uma lista estruturada de entidades com níveis de prioridade

Exemplo: o ticket menciona «problemas de conectividade no escritório de San Francisco» → o Analisador extrai: [Socket: «SF-Branch-01», POP: «US-West-1», Local: «San Francisco HQ», Prioridade: Alta]

AGENTE DE PLANEJAMENTO (estratégia de investigação eOrquestração)

Recebe a saída do analisador, o conteúdo do chamado e os agentes especializados disponíveis  
Cria um plano de investigação inteligente:

Determina quais agentes especializados acionar (CMA, Grafana, Hub)  
Especifica quais entidades investigar em cada sistema  
Define dependências de dados (por exemplo, obter os detalhes da conta do CMA antes de consultar as métricas do Grafana)  
Atribui a ordem de prioridade para a execução paralela ou sequencial dos agentes

Identifica informações ausentes e, se necessário, formula perguntas de esclarecimento para os clientes  
Gera um plano de execução estruturado com atribuições para os agentes

Exemplo de plano:  
Etapa 1: Agente CMA → Obter configuração, status do dispositivo e alterações recentes do Socket “SF-Branch-01”  
Etapa 2: Agente Grafana → Consultar as métricas do POP “US-West-1” das últimas 24 horas e a latência até SF-Branch-01  
Etapa 3: Agente Hub → Pesquisar problemas conhecidos para “conectividade do Socket + US-West-1”  
Etapa 4: Agente redator de respostas → Sintetizar as descobertas em uma resposta ao cliente

AGENTES ESPECIALIZADOS (Coleta de dados específicos do sistema)

AGENTE CMA:

Conecta-se às APIs do Cato Management Application  
Recupera configurações específicas do cliente:

Configurações da conta e detalhes da assinatura  
Topologia do site e inventário de dispositivos  
Status do Socket, métricas de integridade e histórico de configuração  
Alterações recentes de políticas ou ações administrativas  
Logs de acesso de usuários e eventos de autenticação

Retorna JSON estruturado com os pontos de dados relevantes

AGENTE GRAFANA:

Consulta dashboards do Grafana e APIs PromQL/Loki  
Coleta métricas de desempenho da rede:

Status de integridade e utilização de capacidade do POP  
Medições de latência entre POPs e Sockets  
Taxa de transferência do tráfego, perda de pacotes e estatísticas de jitter  
Tendências históricas e detecção de anomalias  
Histórico de alertas das entidades especificadas

Identifica padrões de degradação de desempenho

AGENTE HUB:

Pesquisa a base de conhecimento interna e a documentação  
Recupera:

Problemas conhecidos e relatórios de bugs que correspondem aos sintomas do chamado  
Procedimentos de solução de problemas para cenários semelhantes  
Documentação técnica interna  
Procedimentos de escalonamento e soluções alternativas  
Resoluções de chamados anteriores com padrões de entidades semelhantes

AGENTE REDATOR DE RESPOSTAS (Síntese e comunicação com o cliente)

Recebe dados de todos os agentes especializados  
Analisa as descobertas para identificar causas-raiz e padrões  
Sintetiza as informações em uma resposta coerente para o cliente:

Resumo executivo das descobertas  
Análise detalhada com dados de apoio  
Explicação da causa-raiz (se identificada)  
Etapas de resolução ou soluções alternativas  
Recomendação de escalonamento, se necessário

Formata a resposta com a sintaxe Markdown adequada do Zendesk, tabelas de dados e links  
Gera uma pontuação de confiança para a qualidade da resposta

CAMADA DE INTEGRAÇÃO

O fluxo de trabalho do UiPath publica a saída do Agente redator de respostas de volta no chamado do Zendesk  
Inclui todos os dados de apoio como comentários ou anexos do chamado  
Atualiza o status, a prioridade e as tags do chamado com base nas descobertas  
Registra o histórico completo da investigação para fins de conformidade

APRIMORAMENTO FUTURO: Validação com intervenção humana

Respostas com baixa confiança (\<70%) acionarão um fluxo de trabalho do Action Center  
Um engenheiro de suporte revisará as descobertas dos agentes e a resposta antes da publicação  
O feedback do engenheiro treina os agentes e melhora a precisão ao longo do tempo

PRINCIPAIS INOVAÇÕES

Orquestração multiagente: ao contrário dos sistemas de agente único, o Talbot usa agentes especializados que reproduzem a maneira como engenheiros experientes investigam chamados — coletando dados sistematicamente de cada sistema relevante  
Extração inteligente de entidades: o analisador baseado em LLM identifica não apenas entidades mencionadas explicitamente, mas também deduz entidades implícitas pelo contexto (por exemplo, “problemas de latência na Costa Oeste” → identifica todos os POPs dos EUA na região oeste)  
Planejamento dinâmico: o Agente de planejamento adapta a estratégia de investigação com base no tipo de chamado, nos dados disponíveis e nas relações entre entidades, em vez de seguir fluxos de trabalho fixos  
Correlação entre sistemas: correlaciona automaticamente as descobertas do CMA, do Grafana e do Hub para identificar padrões que uma investigação manual poderia não detectar  
Síntese estruturada de conhecimento: o Agente redator de respostas produz respostas padronizadas e de alta qualidade, equivalentes às de um engenheiro sênior, independentemente da complexidade

EXEMPLO DE FLUXO DE TRABALHO  
Cenário: o cliente relata “Desempenho lento da VPN no escritório de Chicago”

Acionamento: o UiPath detecta um novo chamado no Zendesk e extrai o conteúdo  
Analisador: identifica entidades → [Socket: “CHI-Office-Main”, POP: “US-Central-1”, Localização: “Chicago HQ”]  
Planejamento: cria um plano:

Agente CMA: obter a configuração, a alocação de largura de banda e as alterações recentes de CHI-Office-Main  
Agente Grafana: consultar as métricas de US-Central-1, a latência até Chicago e o uso de largura de banda  
Agente Hub: pesquisar por “desempenho lento + Chicago + VPN”

Execução dos agentes especializados:

CMA: informa que a largura de banda foi reduzida de 500 Mbps para 100 Mbps ontem  
Grafana: mostra que o POP US-Central-1 está saudável, mas que a largura de banda do Socket está no limite de 100 Mbps desde ontem  
Hub: encontra chamados semelhantes resolvidos com a restauração da alocação de largura de banda

Agente redator de respostas: sintetiza as descobertas:  
Causa-raiz: a alocação de largura de banda do Socket CHI-Office-Main foi reduzida de 500 Mbps para 100 Mbps em [data] devido a uma alteração no nível da assinatura. O Socket está atingindo constantemente o limite de 100 Mbps durante o horário comercial, causando a degradação do desempenho da VPN.  
Resolução: recomendamos uma destas opções:

Fazer upgrade para um nível com maior largura de banda  
Implementar políticas de QoS para priorizar o tráfego crítico

Anexei as estatísticas atuais de uso, que mostram um pico de utilização de 98% entre 9h e 17h.  
Publicação pelo UiPath: a resposta aparece no chamado do Zendesk de 2 a 3 minutos após a criação do chamado

IMPLEMENTAÇÃO TÉCNICA

Framework: UiPath SDK com orquestração personalizada usando LangGraph  
LLM: Claude Sonnet 3.5 para raciocínio e extração de entidades  
Sistema RAG: Amazon Bedrock Knowledge Base para recuperar documentação de APIs  
Geração de código: Amazon Bedrock Code Interpreter para gerar consultas dinamicamente  
APIs: API REST do Zendesk, APIs internas do CMA, API do Grafana, API de pesquisa do Hub  
Formato de dados: esquemas JSON para comunicação entre agentes  
Monitoramento: UiPath Orchestrator para monitorar fluxos de trabalho e métricas de desempenho dos agentes

### Link do vídeo narrado (exemplo: [https://bit.ly/4pvuNEL](https://bit.ly/4pvuNEL))

[](https://www.youtube.com/watch?v=o-eeJHJBfeE)

[](https://www.youtube.com/watch?v=XsIQ3HbdBSI)

### Impacto esperado desta automação

BENEFÍCIOS QUANTIFICADOS  
REDUÇÃO DO TEMPO DE RESPOSTA

Estado atual: tempo médio de resposta a chamados T1 = 45–60 minutos  
Estado desejado: redução de 20% = média de 36–48 minutos  
Mecanismo: o Talbot elimina de 10 a 15 minutos de coleta manual de dados por chamado, executando consultas em paralelo no CMA, Grafana e Hub

GANHOS DE EFICIÊNCIA

Tempo economizado pelos engenheiros: automatização de 40–60% do tempo de investigação (coleta de dados)  
Impacto mensal: considerando 1.000 chamados T1 por mês, economizar 15 minutos por chamado = 250 horas por mês = 6,25 semanas de trabalho de FTE liberadas para casos complexos  
Consistência: 100% dos chamados recebem um nível de investigação padronizado, em comparação com os atuais 60–70%

MELHORIAS DE QUALIDADE

Resolução no primeiro contato: aumento esperado de 45% para 60% por meio da coleta automatizada e abrangente de dados  
Menos acompanhamentos: atualmente, 30% dos chamados exigem investigação adicional; a meta é reduzir esse índice para 15% com uma análise inicial completa  
Registro de conhecimento: cada investigação cria um histórico de auditoria estruturado para consultas e treinamentos futuros

ESCALABILIDADE

Redução de custos: a equipe de suporte pode atender de 30% a 40% mais chamados sem aumentar o número de funcionários  
Suporte ao crescimento: a capacidade de suporte cresce com a automação, em vez de depender de contratações lineares  
Integração de novos funcionários: novos engenheiros tornam-se produtivos mais rapidamente com a estrutura padronizada de investigação do Talbot

SATISFAÇÃO DOS CLIENTES

Respostas mais rápidas: a redução de 20% no tempo de resposta melhora diretamente os índices de CSAT  
Melhor qualidade: investigações abrangentes reduzem as respostas do tipo “precisamos de mais informações”  
Transparência: os clientes recebem análises detalhadas com dados de apoio, em vez de etapas vagas de solução de problemas

KPIs MENSURÁVEIS

Tempo médio de resposta a chamados T1: 45–60 min → 36–48 min (redução de 20%)  
% de chamados com resposta inicial completa: 45% → 60%  
Horas de trabalho dos engenheiros economizadas por mês: mais de 250 horas  
Chamados atendidos por engenheiro por dia: 15 → 20–22 (+30–45%)  
Taxa de investigações de acompanhamento: 30% → 15%  
Pontuação CSAT dos clientes: valor de referência +10–15 pontos

VALOR ESTRATÉGICO DE LONGO PRAZO

Base de conhecimento: dados estruturados de investigação treinam futuros modelos de ML para detecção preditiva de problemas  
Reconhecimento de padrões: a análise de vários chamados identifica problemas sistêmicos em vez de incidentes isolados  
Suporte proativo: anomalias nas métricas do Grafana geram chamados preventivos antes que os clientes relatem problemas  
Vantagem competitiva: a Cato Networks se diferencia pela qualidade do suporte e pela rapidez nas respostas

### Produtos UiPath usados (selecione até 4 itens)

UiPath Orchestrator

### Aplicações de automação

UiPath Coded Agent, Orchestrator, Integration Service, Zendesk

### Integração com tecnologias externas

AWS Bedrock, AWS Agent core

### Diagrama do fluxo de trabalho/arquitetura desejado (arquivo de até 4 MB)

 ![Captura de tela 2025-11-02 170312.png](https://global.discourse-cdn.com/uipath/original/4X/e/1/6/e1628bca0a8852edd2c66a7f6d73e1cf3c3e289e.jpeg)

### Outros recursos

> **[GitHub - DanielaRosenn/TalBot\_support](https://github.com/DanielaRosenn/TalBot_support)**
>
> Contribute to DanielaRosenn/TalBot\_support development by creating an account on GitHub.

---

<div class="post-metadata">

**Author:** ![loredana\_ifrim](https://sea2.discourse-cdn.com/uipath/user_avatar/forum.uipath.com/loredana_ifrim/32/315005_2.png) [@loredana\_ifrim](https://forum.uipath.com/u/loredana_ifrim)\
**Post date:** [Novembro 5, 2025, 6:18am UTC](https://forum.uipath.com/t/specialized-coded-agent-challenge-talbot/5673203/2 "2025-11-05T06:18:57Z")

</div>

👋 Olá, @Daniela_Rosenstein builder,

Muito obrigado por fazer parte do **[Desafio Specialist Coded Agent](https://forum.uipath.com/t/specialist-coded-agent-challenge-build-with-uipath-sdk-langchain-llamaindex-and-win-up-to-10-000/5314890?u=loredana_ifrim)**. Sua criatividade, dedicação e habilidades em automação realmente nos impressionaram! 💥

Confira os próximos passos:

🗓 **5 a 16 de nov.:** avaliação do júri por @eusebiu.jecan1 e @Adrian_Tamas + votação da comunidade  
🏆 **17 de nov.:** anúncio dos vencedores 🎉

Não se esqueça do **Prêmio Escolha da Comunidade** : o projeto mais votado ganha um **vale-presente de US$ 500 + voucher de US$ 60 para produtos UiPath**! A votação fica aberta até **16 de nov.** , mas lembre-se de que **contas novas não podem votar** (é necessário ter acesso de **Nível 1** , pois queremos manter tudo justo e livre de spam).

Você já conquistou nossa admiração; agora vamos ver quem leva os grandes prêmios para casa 😄.

BOA SORTE 🍀 ,

Loredana