Perguntas frequentes

O agente não está chamando a ferramenta que eu conectei

Conectar e ativar uma ferramenta a torna disponível para o agente — não garante que o modelo vá usá-la em toda situação em que faria sentido. Decidir chamar (ou não) uma ferramenta é uma decisão do próprio modelo de linguagem, não uma regra determinística da plataforma. Antes de reportar como bug, checar nesta ordem:

1. A ferramenta está realmente ativada neste agente? Conectar uma ferramenta na organização não a ativa automaticamente em cada agente — o switch por agente, na aba Ferramentas do editor, precisa estar ligado.
2. O modelo escolhido suporta chamada de ferramentas? Nem todo modelo do catálogo tem essa capacidade — um modelo sem suporte simplesmente nunca vai chamar nenhuma ferramenta, por melhor que o prompt seja.
3. O limite de chamadas por turno não foi atingido? Se o agente já chamou o máximo permitido de ferramentas naquele turno, tentativas seguintes são recusadas e registradas em auditoria.
4. A seleção de ações específicas está muito restrita? Se o agente usa seleção manual de ações (em vez de automática), confirme que a ação esperada está de fato marcada.
5. O prompt deixa claro quando usar a ferramenta? Instruções vagas sobre quando agir deixam a decisão inteiramente a critério do modelo. Ser explícito no prompt sobre em quais situações usar cada ferramenta costuma reduzir esse tipo de comportamento — sem eliminá-lo por completo, já que ainda depende do modelo escolhido (modelos maiores/mais capazes tendem a ser mais consistentes chamando ferramentas do que modelos pequenos/baratos).

Mensagem “temporariamente indisponível” no widget ou chat

Essa mensagem aparece quando a organização não tem créditos suficientes para pagar a próxima mensagem — a plataforma checa o saldo antes de chamar o modelo de IA, então nada é debitado e nada chega a ser gerado quando isso acontece.

O texto muda de acordo com quem está vendo:

• Widget público ou link direto do agente: mostra só “Este agente está temporariamente indisponível.” — de propósito vago, já que quem está do outro lado é um cliente externo da organização, que não deveria ver detalhes de faturamento internos.
• Chat do Hub (membros da própria organização logados): mostra diretamente “Saldo de créditos insuficiente.”
• Telegram: responde “Esta organização está sem créditos no momento.”

Em qualquer um dos três casos, a mensagem que falhou não é cobrada — é seguro pedir para a pessoa tentar de novo assim que o saldo for reposto (veja abaixo).

Erro de saldo insuficiente

Cada mensagem debita créditos da organização, e o valor varia por modelo — modelos mais baratos custam cerca de 1 crédito por mensagem; modelos de ponta (frontier) custam significativamente mais, refletindo o custo real deles. O saldo atual, o histórico de consumo e o plano da organização ficam visíveis em Configurações › Assinatura.

Duas formas de resolver:

1. Comprar um pacote de créditos avulso — não muda de plano, só adiciona créditos extras ao ciclo atual. Útil quando falta pouco para o fim do mês.
2. Fazer upgrade de plano — planos superiores vêm com uma cota mensal maior de créditos.

O saldo do plano é renovado automaticamente no início de cada ciclo de cobrança — não é preciso fazer nada manualmente para isso. Se o problema se repetir todo mês antes do ciclo virar, normalmente é sinal de que o plano atual ficou pequeno para o volume real de conversas da organização, e vale considerar um upgrade em vez de comprar avulso todo mês.

O agente respondeu algo estranho ou alucinou uma informação

Modelos de linguagem podem produzir respostas erradas, inconsistentes ou inventadas — isso é uma limitação conhecida de qualquer LLM, e fica mais frequente em modelos pequenos/baratos (o agente cai automaticamente no modelo habilitado mais barato quando nenhum é escolhido explicitamente na aba Modelo). Antes de reportar como bug, vale checar três coisas:

1. Qual modelo o agente está usando (aba Modelo do editor) — se nenhum estiver fixado, o agente está usando o mais barato disponível, que é o mais propenso a esse tipo de erro. Fixar um modelo mais capaz reduz a frequência, embora não elimine o problema por completo.
2. Se a resposta deveria vir de uma base de conhecimento (aba Conhecimento/vínculo de base) — sem uma base vinculada, o agente responde só com o que sabe do próprio treinamento e do prompt, sem nenhum fato real da sua empresa para se apoiar. Vincular uma base de conhecimento faz o agente responder com base em documentos reais em vez de preencher a lacuna com uma suposição.
3. Se a resposta envolvia uma ação real (como confirmar um agendamento na agenda) — a plataforma tem uma camada de verificação que impede o agente de confirmar que uma ação foi concluída quando ela na verdade não foi executada com sucesso. Se ainda assim uma resposta afirmar algo que não aconteceu de verdade, isso deve ser reportado como um caso real para investigação.

Nenhuma dessas medidas garante 100% de precisão — reduzem a frequência do problema, não o eliminam. Se um agente repetir o mesmo tipo de erro com frequência, o caminho mais efetivo costuma ser revisar o prompt de sistema (deixando as instruções mais específicas) e, se disponível no plano, considerar um modelo mais capaz.