Agentic AI: cómo construir un agente inteligente con Mendix
Dos chatbots aos agentes autônomos
A Inteligência Artificial (IA) está evoluindo rapidamente de assistente passiva para tomadora de decisões ativa, capaz de executar tarefas complexas. O passo mais transformador dessa evolução é conhecido como Agentic AI — uma abordagem que combina o poder dos grandes modelos de linguagem (LLMs) com ferramentas, dados e regras de negócio para criar agentes de software autônomos.
Diferentemente dos chatbots tradicionais, que apenas respondem a prompts, os agentes inteligentes podem:
- Analisar e processar dados em tempo real
- Executar fluxos de trabalho entre sistemas
- Integrar APIs e disparar ações de negócio
- Aprender com o contexto e com interações anteriores
Eles não apenas respondem a perguntas — eles agem a partir delas.
Com o Mendix — a principal plataforma low-code de desenvolvimento de aplicações da Siemens —, as organizações podem projetar e implantar esses agentes rapidamente, incorporando inteligência aos processos corporativos de forma integrada e alcançando novos níveis de automação.
Entendendo a arquitetura central de um agente
Antes de construir um agente, é fundamental entender seus principais componentes e como eles interagem:
- O cérebro (LLM – Large Language Model) O LLM é o núcleo cognitivo do agente. Ele processa linguagem natural, entende a intenção e gera respostas relevantes. Entre os LLMs mais populares estão a série GPT, da OpenAI, e os modelos Claude, da Anthropic.
- System prompt (instruções) Define o papel, o comportamento e o estilo de comunicação do agente. Um system prompt bem elaborado pode instruir o agente a atuar como consultor financeiro, atendente de suporte ao cliente ou analista de dados. Quanto mais específicas as instruções, melhor o resultado.
- Input (solicitação do usuário) Os inputs são as perguntas, comandos ou dados que o agente recebe. Podem ser texto, áudio, imagens, documentos ou fluxos de dados estruturados.
- Ferramentas (capacidades) Os LLMs são poderosos, mas limitados quando usados isoladamente. Ao conectar ferramentas externas — como APIs, bancos de dados ou microflows do Mendix —, você dá ao agente a capacidade de fazer cálculos, buscar informações, executar fluxos de trabalho e disparar ações.
- MCP (Model Context Protocol) O MCP é um avanço recente. Ele permite que os desenvolvedores publiquem um catálogo de ferramentas que o agente consegue descobrir e usar automaticamente. Em vez de conectar funções uma a uma, o MCP as expõe em conjunto, permitindo que o LLM decida de forma inteligente quais ferramentas acionar em cada tarefa.
Passo a passo: construindo um agente com Mendix
Veja a seguir um roteiro prático para construir uma solução de Agentic AI totalmente funcional com Mendix.
1. Crie um MCP Server no Mendix
O MCP Server funciona como a ponte entre o LLM e suas regras de negócio. Ele expõe microflows do Mendix — fluxos de back-end pré-construídos — como ferramentas que podem ser chamadas pelo agente.
- Acesse o Mendix Marketplace e instale: MCP Client (para consumir serviços MCP externos) e MCP Server (para publicar seus próprios conjuntos de ferramentas)
- Configure o MCP Server definindo: um caminho de URL exclusivo (ex.: /mcp/finance); nome e versão do serviço; regras de autenticação (opcionais em ambientes de teste)
Cada microflow exposto deve incluir:
- Um nome claro (ex.: SearchCustomerAccount)
- Uma descrição precisa do seu propósito
- Parâmetros de entrada (ex.: nome, sobrenome, data de nascimento)
- Uma saída estruturada em JSON
💡 Dica: descrições precisas são essenciais — o LLM escolhe as ferramentas com base em como elas estão descritas.
2. Conecte fontes de dados e serviços externos
Além da lógica interna, seu agente pode aproveitar serviços MCP externos para ganhar recursos mais ricos, como:
- DuckDuckGo MCP: permite buscas na web por informações em tempo real.
- Yahoo Finance MCP: fornece dados financeiros e de mercado ao vivo.
Essa abordagem híbrida permite que o agente supere uma das principais limitações dos LLMs — a incapacidade de acessar eventos recentes ou conhecimento externo atualizado —, buscando dados dinamicamente em tempo de execução.
3. Configure o agente na plataforma de LLM
Com o MCP Server pronto, é hora de conectá-lo ao ambiente do LLM (por exemplo, Claude.ai, OpenAI GPT ou similar):
- Crie um novo agente/projeto e vincule-o ao seu endpoint MCP.
- Defina o system prompt, por exemplo:“Você é um consultor financeiro de nível mundial. Responda sempre em português do Brasil, use BRL para valores monetários e baseie suas recomendações em dados da conta em tempo real e nas condições atuais do mercado.”
- Habilite as ferramentas específicas que o agente poderá acessar (ex.: “Buscar dados da conta”, “Listar transações”, “Criar meta de economia”).
Essa configuração garante que o agente tenha um comportamento consistente e, ao mesmo tempo, selecione de forma inteligente as ferramentas certas para atender às solicitações dos usuários.
4. Teste o agente em um cenário real
Com tudo pronto, é hora de ver seu agente em ação.
Exemplo de consulta:
“Analise meus hábitos de consumo e sugira um plano para juntar € 300.000 e comprar uma casa em até três anos.”
Um agente bem construído vai:
- Buscar os dados da conta e das transações por meio de microflows do Mendix.
- Obter indicadores econômicos e taxas de juros atuais.
- Analisar os padrões de gastos e calcular metas de economia.
- Entregar recomendações práticas — podendo até criar metas de economia automaticamente.
O resultado é um consultor digital autônomo que vai além de responder perguntas — ele executa uma estratégia.
Ampliando as capacidades com o Mendix Agent Studio
O ecossistema Mendix está evoluindo para tornar o desenvolvimento de agentes ainda mais acessível. O Agent Studio — um ambiente low-code de arrastar e soltar — simplifica a criação de aplicações de Agentic AI.
Entre os principais recursos estão:
- Um canvas visual para desenhar os fluxos de trabalho do agente
- Integração fluida com LLMs e serviços MCP
- Orquestração simples de múltiplas fontes de dados e APIs
- Suporte nativo a árvores de decisão complexas e lógica de automação
O Agent Studio representa a próxima fase do desenvolvimento low-code: a construção de agentes inteligentes e sensíveis ao contexto, que atuam de forma autônoma dentro dos ecossistemas corporativos.
Cenários avançados: orquestração de múltiplas ferramentas
Em casos de uso mais sofisticados, os agentes podem ser projetados para coordenar várias ferramentas ao mesmo tempo. Por exemplo:
- Consultoria financeira: combinar dados bancários internos com projeções de mercado e indicadores econômicos para montar um plano de investimentos personalizado.
- Suporte ao cliente: integrar sistemas de tickets, bases de conhecimento e ferramentas de CRM para oferecer suporte automatizado de ponta a ponta.
- IoT industrial: conectar dados de sensores a modelos preditivos e fluxos de manutenção para operações proativas.
Todos esses cenários se apoiam na mesma arquitetura de base — LLM + MCP + ferramentas —, adaptada às necessidades específicas de cada domínio.
Conclusão
Da automação à inteligência
A Agentic AI representa uma mudança fundamental na forma como as organizações constroem sistemas digitais. Em vez de aplicações estáticas e chatbots passivos, as empresas agora podem implantar agentes autônomos que combinam compreensão, raciocínio e ação.
A plataforma low-code da Mendix acelera essa transformação ao permitir que desenvolvedores e equipes de negócio projetem, implantem e escalem agentes inteligentes com rapidez — conectando-os de forma integrada a dados em tempo real, sistemas corporativos e fontes de conhecimento externas.
O resultado vai além da automação: é uma nova camada de inteligência estratégica incorporada a cada processo de negócio, que acelera decisões, melhora a experiência do usuário e sustenta a vantagem competitiva.
Pontos-chave
- A Agentic AI permite que os sistemas ajam, e não apenas reajam.
- O MCP permite que os LLMs descubram e usem ferramentas de forma inteligente.
- O Mendix oferece um ambiente low-code para construir, implantar e integrar esses agentes com eficiência.
- Com a arquitetura certa, as organizações podem incorporar inteligência diretamente aos fluxos de trabalho — abrindo novas oportunidades de inovação e crescimento.
From Chatbots to Autonomous Agents
Artificial Intelligence (AI) is rapidly evolving from a passive assistant into an active decision-maker capable of executing complex tasks. The most transformative step in this evolution is known as Agentic AI — an approach that combines the power of large language models (LLMs) with tools, data, and business logic to create autonomous software agents.
Unlike traditional chatbots that only respond to prompts, intelligent agents can:
- Analyze and process real-time data
- Execute workflows across systems
- Integrate APIs and trigger business actions
- Learn from context and past interactions
They don’t just answer questions — they act on them.
With Mendix — Siemens’ leading low-code application development platform — organizations can design and deploy these agents quickly, seamlessly embedding intelligence into enterprise processes and unlocking new levels of automation.
Understanding the Core Architecture of an Agent
Before building an agent, it’s crucial to understand its main components and how they interact:
- The Brain (LLM – Large Language Model) The LLM is the cognitive core of an agent. It processes natural language, understands intent, and generates meaningful responses. Popular LLMs include OpenAI’s GPT series and Anthropic’s Claude models.
- System Prompt (Instructions) This defines the agent’s role, behavior, and communication style. A well-crafted system prompt might instruct the agent to act as a financial advisor, customer service representative, or data analyst. The more specific the instructions, the better the output.
- Input (User Request) Inputs are the questions, commands, or data the agent receives. They can be text, audio, images, documents, or structured data streams.
- Tools (Capabilities) LLMs are powerful but limited when used alone. By connecting external tools — such as APIs, databases, or Mendix microflows — you give the agent the ability to perform calculations, retrieve information, run workflows, and trigger actions.
- MCP (Model Context Protocol) MCP is a recent breakthrough. It allows developers to publish a catalog of tools that the agent can automatically discover and use. Instead of wiring individual functions one by one, MCP exposes them collectively, enabling the LLM to intelligently decide which tools to invoke for each task.
Step-by-Step: Building an Agent with Mendix
Here’s a practical walkthrough of how to build a fully functional Agentic AI solution using Mendix.
1. Create an MCP Server in Mendix
The MCP server acts as the bridge between the LLM and your business logic. It exposes Mendix microflows — pre-built backend workflows — as callable tools.
- Access the Mendix Marketplace and install: MCP Client (to consume external MCP services) and MCP Server (to publish your own toolsets)
- Configure the MCP Server by defining: a unique URL path (e.g., /mcp/finance); name and version of the service; authentication rules (optional for testing environments)
Each microflow you expose should include:
- A clear name (e.g., SearchCustomerAccount)
- A precise description of its purpose
- Input parameters (e.g., first name, last name, birth date)
- A structured JSON output
💡 Tip: Accurate descriptions are essential — the LLM selects tools based on how they’re described.
2. Connect External Data Sources and Services
Beyond internal logic, your agent can leverage external MCP services for richer capabilities, such as:
- DuckDuckGo MCP: Enables web searches for real-time information.
- Yahoo Finance MCP: Provides live financial and market data.
This hybrid approach allows the agent to overcome one of the main LLM limitations — the inability to access recent events or up-to-date external knowledge — by retrieving data dynamically at runtime.
3. Configure the Agent in the LLM Platform
Once your MCP server is ready, it’s time to connect it to the LLM environment (e.g., Claude.ai, OpenAI GPT, or similar):
- Create a new agent/project and link it to your MCP endpoint.
- Define the system prompt, for example:“You are a world-class financial advisor. Always respond in Brazilian Portuguese, use BRL for currency values, and base your advice on real-time account data and current market conditions.”
- Enable specific tools you want the agent to access (e.g., “Fetch Account Data,” “List Transactions,” “Create Savings Goal”).
This configuration ensures the agent behaves consistently while intelligently selecting the right tools to fulfill user requests.
4. Test the Agent in a Real Scenario
With everything in place, it’s time to see your agent in action.
Example query:
“Analyze my spending habits and suggest a plan to save for a €300,000 house within three years.”
A well-built agent will:
- Retrieve account and transaction data via Mendix microflows.
- Fetch current economic indicators and interest rates.
- Analyze spending patterns and calculate savings targets.
- Deliver actionable recommendations — potentially even creating savings goals automatically.
The result is an autonomous digital advisor that goes beyond answering questions — it executes a strategy.
Extending Capabilities with Mendix Agent Studio
The Mendix ecosystem is evolving to make agent development even more accessible. Agent Studio — a low-code, drag-and-drop environment — streamlines the creation of Agentic AI applications.
Key capabilities include:
- A visual canvas for designing agent workflows
- Seamless integration with LLMs and MCP services
- Easy orchestration of multiple data sources and APIs
- Native support for complex decision trees and automation logic
Agent Studio embodies the next phase of low-code development: building intelligent, context-aware agents that act autonomously within enterprise ecosystems.
Advanced Scenarios: Multi-Tool Orchestration
For more sophisticated use cases, agents can be designed to coordinate multiple tools simultaneously. For example:
- Financial advisory: Combine internal banking data with market forecasts and economic indicators to build a personalized investment plan.
- Customer support: Integrate ticketing systems, knowledge bases, and CRM tools to provide end-to-end automated support.
- Industrial IoT: Connect sensor data with predictive models and maintenance workflows for proactive operations.
Each scenario leverages the same foundational architecture — LLM + MCP + tools — but tailored to the domain’s specific needs.
Conclusion
From Automation to Intelligence
Agentic AI represents a fundamental shift in how organizations build digital systems. Instead of static applications and passive chatbots, businesses can now deploy autonomous agents that combine understanding, reasoning, and action.
Mendix’s low-code platform accelerates this transformation by enabling developers and business teams to design, deploy, and scale intelligent agents quickly — seamlessly connecting them to real-time data, enterprise systems, and external knowledge sources.
The result is more than automation — it’s a new layer of strategic intelligence embedded into every business process, driving faster decisions, better user experiences, and sustained competitive advantage.
Key Takeaways
- Agentic AI enables systems to act, not just react.
- MCP let LLMs discover and use tools intelligently.
- Mendix provides a low-code environment to build, deploy, and integrate these agents efficiently.
- With the right architecture, organizations can embed intelligence directly into workflows — unlocking new opportunities for innovation and growth.
De los chatbots a los agentes autónomos
La Inteligencia Artificial (IA) está evolucionando con rapidez: de asistente pasivo a tomador de decisiones activo, capaz de ejecutar tareas complejas. El paso más transformador de esta evolución se conoce como Agentic AI, un enfoque que combina la potencia de los grandes modelos de lenguaje (LLMs) con herramientas, datos y lógica de negocio para crear agentes de software autónomos.
A diferencia de los chatbots tradicionales, que solo responden a instrucciones, los agentes inteligentes pueden:
- Analizar y procesar datos en tiempo real
- Ejecutar flujos de trabajo entre sistemas
- Integrar APIs y desencadenar acciones de negocio
- Aprender del contexto y de interacciones anteriores
No se limitan a responder preguntas: actúan en consecuencia.
Con Mendix, la plataforma líder de desarrollo de aplicaciones low-code de Siemens, las organizaciones pueden diseñar e implementar estos agentes con rapidez, incorporar inteligencia de forma fluida en los procesos empresariales y alcanzar nuevos niveles de automatización.
La arquitectura central de un agente
Antes de construir un agente, es fundamental comprender sus componentes principales y cómo interactúan:
- El cerebro (LLM – Large Language Model) El LLM es el núcleo cognitivo del agente. Procesa lenguaje natural, comprende la intención y genera respuestas pertinentes. Entre los LLMs más populares se encuentran la serie GPT de OpenAI y los modelos Claude de Anthropic.
- System prompt (instrucciones) Define el rol, el comportamiento y el estilo de comunicación del agente. Un system prompt bien elaborado puede indicar al agente que actúe como asesor financiero, representante de atención al cliente o analista de datos. Cuanto más específicas sean las instrucciones, mejor será el resultado.
- Input (solicitud del usuario) Los inputs son las preguntas, órdenes o datos que recibe el agente. Pueden ser texto, audio, imágenes, documentos o flujos de datos estructurados.
- Herramientas (capacidades) Los LLMs son potentes, pero limitados cuando se usan de forma aislada. Al conectar herramientas externas, como APIs, bases de datos o microflows de Mendix, usted le da al agente la capacidad de realizar cálculos, obtener información, ejecutar flujos de trabajo y desencadenar acciones.
- MCP (Model Context Protocol) El MCP es un avance reciente. Permite a los desarrolladores publicar un catálogo de herramientas que el agente puede descubrir y utilizar de forma automática. En lugar de conectar funciones una por una, el MCP las expone en conjunto, lo que permite al LLM decidir de manera inteligente qué herramientas invocar en cada tarea.
Paso a paso: cómo construir un agente con Mendix
A continuación, una guía práctica para construir una solución de Agentic AI totalmente funcional con Mendix.
1. Cree un servidor MCP en Mendix
El servidor MCP funciona como puente entre el LLM y su lógica de negocio. Expone los microflows de Mendix, flujos de backend predefinidos, como herramientas invocables.
- Acceda al Mendix Marketplace e instale: MCP Client (para consumir servicios MCP externos) y MCP Server (para publicar sus propios conjuntos de herramientas)
- Configure el MCP Server definiendo: una ruta de URL única (p. ej., /mcp/finance); el nombre y la versión del servicio; las reglas de autenticación (opcionales en entornos de prueba)
Cada microflow que usted exponga debe incluir:
- Un nombre claro (p. ej., SearchCustomerAccount)
- Una descripción precisa de su propósito
- Parámetros de entrada (p. ej., nombre, apellido, fecha de nacimiento)
- Una salida JSON estructurada
💡 Consejo: Las descripciones precisas son esenciales: el LLM selecciona las herramientas según cómo están descritas.
2. Conecte fuentes de datos y servicios externos
Además de la lógica interna, su agente puede aprovechar servicios MCP externos para obtener capacidades más amplias, como:
- DuckDuckGo MCP: Permite realizar búsquedas web para obtener información en tiempo real.
- Yahoo Finance MCP: Proporciona datos financieros y de mercado en vivo.
Este enfoque híbrido permite al agente superar una de las principales limitaciones de los LLMs, la imposibilidad de acceder a acontecimientos recientes o a conocimiento externo actualizado, al obtener datos de forma dinámica en tiempo de ejecución.
3. Configure el agente en la plataforma del LLM
Una vez que su servidor MCP esté listo, es momento de conectarlo al entorno del LLM (p. ej., Claude.ai, OpenAI GPT u otro similar):
- Cree un nuevo agente/proyecto y vincúlelo a su endpoint MCP.
- Defina el system prompt, por ejemplo:“Usted es un asesor financiero de clase mundial. Responda siempre en portugués de Brasil, use BRL para los valores monetarios y base sus recomendaciones en datos de la cuenta en tiempo real y en las condiciones actuales del mercado.”
- Habilite las herramientas específicas a las que el agente podrá acceder (p. ej., “Obtener datos de la cuenta”, “Listar transacciones”, “Crear meta de ahorro”).
Esta configuración asegura que el agente se comporte de manera coherente y, al mismo tiempo, seleccione de forma inteligente las herramientas adecuadas para atender las solicitudes de los usuarios.
4. Pruebe el agente en un escenario real
Con todo listo, es momento de ver a su agente en acción.
Ejemplo de consulta:
“Analiza mis hábitos de gasto y sugiere un plan para ahorrar €300,000 y comprar una casa en un plazo de tres años.”
Un agente bien construido:
- Obtendrá los datos de la cuenta y de las transacciones mediante microflows de Mendix.
- Consultará los indicadores económicos y las tasas de interés vigentes.
- Analizará los patrones de gasto y calculará las metas de ahorro.
- Entregará recomendaciones accionables e incluso podría crear metas de ahorro de forma automática.
El resultado es un asesor digital autónomo que va más allá de responder preguntas: ejecuta una estrategia.
Ampliar capacidades con Mendix Agent Studio
El ecosistema Mendix evoluciona para hacer el desarrollo de agentes aún más accesible. Agent Studio, un entorno low-code de arrastrar y soltar, agiliza la creación de aplicaciones de Agentic AI.
Sus principales capacidades incluyen:
- Un lienzo visual para diseñar flujos de trabajo de agentes
- Integración fluida con LLMs y servicios MCP
- Orquestación sencilla de múltiples fuentes de datos y APIs
- Soporte nativo para árboles de decisión complejos y lógica de automatización
Agent Studio encarna la siguiente fase del desarrollo low-code: construir agentes inteligentes y conscientes del contexto que actúan de forma autónoma dentro de los ecosistemas empresariales.
Escenarios avanzados: orquestación de múltiples herramientas
Para casos de uso más sofisticados, los agentes pueden diseñarse para coordinar varias herramientas de forma simultánea. Por ejemplo:
- Asesoría financiera: Combinar datos bancarios internos con pronósticos de mercado e indicadores económicos para elaborar un plan de inversión personalizado.
- Atención al cliente: Integrar sistemas de tickets, bases de conocimiento y herramientas de CRM para ofrecer soporte automatizado de punta a punta.
- IoT industrial: Conectar datos de sensores con modelos predictivos y flujos de mantenimiento para lograr operaciones proactivas.
Cada escenario aprovecha la misma arquitectura base, LLM + MCP + herramientas, pero adaptada a las necesidades específicas de cada dominio.
Conclusión
De la automatización a la inteligencia
La Agentic AI representa un cambio fundamental en la forma en que las organizaciones construyen sistemas digitales. En lugar de aplicaciones estáticas y chatbots pasivos, las empresas ya pueden implementar agentes autónomos que combinan comprensión, razonamiento y acción.
La plataforma low-code de Mendix acelera esta transformación al permitir que desarrolladores y equipos de negocio diseñen, implementen y escalen agentes inteligentes con rapidez, conectándolos de forma fluida con datos en tiempo real, sistemas empresariales y fuentes de conocimiento externas.
El resultado es más que automatización: es una nueva capa de inteligencia estratégica incorporada en cada proceso de negocio, que impulsa decisiones más rápidas, mejores experiencias de usuario y una ventaja competitiva sostenida.
Puntos clave
- La Agentic AI permite que los sistemas actúen, y no solo reaccionen.
- El MCP permite que los LLMs descubran y utilicen herramientas de forma inteligente.
- Mendix ofrece un entorno low-code para construir, implementar e integrar estos agentes con eficiencia.
- Con la arquitectura adecuada, las organizaciones pueden incorporar inteligencia directamente en los flujos de trabajo y abrir nuevas oportunidades de innovación y crecimiento.