Agentes conversacional

The Conversational Agent node runs an LLM-driven turn in a chat conversation, looping through reasoning and tool-calls and streaming them to the chat.

O que faz

Runs a single turn of a conversational AI agent that you author in the canvas. You configure a model, instructions, and tools, then pass in the conversation context (which includes the chat history) emitted from a Wait for Message node. The agent performs a loop of reasoning and tool-calls, streaming them to the chat.

Observação:

The agent can only reply within an exchange that a user has initiated, which means the user must send a message first before a conversational agent node can run. Flow-initiated exchanges — sending a message without a prior user turn — are not yet supported.

Quando usar

Situação	Usar
You need an LLM-driven, streamed conversational response, with possible tool-calls.	Agentes conversacional
You need a deterministic reply in the conversation (no LLM).	Enviar mensagem
You need an LLM-driven execution with possible tool-calls, but without streaming to the conversation.	Agente Autônomo

Observação:

Since the Conversational Agent node streams and appends its response to the chat automatically, you do not need to use Send Message to emit the agent's response to the conversation.

Visit build a chat agent workflow for a step-by-step example that combines Conversational Agent nodes with the other Chat nodes.

Adicionando um agente

Adicione o nó e, em seguida, configure-o no painel de propriedades.

1. Selecione o botão + em um identificador de saída ou abra a paleta de nós na barra de ferramentas inferior.
2. Select the Agent category, then Conversational Agent. Flow adds the node and opens its properties panel.
3. Configure the model, system prompt, and the conversation context binding, as described below.

Result: The Conversational Agent node is added to the canvas with its properties panel open, ready to configure.

Referência da configuração

Campo	Required	Padrão	Description
Modelo	Não	Modelo de agente padrão da organização	O grande modelo de linguagem (LLM) que o agente usa. Selecione um modelo no seletor, que lista os modelos disponíveis para sua organização.
Prompt do Sistema	Sim	Nenhum	The agent's role and standing instructions: who it is and how it should behave. Applies to every turn of the conversation, so write durable guidance — e.g. persona, tone, goals, and when to call tools.
Temperatura	Não	0	Aleatoriedade de amostra, de 0 a 1. Valores mais baixos tornam as respostas mais determinísticas; valores mais altos tornam as respostas mais variadas ou criativas.
Máximo de tokens por resposta	Não	8192	Maximum length of each model response within a turn. The ceiling depends on the selected model.
Conversation context	Sim	Nenhum	The conversation context object — containing the chat history — from an upstream Wait for Message, e.g. $vars.waitForMessage1.output.conversationContext

Variáveis de saída

In addition to the agent's conversational response, you may optionally configure structured output variables in the Outputs section of the properties panel.

These outputs are not seen by the user in the chat — instead, they are useful for setting goal-oriented or routing variables to use in downstream nodes within the Flow.

Each output variable you declare becomes a field on the agent's output object, referenced as $vars.<agentName>.output.<name>. Give each one a name and a type, then instruct the agent in the variable's Description field how to populate it.

Importante:

Generation of the agent's conversational responses is driven by only its system prompt, while generation of the agent's outputs are driven by a combination of its system prompt and the output variable descriptions. To ensure the agent doesn't emit structured output data into the chat, use the system prompt to tell the agent how to respond in the chat, while using the output descriptions to instruct the agent how to fill in the outputs.

Por exemplo:

System prompt: "Thank the user when they would like to end the conversation."

Output variable: endConversation (boolean). Description: "Set to true when the user intends to end the conversation."

Ramificando no resultado

Follow the agent with a Decision or Switch to route on a structured output field. For example:

Wait for Message → Conversational Agent (supervisor) → Switch on $vars.agent.output.intent
  → 'intent-a':  Route to a loop with specialist conversational agent A
  → 'intent-b':  Route to a loop with specialist conversational agent B
  → 'off-topic': Send Message ("Message is off-topic") → back to first Wait for Message.

Recursos

A Conversational Agent composes with resource nodes you connect to its handles. The node has three resource handles, each with its own label in the canvas: Tools, Context, and Escalations. Connect a resource to a handle, then configure that resource in its own properties panel. The resources travel with the flow.

Cada identificador aceita apenas seu tipo de recurso correspondente. A tela bloqueia conexões que não se encaixam, então você não pode, por exemplo, conectar uma ferramenta ao identificador de contexto.

Ferramentas

Conecte ferramentas ao identificador de Ferramentas para fornecer ao agente recursos que ele pode chamar durante o raciocínio. O agente decide durante seu loop se e quando chamar cada ferramenta conectada. Cada ferramenta carrega uma descrição que informa ao agente para que é a ferramenta; portanto, escreva descrições claras quando uma ferramenta expõe uma ferramenta.

Os tipos de ferramentas que você pode conectar são:

• Ferramentas integradas, três ferramentas prontas descritas abaixo.
• Ferramentas de conector, que permitem que o agente chame uma operação do Integration Service, por exemplo, enviando um e-mail ou criando um registro em um sistema downstream.
• Fluxo de trabalho de RPA e ferramentas de função de API , que permitem que o agente invoque um processo de RPA publicado ou fluxo de trabalho de API como uma ferramenta.
• Ferramentas de servidor de Protocolo de Contexto do Modelo (MCP) , que expõem as ferramentas publicadas em um servidor MCP.

Ferramentas integradas

Três ferramentas integradas são fornecidas com o Flow. Cada um é um recurso independente que você conecta ao identificador de Ferramentas e configura em seu próprio painel.

• Analisar arquivos: analisa um ou mais arquivos com um LLM para extrair, sintetizar ou responder a perguntas sobre seu conteúdo. Descreva os arquivos que o agente passará e a tarefa de análise a ser executada neles.
• Transformação em lote: processa e transforma um arquivo CSV, linha por linha. Forneça o arquivo de origem, descreva a tarefa por linha e defina as colunas de saída que a ferramenta adiciona. Você pode habilitar ou desabilitar o embasamento de pesquisa na web para a transformação.
• Resumir: produz uma síntese entre documentos (até 1.000 páginas) com citações. Forneça a origem, descreva o que sintetizar e escolha a extensão do arquivo. Quando a origem é um PDF, é possível ativar ou desativar as citações.

Ferramentas do servidor MCP

Conecte um servidor de Protocolo de Contexto do Modelo (MCP) para expor suas ferramentas ao agente. A seleção de uma ou mais ferramentas do servidor adiciona uma seção Configuração de ferramentas abaixo do seletor de ferramentas, com um painel expansível por ferramenta. Nesse painel, você pode editar a descrição de cada argumento, visualizar o esquema completo de entrada e saída da ferramenta e escolher como o argumento obtém seu valor: o agente decide no runtime, o valor é associado a uma variável de agente no escopo ou o valor é corrigido (e opcionalmente sinalizado como confidencial).

A lista de ferramentas de um servidor MCP pode vir de dois modos de descoberta:

• Em cache: tira um instantâneo das ferramentas do servidor quando o servidor está conectado. Use Ferramentas de atualização no servidor para extrair um instantâneo atualizado sob demanda.
  • Por padrão, a alternância Atualizar esquema antes de chamar no painel de configuração de uma ferramenta verifica novamente o servidor para o esquema atual da ferramenta logo antes de cada chamada. Portanto, uma alteração de esquema no servidor (um parâmetro renomeado ou adicionado, por exemplo) não requer uma atualização manual. Quando desabilitada, a ferramenta sempre usa o esquema do último instantâneo.
• Dinâmico: descobri ferramentas no runtime em cada chamada, incluindo ferramentas adicionadas ao servidor após o nó ser configurado.

Para servidores MCP remotos, a atualização pesquisa o endpoint de descoberta do servidor para conclusões assíncronas. Para servidores da Plataforma MCP — serviços nativos da UiPath, como Document Understanding — a lista de ferramentas vem do catálogo de serviços da UiPath Platform.

If no MCP server is connected yet, add one from the node palette's MCP server entry. The Create new options group server creation by subtype — Platform, Remote, Command, Coded, and UiPath. Selecting Platform opens a dialog to create the server within the current solution, when supported by your environment; the other subtypes open the corresponding creation page in Orchestrator. For more details, see About MCP Servers.

Observação:

The inline Conversational Agent node does not yet support personal connections, client-side tools, or tool-call confirmations. To use these, build the agent in Agent Builder and import it as a node in your Flow.

Context

Conecte um recurso de contexto ao identificador de contexto para fundamentar o agente em seus dados. O agente utiliza esses dados de fundamentação enquanto raciocina, em vez de depender apenas do modelo. Um recurso de contexto aponta para um índice de contexto em sua organização.

Configure como o agente se recupera do índice, incluindo o modo de recuperação (semântico, estruturado, DeepRAG ou transformação em lote), a consulta, o número de resultados a serem retornados, um limite de relevância e se deve incluir citações. Para criar um novo índice de contexto, use a ação Criar novo contexto no painel de adição do identificador, que abre a criação do índice em uma nova guia.

Escalonamento

Conecte o identificador de Escalonamentos para rotear para uma pessoa quando o agente chegar a um caso que não deve decidir sozinho. O agente pausa, um humano atua no escalonamento e o agente retoma com o resultado. Você pode anexar um de dois recursos de escalonamento:

• Escalonamento: direciona para uma tarefa de aplicativo de ação. Configure o aplicativo de ação, destinatários, notificações, as entradas passadas para o aplicativo e como o resultado do aplicativo mapeia de volta para o agente.
• Escalonamento de aplicativo de ação: roteia para um aplicativo de ação codificado, com a mesma configuração de destinatários, notificação, entrada e mapeamento de resultados.

Both escalation resources are configured the same way. Choose Action App Escalation when your escalation target is a coded action app rather than a standard action app.

Importante:

An escalation from a Conversational Agent blocks the conversation turn — the user is left waiting on the chat surface until the human acts. For long-running approvals or hand-offs where the conversation should keep moving, run a Human Task from a parallel branch instead, so the chat can continue while the approval happens in the background.

Problemas comuns

An input validation error appears before you can debug. The Model, System prompt, and Conversation Context are all required. The node reports a validation error until each one is set.

The chat blocks for a long time after the agent triggers an escalation. Escalations attached directly to the agent pause the entire turn until the human acts. For long-running approvals, move the human step to a parallel Human Task branch that runs alongside the conversation instead.

Uma ferramenta de transformação em lote conectada relata um erro de validação. A Transformação em lote exige pelo menos uma coluna de saída. Defina as colunas que a ferramenta deve adicionar antes de depurar o fluxo.

Páginas relacionadas

• Wait for Message — provides the conversation context this node consumes.
• Send Message — deterministic (non-LLM) response alternative.
• Chat — full palette of chat conversational nodes.
• Build a chat agent workflow — end-to-end walkthrough that combines a supervisor and specialists.
• Chat deployment — publish and expose the Flow through various channels.
• Autonomous Agent — task-executing LLM-driven loop without streaming to the conversation.