Postman Agent Mode executando tarefas de API com inteligência artificial

Postman mostra como escalar agentes de IA para 40 milhões de desenvolvedores


O Postman detalhou a arquitetura usada para levar seu Agent Mode a uma base de 40 milhões de desenvolvedores. O principal desafio não foi o modelo, mas contexto, ferramentas, permissões e operação em escala.

Criar um agente de inteligência artificial que funciona em uma demonstração é relativamente simples.

Fazer o mesmo sistema operar dentro de um produto usado por 40 milhões de desenvolvedores é outro problema.

O Postman detalhou a arquitetura por trás do Agent Mode, recurso que permite executar tarefas relacionadas ao ciclo de vida de APIs utilizando linguagem natural.

O sistema roda sobre o Amazon Bedrock e pode criar requisições, corrigir erros, atualizar testes, trabalhar com coleções, ambientes, monitores e outras áreas da plataforma.

Durante o desenvolvimento, porém, a equipe descobriu que qualidade do modelo e engenharia de prompt não eram os maiores desafios.

Os problemas mais difíceis estavam em como o agente enxergava o produto.

Um agente não usa a interface como uma pessoa

Durante anos, o Postman foi desenvolvido para humanos.

Um desenvolvedor sabe onde procurar determinada informação porque entende a estrutura visual do produto.

Ele pode abrir uma coleção, expandir uma pasta, entrar em uma requisição, consultar uma variável ou verificar uma configuração.

Um agente não funciona dessa maneira.

Ele precisa receber essas informações como dados estruturados.

Quando a equipe simplesmente tentou entregar ao modelo as mesmas estruturas utilizadas para renderizar a interface, o resultado não foi adequado.

Os objetos carregavam informações demais e não estavam organizados para raciocínio.

A solução foi criar estruturas específicas de contexto para o agente.

O contexto virou recurso escasso

Cada objeto dentro do Postman pode conter uma grande quantidade de informação.

Uma especificação OpenAPI, por exemplo, pode possuir milhares de linhas.

Requisições podem conter payloads extensos.

Documentações e descrições também podem crescer indefinidamente.

Enviar tudo isso para o modelo não é eficiente.

Mesmo quando existe espaço dentro da janela de contexto, excesso de informação pode piorar a qualidade da resposta.

O Postman passou então a tratar contexto como um orçamento limitado.

O agente recebe apenas o que precisa para executar determinada tarefa.

Esse princípio acabou sendo um dos principais aprendizados do projeto.

Mais contexto nem sempre significa agente melhor

Uma estratégia intuitiva seria fornecer o máximo possível de informações ao modelo.

Na prática, isso pode gerar o efeito contrário.

Informações irrelevantes competem com dados importantes pela atenção do modelo.

O agente pode acabar utilizando uma configuração incorreta, ignorando detalhes relevantes ou tentando agir sobre elementos que não têm relação com a tarefa atual.

Por isso, a arquitetura passou a selecionar dinamicamente quais informações devem chegar ao modelo.

Esse tipo de engenharia de contexto começa a ganhar importância conforme agentes deixam protótipos e passam a operar dentro de produtos reais.

Muitas ferramentas também viram problema

Outro desafio foi a quantidade de ações disponíveis.

O Postman possui uma superfície extensa de funcionalidades.

Um agente pode precisar:

  1. abrir requisições
  2. alterar configurações
  3. executar coleções
  4. verificar autenticação
  5. criar testes
  6. consultar documentação
  7. modificar diferentes objetos

Expor todas essas ferramentas ao modelo ao mesmo tempo não necessariamente melhora sua capacidade.

Quanto maior o catálogo, maior a chance de o agente escolher uma ferramenta inadequada.

A equipe passou então a limitar dinamicamente quais ferramentas estão disponíveis conforme a tarefa.

O objetivo é reduzir ambiguidade.

Em vez de perguntar ao modelo qual ação escolher entre centenas, o sistema apresenta apenas um subconjunto relevante.

Tool sprawl vira problema de arquitetura

Esse problema começa a aparecer com frequência em agentes mais complexos.

Uma aplicação tradicional possui funções claramente definidas pelo código.

Um agente pode escolher entre diferentes ferramentas conforme interpreta o objetivo do usuário.

À medida que novas integrações são adicionadas, o número de possibilidades cresce.

Esse fenômeno é frequentemente chamado de tool sprawl.

O desafio deixa de ser apenas fornecer ferramentas ao modelo.

É necessário determinar quais delas devem estar disponíveis em cada momento.

No caso do Postman, o controle dinâmico reduziu a chance de ações incorretas e tornou o processo mais previsível.

Conhecimento do produto usa RAG

O Postman também não colocou toda a documentação da plataforma dentro de um grande prompt.

A empresa utiliza uma arquitetura de Retrieval Augmented Generation, ou RAG, para fornecer conhecimento conforme necessário.

A plataforma possui recursos relacionados a protocolos, mock servers, documentação, monitores, governança, variáveis, geração de código e diversas outras áreas.

Grande parte desse conteúdo é irrelevante para uma solicitação específica.

Por isso, o sistema seleciona artigos e informações de acordo com a pergunta e o contexto disponível.

Se o usuário estiver trabalhando com mock servers, por exemplo, o agente pode carregar automaticamente conteúdo relacionado a esse recurso.

Isso mantém o contexto menor e mais direcionado.

O Agent Mode pode realmente alterar o produto

O sistema não funciona apenas como assistente de perguntas.

Ele possui ferramentas capazes de realizar ações dentro do Postman.

Isso aumenta a necessidade de controles de segurança.

A arquitetura exige aprovação do usuário antes de operações que modificam o estado da aplicação.

Dessa forma, o agente pode sugerir ou preparar uma ação, mas determinadas mudanças ainda precisam de confirmação humana.

Esse padrão mantém uma etapa de supervisão dentro do fluxo.

Dados pessoais podem ser removidos antes de chegar ao modelo

O Postman também utiliza recursos do Amazon Bedrock Guardrails.

Entre eles está a possibilidade de remover informações pessoalmente identificáveis antes que o conteúdo seja enviado ao modelo.

Administradores corporativos podem habilitar esse mecanismo nas configurações do Agent Mode.

Esse tipo de proteção se torna importante porque agentes trabalham diretamente com contexto de aplicações reais.

Payloads de APIs, variáveis, headers e outros objetos podem conter informações sensíveis.

Quanto mais profundamente o agente se integra ao ambiente de desenvolvimento, maior a necessidade de controlar exatamente quais dados chegam ao modelo.

Amazon Bedrock permite trocar modelos conforme a tarefa

O Agent Mode não depende de um único modelo.

Por meio do Amazon Bedrock, o Postman pode utilizar diferentes modelos Claude conforme a necessidade.

Uma interação simples e sensível à latência pode utilizar um modelo mais rápido.

Uma tarefa que exige raciocínio mais complexo pode ser enviada para um modelo maior.

Para o Postman, essa flexibilidade permite equilibrar custo, desempenho e qualidade.

A mudança entre modelos também pode acontecer principalmente por configuração, sem necessidade de reconstruir toda a integração.

Escala global exige roteamento de inferência

Uma base de 40 milhões de desenvolvedores também cria um problema de infraestrutura.

A utilização não acontece de maneira uniforme.

Existem picos de tráfego e diferentes padrões de uso entre regiões.

O Postman utiliza recursos de inferência entre regiões do Amazon Bedrock para distribuir requisições conforme capacidade disponível.

Também é possível limitar o processamento a geografias específicas, como Estados Unidos ou União Europeia.

Esse controle é relevante principalmente para organizações sujeitas a requisitos de residência de dados.

Prompt caching ajuda a reduzir custo

Parte do contexto utilizado pelos agentes se repete entre chamadas.

Reenviar toda essa informação ao modelo a cada interação aumenta custo e latência.

A arquitetura utiliza diferentes níveis de prompt caching para reduzir esse desperdício.

Informações estáveis podem ser reaproveitadas em chamadas subsequentes.

Isso é especialmente importante em produtos de grande escala, onde pequenas diferenças no custo de cada inferência podem representar valores significativos ao longo de milhões de interações.

Agentes na nuvem executam tarefas mais longas

Além do Agent Mode dentro do aplicativo, o Postman também oferece uma modalidade executada na nuvem.

Esse agente consegue trabalhar em tarefas mais longas relacionadas a repositórios, APIs, frontend e backend.

Ele pode escrever código, executar testes e verificar alterações dentro de um ambiente isolado.

Mais de um workflow pode ser executado simultaneamente.

A decisão final de envio das mudanças continua nas mãos do desenvolvedor.

O problema dos agentes está mudando

O case do Postman mostra uma diferença importante entre construir um agente experimental e colocar um agente dentro de um produto real.

Modelos melhores ajudam.

Mas isso resolve apenas uma parte do problema.

Quando o agente começa a trabalhar com sistemas reais, surgem novas questões:

  1. quais dados ele deve receber
  2. quais ferramentas pode utilizar
  3. quais ações precisam de aprovação
  4. como limitar exposição de dados
  5. como controlar custo
  6. como distribuir inferência
  7. como manter contexto relevante

Esses componentes passam a ser parte da arquitetura tanto quanto o próprio modelo.

Context engineering ganha espaço

Nos primeiros anos da inteligência artificial generativa, grande parte da discussão esteve concentrada em prompt engineering.

A experiência do Postman aponta para uma camada diferente.

Em sistemas maiores, a pergunta deixa de ser apenas “qual prompt enviar?”.

Passa a ser “qual informação o modelo deveria enxergar neste momento?”.

Essa mudança leva ao que começa a ser chamado de context engineering.

A qualidade do agente depende de entregar ao modelo a informação certa, no momento certo e em quantidade suficiente para executar a tarefa sem inundá-lo com dados irrelevantes.

Escalar agentes é um problema de engenharia de sistemas

O principal aprendizado do case não está em uma técnica específica do Amazon Bedrock ou do Postman.

Está na mudança de perspectiva.

Um agente em produção não é apenas um LLM conectado a algumas APIs.

Ele é um sistema distribuído que precisa combinar modelo, contexto, ferramentas, permissões, dados, observabilidade e infraestrutura.

Quanto maior a escala e a autonomia, maior a importância dessas camadas.

O Postman descobriu isso ao adaptar um produto construído durante mais de uma década para uma nova forma de interação.

Para outras empresas construindo agentes, a mensagem é direta: melhorar o modelo pode ser importante, mas o maior trabalho começa quando ele precisa entender e operar um sistema real.

FONTES

AWS — How Postman runs Agent Mode for 40 million developers on Amazon Bedrock — 9 de outubro de 2026

Postman Docs — Agent Mode

Postman Docs — Agent Mode on Cloud

Postman — The New Postman is Here: AI-Native and Built for the Agentic Era — março de 2026