Que servidor um agente de IA precisa para rodar em produção?

O que roda no servidor de um agente de IA?

Um agente de IA é um programa que recebe uma mensagem, decide o que fazer, consulta ferramentas e devolve uma resposta. Num agente típico de WhatsApp ou de site, as peças que ficam no seu servidor são:

• Orquestrador: o código do agente (LangGraph, CrewAI, n8n, Dify ou um serviço próprio em Python ou Node.js).
• Banco de dados: PostgreSQL com conversas, clientes e estado de cada atendimento.
• Banco vetorial: Qdrant, pgvector ou similar, para a base de conhecimento consultada por busca semântica (RAG).
• Fila e cache: Redis, para não perder mensagens em picos.
• Proxy reverso com HTTPS: para receber webhooks do WhatsApp, do site e do CRM.

O modelo de linguagem, na maioria dos casos, fica fora: é chamado por API.

Quanta CPU e memória um agente consome?

O banco vetorial costuma ser a peça que mais cresce em memória. A conta está em quanta memória um banco vetorial precisa.

Por que o servidor do agente deve ficar no Brasil?

• Tempo de resposta: cada consulta ao banco e cada webhook somam ida e volta. Com servidor em São Paulo, a rede responde em 5 a 50 ms para quase todo o país; fora, acima de 100 ms (detalhes em servidor no Brasil ou fora).
• LGPD: conversas de clientes são dados pessoais. Guardá-las num servidor no Brasil simplifica as obrigações; veja IA e LGPD.
• Nota fiscal e suporte em português, sem câmbio na fatura.

Quais falhas de agente o servidor ajuda a evitar?

Muitas falhas de agente em produção não são do modelo, são de infraestrutura:

• Loop de resposta: o agente responde à própria mensagem ou a uma mensagem automática e entra em ciclo. Proteja com limite de mensagens por conversa e por minuto.
• Mensagem perdida em pico: sem fila, uma rajada de webhooks derruba o processo. Redis e reprocessamento resolvem.
• Disco cheio de logs: logs de conversa crescem rápido; configure rotação.
• Chave de API vazada: guarde em variável de ambiente ou cofre, nunca no código.

Como colocar o agente no ar com segurança?

1. Rode cada peça em contêiner Docker, com volumes persistentes.
2. Exponha só o proxy (portas 80 e 443); banco, Redis e banco vetorial ficam na rede interna.
3. Configure backup diário do PostgreSQL e snapshot do banco vetorial (veja backup de projeto de IA).
4. Monitore memória, disco e taxa de erro do modelo; alerta antes do cliente perceber.

O passo a passo do deploy da API está em como colocar uma API de IA em produção.

Agente no n8n, no Dify ou em código próprio: qual escolher?

As três rodam em Docker na mesma VPS, e muitas empresas combinam: o agente em código, o n8n para as integrações e o Dify para protótipos. Os requisitos do n8n estão em qual VPS escolher para o n8n e os do Dify em como hospedar Open WebUI ou Dify.

Quando separar o agente em mais de uma VPS?

Comece com uma. Separe quando o banco vetorial disputar memória com o modelo local, quando uma falha do agente puder derrubar outro sistema na mesma máquina, ou quando o atendimento virar crítico e precisar de uma segunda instância pronta para assumir. Nessa hora, a divisão mais comum é: uma VPS para o agente e o proxy, outra para banco e banco vetorial. Para os casos com servidor exclusivo, veja VPS ou servidor dedicado.