Plataforma de agentes de IA
Agentes de IA que lembram, sabem e agem
Memória por usuário final, conhecimento próprio com citação e ferramentas REST criadas por IA — num backend multi-tenant, com custo medido em cada execução. Embuta no seu produto ou opere pelo Console.
Comece grátis. Sem cartão pra criar o primeiro agente.
Benchmark público: 3 agentes reais × 8 modelos, com transcripts abertos ver o placar →Não é um wrapper de chat. É a infraestrutura de agente inteira.
Memória, conhecimento, ferramentas, isolamento e custo — as peças que separam um demo de um agente em produção, prontas e integradas.
Memória de verdade
Observações diárias registram o contexto recente; fatos duráveis são curados, reforçados ou perdem força com o tempo. O histórico verbatim navegável preserva a conversa sem despejá-la no prompt. Tudo isolado por usuário final.
Conhecimento com fonte
Respostas fundadas nos seus documentos, com citação — não em achismo. Recuperação híbrida (semântica + léxica) com re-ranking, mais uma camada de Q&A destilado sobre o corpus.
Ferramentas em 1 frase
Descreva uma API REST em português e o agente ganha a ferramenta. Wizard "Criar com IA", cofre de segredos com AES-GCM, teste inline e guarda contra SSRF.
Construída no Brasil
Multi-tenant de verdade (Conta → Projeto → Tenant, schema dedicado por cliente), custo medido em USD por execução, e documentação e atendimento em português.
Sistema, não chatbot
Anatomia de um agente em produção
Identidade, contexto, ação, execução e prova. O modelo é um componente dentro desse sistema.
Objetivo, voz e políticas que delimitam cada decisão.
CérebroConhecimento compartilhado e memória privada para cada usuário.
APIs e skills transformam intenção em ação segura.
RuntimeLoop stateless aplica limites e coordena cada turno.
EvidênciaRuns revelam custo, latência e cada chamada de ferramenta.
Catcher Bench
A gente não pede pra você confiar. Publica a prova.
Montamos três agentes de verdade — atendimento de clínica de estética, agente de código e consultor de literatura médica — e rodamos os mesmos cenários contra 8 modelos, na nossa infraestrutura de produção. Cada resposta foi julgada às cegas por um painel de modelos e, onde dá, verificada objetivamente: o código gerado roda contra testes; a citação é conferida contra o artigo. Tudo público, transcript por transcript.
3×8
cenários reais × modelos
496
conversas julgadas às cegas
592
transcripts abertos ao público
25/25
factuais com citação, nos 8 modelos
Conhecimento compartilhado nivelou o factual
Com 50 artigos científicos no Brain, as 25 perguntas factuais saíram certas — com a fonte citada — nos 8 modelos. O resultado 25/25 é forte evidência operacional de nivelamento. Como não houve um controle Medic sem Brain, não é prova causal isolada.
Código é verificado rodando
O agente de código não é avaliado por opinião: cada programa gerado roda contra uma suíte de 90 testes. A família gpt-5 entregou 100% dos testes em todas as 8 tarefas; o placar mostra exatamente onde cada modelo passou e falhou.
Custo por cenário, sem achismo
No atendimento da clínica, o MiniMax-M3 marcou 8,1/10 custando cerca de 1% do líder (US$ 0,02 contra US$ 1,72 na rodada do cenário). É esse tipo de decisão — qual modelo para qual agente — que o benchmark responde com número.
Metodologia aberta: juízes às cegas, verificação objetiva, custo real medido. Rodada v1 · julho/2026.
Comece pela sua dor
A infraestrutura é uma só. O ponto de entrada muda.
Escolha o problema que mais atrasa o seu agente hoje e veja o mecanismo, a prova e o caminho de implantação.
Agentes dentro do seu SaaS
Runtime REST + SSE, cada cliente isolado e cada pessoa com sua memória.
Ver soluçãoRespostas com fonte
Busca híbrida, rerank, citação e limite explícito quando a fonte não existe.
Ver soluçãoMemória por usuário
Fatos úteis sobrevivem entre sessões sem misturar pessoas ou reler tudo.
Ver soluçãoMulti-tenant de verdade
Tenant com schema dedicado e escopo server-side por end user.
Ver soluçãoOperação e custo
Run, tools, tokens, latência, cost_usd e budget com trava dura.
Ver soluçãoEmbuta um agente em 3 chamadas
Um runtime token, uma sessão, uma mensagem — com streaming por SSE. REST previsível, com idempotency e trace ID em todo erro. O mesmo padrão em qualquer linguagem.
# 1. abre uma sessão para o seu usuário final (a memória é isolada por ele)
SID=$(curl -sX POST https://agents-api.catcher.one/v1/agent-runtime/AGENT_ID/sessions \
-H "X-Agent-Token: prt_SEU_RUNTIME_TOKEN" \
-H "Content-Type: application/json" \
-d '{"end_user_external_id": "cliente-42"}' | jq -r .id)
# 2. manda a mensagem — o agente responde com memória + conhecimento + tools
curl -X POST "https://agents-api.catcher.one/v1/agent-runtime/AGENT_ID/sessions/$SID/messages" \
-H "X-Agent-Token: prt_SEU_RUNTIME_TOKEN" \
-H "Content-Type: application/json" \
-d '{"content": "Qual foi o último pedido do cliente?"}'
Pronto para agentes
Feito para os seus agentes de IA
Conecte um agente ou cliente MCP em minutos. Uma skill que o seu agente busca e segue sozinho, e o contexto inteiro da API em texto limpo — sem crawl.
Uma skill. O seu agente se onboarda sozinho — pega um token e embute um agente Catcher, sem você escrever a integração.
curl https://agents.catcher.one/skill
Contexto pronto pra LLM. /llms.txt indexa docs e skills; /llms-full.txt traz a API inteira num arquivo.
curl https://agents.catcher.one/llms.txt
Embuta pela API. Opere pelo Console.
O agente vive num backend que o seu app dirige por REST + SSE. E tudo o que ele faz — cada turno, ferramenta e custo — fica visível no Console, sem abrir log de servidor.
Para o seu app
Um runtime token prt_ dá ao seu app o direito de dirigir um agente — com o streaming token-a-token, os chips de ferramenta ao vivo e a memória isolada por usuário final. Sem SDK proprietário: qualquer linguagem que faça HTTP conversa direto.
Para você
O Console mostra cada execução com tokens, custo em USD e latência; inspetores de prompt e de turno reconstroem exatamente o que o agente viu e fez. Painéis de conhecimento, memória e status dos provedores no mesmo lugar.
Um Console que mostra o que o agente pensou
Chat com inspetores de turno, base de conhecimento, memória curável e custo real por execução. Tudo o que você precisa pra confiar no que sobe pra produção.
Chat · agents.catcher.one
AVX-006 — EC50 exato: 22,4 µM; alvo molecular: THV-polimerase (NS5b-Θ).
fonte: faq/qual-ec50-do-avx-006
Resposta com citação
A resposta chega em streaming, com os chips de cada ferramenta acesa ao vivo (executando → ✓/✗) e a fonte citada. Quando a informação não está na base, o agente diz que não consta — em vez de inventar.
Criar meu primeiro agenteAs capacidades por trás de cada resposta
Não é um único modelo respondendo. É um loop agêntico que junta memória, conhecimento, ferramentas e skills a cada turno.
Memória
Lembra do cliente entre conversas
Observações diárias registram contexto recente; fatos duráveis são curados, reforçados ou perdem força com o tempo. O histórico verbatim navegável fica disponível para consulta sem ser injetado inteiro no prompt. Tudo isolado por usuário final.
Conhecimento (RAG)
Responde com base nos seus docs
Recuperação híbrida (semântica + BM25 + MMR) com re-ranking e Q&A destilado. Cita a fonte e admite quando não sabe — validado com um corpus de 40 papers fictícios pra provar que não alucina.
Ferramentas
Chama qualquer API REST
Ferramentas embutidas (busca na web, Wikipedia) + ferramentas REST próprias criadas por um wizard de IA a partir de uma frase, com cofre de segredos AES-GCM e guarda contra SSRF.
Skills
Instruções reutilizáveis sob demanda
Pacotes de instrução (estilo SKILL.md) que o agente carrega só quando precisa, por disclosure progressivo, sem inflar o prompt de todo turno.
Multi-provedor
11 provedores de LLM
OpenAI, Anthropic, Google, xAI, Groq, Mistral, DeepSeek, Cerebras e mais, num catálogo curado com custo por modelo. Troque o modelo de um agente sem mexer no código.
Isolamento
Multi-tenant com schema dedicado
Conta → Projeto → Tenant: cada cliente final seu roda num schema de banco dedicado. RBAC (owner > admin > agent), audit log, export e exclusão em cascata para LGPD.
Preço honesto, medido pelo uso real
Cada execução já é medida em dólar pelo nosso metering. Os planos vão embrulhar isso em crédito de LLM incluso por tier, com o excedente medido — nada de surpresa no fim do mês.
Starter
Para validar um agente e o primeiro fluxo em produção.
- Agentes com memória, RAG e ferramentas
- Console completo com inspetores
- Crédito de LLM incluso
Pro
Para operar em produção com volume e vários agentes.
- Tudo do Starter, com mais crédito incluso
- Runtime tokens para embutir no seu app
- Múltiplos tenants por projeto
- Budget com trava de custo por agente
Business
Para software houses e verticais que embutem em escala.
- Tudo do Pro, com maior teto
- BYOK: use sua própria chave de LLM
- Múltiplos projetos e tenants
- Suporte prioritário em PT-BR
Valores dos planos em definição. Comece grátis hoje — criar o primeiro agente não exige cartão.
Programa Design Partner
Software house, CRM ou vertical que quer embutir agentes com memória no próprio produto? As primeiras empresas entram com preço fundador em troca de feedback próximo e um estudo de caso. Já temos um SaaS de gestão de clínicas rodando agentes nossos em produção.
Perguntas frequentes
O que é a Catcher Agents, em uma frase?
Uma plataforma para criar agentes de IA com memória por usuário final, conhecimento próprio com citação (RAG) e ferramentas REST — que você opera pelo Console ou embute no seu produto por uma API REST com streaming.
Como a memória funciona — e ela vaza entre clientes?
A memória é isolada por usuário final (o end_user_external_id que você passa ao abrir a sessão). Observações diárias mantêm contexto recente; fatos duráveis são curados e reforçados; o histórico verbatim navegável continua consultável sem entrar inteiro no prompt. O cliente A nunca vê a memória do cliente B.
O agente inventa resposta (alucina)?
O conhecimento é fundado nos seus documentos, e o agente cita a fonte. Validamos isso com um corpus de 40 papers fictícios: quando a informação não existe na base, o agente responde que não consta em vez de inventar. Nenhum sistema é infalível, mas a arquitetura é anti-alucinação por design.
Como eu embuto um agente no meu produto?
Você gera um runtime token prt_ preso a um agente, abre uma sessão para o seu usuário final e manda mensagens — com streaming por SSE. Três chamadas HTTP, sem SDK proprietário. É a mesma superfície que um SaaS de gestão de clínicas usa em produção hoje.
Quais modelos de LLM posso usar?
11 provedores num catálogo curado: OpenAI, Anthropic, Google, xAI, Groq, Mistral, DeepSeek, Cerebras, Alibaba e outros. Cada modelo tem o custo por token catalogado, então o preço da execução sai exato. Trocar o modelo de um agente é um clique no Console.
Como vocês criam ferramentas para o agente?
Descreva a chamada HTTP em português no wizard "Criar com IA" (ou preencha o formulário manual, ou use um template). Segredos como chaves de API ficam num cofre com AES-GCM e entram como ${secret:NOME}; há um runner de teste inline e guarda contra SSRF.
Como sei quanto cada agente está custando?
Cada execução guarda o custo real em dólar, com breakdown por agente, por modelo e por dia (7/30/90 dias) na tela de Uso. Dá pra definir um budget por conta ou por agente: ao atingir o teto, a próxima execução para com HTTP 402 — sem estouro silencioso de custo.
É multi-tenant de verdade?
Sim. A hierarquia é Conta → Projeto → Tenant, e cada tenant (seu cliente final) roda num schema de banco dedicado, provisionado sob demanda. É exatamente a arquitetura para uma software house atender vários clientes com dados isolados.
E a LGPD?
A plataforma tem export dos dados da conta, exclusão em cascata e audit log — as primitivas técnicas da LGPD. As respostas do agente usam provedores de LLM (OpenAI, Anthropic, Google) como subprocessadores; a política de privacidade lista todos. O guarda-chuva contratual (ToS/DPA) está em finalização.
Quanto custa e tem trial?
Hoje você começa grátis: criar o primeiro agente não exige cartão. Os planos pagos (Starter, Pro, Business) — com crédito de LLM incluso e excedente medido — estão sendo fechados. Se você quer embutir em escala, fale com a gente sobre o programa Design Partner (preço fundador).
Crie um agente hoje.
Embuta no seu produto amanhã.
Comece grátis — do primeiro agente ao primeiro fluxo em produção.