Como Construir um Agente de IA que Analisa Posts Virais do LinkedIn (Passo a Passo)

00 · Diagnóstico

O Problema: Engagement Blindness

A maioria dos profissionais que produzem conteúdo no LinkedIn sofre do que chamo de Engagement Blindness — a incapacidade de distinguir o que realmente gera conversa do que apenas gera vaidade.

O sintoma é sempre o mesmo: você publica 4 posts por semana, um deles performa 5x melhor que os outros, e você não sabe explicar por quê. Na semana seguinte, tenta repetir o formato — e nada acontece. Porque não era o formato. Era o gatilho narrativo, o timing, o tipo de tensão que o texto gerava.

A intuição não escala. E copiar formato sem entender o mecanismo é a definição de cargo cult.

Quando comecei a monitorar sistematicamente os top performers do LinkedIn no meu nicho (Growth, AI, GTM), descobri padrões que a intuição nunca teria capturado. Posts com pergunta provocativa no hook geravam 3x mais comentários que posts com estatística. Posts publicados entre terça e quinta tinham score médio 40% superior. Posts que nomeavam um problema específico ("Prompt Fatigue", "AI Theater") superavam posts genéricos sobre "produtividade com IA" por uma margem absurda.

O problema é que fazer essa análise manualmente leva horas. Para cada perfil: abrir o LinkedIn, rolar os posts, anotar métricas, comparar, tentar identificar padrões. Multiplica por 10 perfis e você perdeu uma manhã inteira.

A solução foi construir um agente que faz isso em minutos. Este tutorial mostra exatamente como.

01 · Visão Geral

O que Você Vai Construir

Um agente de IA — que chamei de Analyzer — que opera de forma 100% automatizada:

1. Coleta os posts recentes de qualquer perfil do LinkedIn
2. Calcula um score de engajamento ponderado para cada post
3. Seleciona os Top 3 posts com melhor performance
4. Gera um relatório completo em Markdown explicando POR QUE cada post performou
5. Alimenta o próximo passo — para que você (ou outro agente) crie conteúdo baseado em dados reais, não em achismo

O Analyzer não cria conteúdo — ele decodifica o que funciona. Essa separação é intencional: análise e criação são funções cognitivas diferentes. Misturá-las no mesmo agente degrada ambas.

02 · Antes de Começar

Pré-requisitos

Conta no Relevance AI (plano gratuito funciona), URLs públicas dos perfis LinkedIn que quer monitorar, e 30 minutos. É só isso.

03 · Setup

Passo 1 — Criar o Agente no Relevance AI

1.1 Acesse a plataforma

Entre em https://app.relevanceai.com e faça login.

1.2 Crie um novo agente

No menu lateral esquerdo, clique em AI Agents e depois no botão + Create agent no canto superior.

1.3 Nomeie o agente

Clique no nome do agente (que vem com um nome genérico) e renomeie para algo como "Analyzer" ou "Decodificador de Engajamento".

1.4 Escolha o modelo de LLM

No dropdown de modelo, selecione o modelo que preferir. O agente original usa GPT 5 mini, mas você pode usar GPT-4o, Claude ou qualquer modelo disponível na plataforma. Modelos mais rápidos e baratos funcionam bem para essa tarefa.

04 · O Cérebro do Agente

Passo 2 — Escrever o System Prompt

O System Prompt é onde você define TUDO que o agente faz. Pense nele como as instruções de operação.

Na seção Prompt (menu lateral esquerdo), cole os blocos abaixo, na ordem.

2.1 Persona

Comece definindo quem o agente é:

Você é o Analyzer, um agente de IA especializado em analisar performance de conteúdo no LinkedIn para identificar padrões de engajamento, estruturas narrativas e gatilhos de conversa.

Restrição crítica: Você NÃO cria conteúdo novo e NÃO escreve posts. Seu papel é exclusivamente analisar, comparar e abstrair padrões.

Por que a restrição? Porque se você não limitar o escopo, o agente vai tentar ser útil demais e começar a criar conteúdo genérico. A separação de responsabilidades garante qualidade.

2.2 Objetivos

Defina os 5 objetivos claros:

1. Identificar por que certos posts performaram bem
2. Diferenciar performance por formato (story, lista, framework, opinião)
3. Separar sinais reais de engajamento de ruído
4. Alimentar o próximo passo (criação) com insumos claros
5. Evitar que se reproduza conteúdo saturado

2.3 Fluxo de Execução

Esta é a parte mais importante. O agente precisa saber EXATAMENTE o que fazer.

Step 1 — Coletar posts: para cada perfil na variável de entrada, executar a tool de coleta.

Step 2 — Calcular Score de Engajamento: use esta fórmula:

score = (comentários x 5) + (compartilhamentos x 3) + (curtidas x 1)

Os pesos refletem a qualidade do engajamento: comentários indicam conversa real (peso 5), compartilhamentos indicam valor percebido (peso 3), curtidas são engajamento passivo (peso 1).

Critérios de exclusão: o agente deve ignorar posts patrocinados, posts puramente institucionais e compartilhamentos de links com menos de 100 caracteres.

Step 3 — Consolidar Top 3: junte todos os posts de todos os perfis, ordene por score e selecione os 3 melhores.

Step 4 — Gerar Relatório: saída em Markdown com métricas, copy completa do post e análise de por que performou.

2.4 Formato de Output

Defina o template exato do relatório no prompt. O agente precisa seguir um formato rígido:

# Relatório de Virality - LinkedIn
Período: Últimos 7 dias
Data da análise: [data]
Perfis analisados: [quantidade]

## Top 3 Geral da Semana

### #1 - [Tema central]
Creator: [nome]
Link: [URL]
| Métrica | Valor |
| Curtidas | [número] |
| Comentários | [número] |
| Compartilhamentos | [número] |
| Score | [número] |

Por que performou:
- [Motivo 1]
- [Motivo 2]
- [Motivo 3]

2.5 Regras Invioláveis

Adicione no final do prompt uma tabela de regras:

05 · Inputs

Passo 3 — Configurar a Variável de Entrada

Variáveis são os inputs que o agente recebe a cada execução. No nosso caso, a lista de perfis do LinkedIn para analisar.

No menu lateral, clique em Variables. Crie uma variável com:

• Nome: linkedin_Influencers_profiles
• Tipo: Text (Long text)
• Descrição: "Perfis LinkedIn" — lista de URLs de perfis para analisar

Essa variável vai receber algo como:

https://www.linkedin.com/in/pessoa1/
https://www.linkedin.com/in/pessoa2/
https://www.linkedin.com/in/pessoa3/

06 · Ações do Agente

Passo 4 — Adicionar a Tool

Tools são as ações que o agente pode executar — pense nelas como as "mãos" do agente. Sem tool, ele pensa mas não age.

4.1 Adicionar a tool

No menu lateral, clique em Tools e depois em + Add tool. Procure por "Get Recent Posts from LinkedIn" — esta é uma integração nativa do Relevance AI. Selecione-a.

4.2 Configurar a execução

A tool tem a seguinte descrição: "Get a set of recent LinkedIn posts by a company or person. Includes their reposts." Configure como Auto run — isso significa que o agente pode executá-la automaticamente sem pedir aprovação a cada vez.

4.3 Tool adicional: Think

O Relevance AI inclui uma tool nativa chamada Think. Ela permite que o agente "pense" antes de agir — útil para processar dados complexos. Deixe-a ativada.

07 · Automação Opcional

Passo 5 — Configurar Trigger

Triggers permitem que o agente seja ativado automaticamente.

5.1 Trigger via Slack

No menu lateral, clique em Triggers e adicione um trigger do Slack:

• Plataforma: Slack
• Keyword: "Analyzer"

Agora, sempre que alguém enviar uma mensagem no Slack contendo "Analyzer", o agente é ativado automaticamente. Isso permite que qualquer pessoa do time solicite uma análise sem precisar acessar o Relevance AI.

08 · Validação

Passo 6 — Testar o Agente

1. Acessar a aba Run: no topo da página do agente, clique na aba Run.
2. Criar uma tarefa de teste: clique em + New task e no campo de mensagem, insira os perfis que quer analisar.
3. Aguardar a execução: o agente vai executar a tool para cada perfil, calcular os scores e gerar o relatório. Isso pode levar 30-60 segundos dependendo da quantidade de perfis.
4. Validar o output: confira se o relatório contém os Top 3 posts com scores, inclui a copy completa de cada post, tem a análise de "por que performou" e está em Markdown limpo.

Analise os seguintes perfis:
https://www.linkedin.com/in/exemplo1/
https://www.linkedin.com/in/exemplo2/

09 · Deploy

Passo 7 — Publicar

Após validar, clique no botão Published no canto superior direito para publicar o agente.

Uma vez publicado, ele pode ser:

• Executado manualmente pela aba Run
• Ativado via Slack (se configurou o trigger)
• Chamado por outros agentes (ex: um agente "Writer" que recebe o output do Analyzer)

10 · Visão Estrutural

Arquitetura Completa do Agente

Analyzer
├── System Prompt (regras, fluxo, formato de output)
├── Tool: Get Recent Posts from LinkedIn
├── Tool: Think (built-in)
├── Variável: linkedin_Influencers_profiles
├── Trigger: Slack (keyword: Analyzer)
└── Output: Relatório Markdown com Top 3

11 · A Lógica por Trás do Score

Por Que Essa Fórmula e Não Outra

A fórmula score = (comentários x 5) + (compartilhamentos x 3) + (curtidas x 1) reflete como o algoritmo do LinkedIn realmente distribui alcance — não uma escolha estética.

Comentários (peso 5): o LinkedIn trata comentários como o sinal mais forte de "conteúdo que gera conversa". Cada comentário amplifica o post para a rede do comentarista. Um post com 50 comentários e 200 curtidas tem alcance orgânico significativamente maior que um post com 500 curtidas e 10 comentários. O peso 5 captura isso.

Compartilhamentos (peso 3): compartilhar é colocar reputação em jogo. A pessoa está dizendo à rede dela: "isso vale seu tempo". É o sinal mais forte de valor percebido. Peso 3 porque, embora qualitativamente potente, o volume é naturalmente menor e o impacto no algoritmo é mais indireto.

Curtidas (peso 1): engajamento de baixo atrito. Um polegar demora 0.3 segundos. Útil como indicador de volume e como filtro mínimo (post sem curtidas tem problema), mas não como proxy de qualidade.

Por que não 4/2/1 ou 10/5/1? Testei variações. Pesos mais altos em comentários (como 10x) distorcem para posts polêmicos com muitos comentários mas baixo valor estratégico. A proporção 5/3/1 equilibra qualidade de conversa com alcance real. Você pode ajustar para seu contexto — o importante é que os pesos reflitam a hierarquia de intenção, não de volume.

12 · Resultados

O que o Analyzer Revelou (Dados Reais)

Depois de rodar o Analyzer por semanas monitorando perfis de top performers em Growth, AI e GTM, alguns padrões emergiram que a intuição nunca teria capturado:

Estes padrões mudaram concretamente como eu produzo conteúdo. O Analyzer não é uma ferramenta de vaidade — é o input que alimenta toda a minha estratégia de conteúdo.

13 · Para Quem é Isso

Quem Deve Construir Esse Agente

• Creators que publicam consistentemente e querem sair do achismo para decisão baseada em dados. Se você publica 3+ vezes por semana, o Analyzer paga o investimento de 30 minutos na primeira semana.
• Times de marketing que operam conteúdo para LinkedIn e precisam de benchmark competitivo atualizado sem gastar horas manuais toda semana.
• Líderes de GTM que usam LinkedIn como canal de distribuição e precisam identificar quais narrativas ressoam com seu ICP antes de investir em produção de conteúdo pesado.
• Agências que querem oferecer análise de performance como serviço — o Analyzer é a base de um produto entregável para clientes.

14 · Problemas Comuns

Troubleshooting

15 · Próximos Passos

O Analyzer é a Primeira Peça

Este agente não existe isolado. Ele é o estágio de inteligência de um sistema multi-agente que estou construindo para operar todo o ciclo de conteúdo:

Analyzer → Writer → Scheduler. O Analyzer decodifica o que funciona. O Writer (próximo tutorial) recebe esse output e cria posts adaptados ao meu tom de voz, respeitando os padrões identificados. O Scheduler agenda a publicação.

O ponto crítico: cada agente faz uma coisa bem feita. A tentação é construir um agente que faz tudo — analisa, cria, publica. Resista. Agentes especializados com handoff claro entre eles produzem resultados superiores a agentes generalistas. É o mesmo princípio de um time de alta performance: roles claros, interfaces bem definidas.

As evoluções no roadmap incluem um dashboard de tendências que acumula dados ao longo do tempo para identificar shifts narrativos de longo prazo, e expansão multi-plataforma para X (Twitter), Instagram e TikTok.

O Engagement Blindness é um problema de infraestrutura, não de esforço. Você não precisa de mais intuição — precisa de um sistema que transforma dados de engajamento em decisão de conteúdo. Em 30 minutos, você constrói esse sistema.