A maior parte do material de preparação para o CCA-F trata a prova como uma lista de trivia: decore o que o prompt caching faz, conheça a spec do MCP de nome. Isso cobre talvez metade da prova. A outra metade é baseada em cenários — o exam guide publica 6 cenários completos, e toda prova real sorteia 4 deles, pedindo que você raciocine sobre decisões de arquitetura dentro daquele cenário.
Este é o primeiro de uma série de 6 partes passando por cada um, com uma implementação de referência que você realmente pode rodar — não só um diagrama. Código-fonte completo: aicert-labs/cca-f/scenario-1-customer-support-agent.
O cenário, como está no exam guide
Um agente de suporte construído sobre o Claude Agent SDK lida com devoluções, disputas de cobrança e questões de conta através de tools MCP customizadas — get_customer, process_refund, escalate_to_human — com meta de 80%+ de resolução no primeiro contato.
Ele toca três domínios ao mesmo tempo, e é exatamente por isso que o CCA-F usa cenários em vez de questões isoladas — decisões reais de arquitetura raramente cabem em um único domínio.
| Domínio | Peso | Onde aparece neste cenário |
|---|---|---|
| Agentic Architecture & Orchestration | 27% | O loop que deixa o Claude chamar tools, ler resultados estruturados e decidir se continua ou escala |
| Tool Design & MCP Integration | 18% | Três tools com um servidor MCP real — e especificamente, como process_refund reporta falha |
| Context Management & Reliability | 15% | O que impede o agente de entrar em loop infinito, e o que o system prompt faz vs. o que a tool garante |
A decisão de design que vale a pena estudar
Uma versão ingênua de process_refund recebe um ID de pedido e um valor, e o system prompt diz "só reembolse abaixo de $100". Isso é frágil: depende do modelo ler e obedecer instruções em prosa em toda chamada, sem nada garantindo isso. Suba o limite, ajuste o prompt em outro lugar, ou o modelo simplesmente tenha um dia ruim, e a regra para de valer silenciosamente.
A implementação de referência move a regra pra dentro da própria tool. process_refund não reembolsa-ou-dá-erro — ela retorna um sinal tipado:
{ "needs_escalation": true, "reasonCode": "over_auto_approve_limit", "orderAmountUsd": 219, "priorRefunds": 2 }
O trabalho do agente vira mecânico: viu needs_escalation, chama escalate_to_human. Não tem prosa pra interpretar errado. Essa é a diferença entre "instruir um agente a se comportar" e "desenhar uma tool que ele não consegue usar de forma insegura" — exatamente o tipo de julgamento que as questões de cenário do CCA-F testam.
O que impede o agente de entrar em loop infinito
O segundo modo de falha que este cenário é desenhado pra expor: um agente que chama process_refund, recebe a instrução de escalar, e simplesmente... tenta process_refund de novo. E de novo. Duas coisas na implementação de referência protegem contra isso:
- O system prompt é explícito que um resultado
needs_escalation: truenão é sinal de retry — é sinal de roteamento paraescalate_to_human. agent.tslimita o loop a um número fixo de turnos e registra um aviso se atingir o limite, em vez de rodar indefinidamente. Numa questão real de prova, "o agente não tem lógica de retry limitada" é exatamente o tipo de falha de confiabilidade que se espera que você identifique.
Rode você mesmo
git clone https://github.com/AICERT-STUDY/aicert-labs
cd aicert-labs/cca-f/scenario-1-customer-support-agent
npm install
cp .env.example .env # adicione sua ANTHROPIC_API_KEY
npm run agent -- cust_1001 ord_9001 "the keyboard arrived with a broken key" # auto-aprovado
npm run agent -- cust_1002 ord_9002 "these headphones stopped charging" # força escalonamento
O README dessa pasta tem algumas sugestões de mudanças pra testar (baixar o limite de auto-aprovação, remover o campo tipado needs_escalation e ver o agente se comportar mal) se você quiser ver os modos de falha, não só ler sobre eles.
Teste seus conhecimentos
1. Na implementação de referência, por que process_refund retorna needs_escalation: true em vez de lançar um erro quando o valor está acima do limite?
Resposta: um resultado tipado deixa o agente decidir de forma programática, em vez de depender do modelo interpretar corretamente uma mensagem de erro.
Uma string de erro ainda exige que o modelo leia e reaja corretamente à prosa. Um campo estruturado é algo que o código chamador (ou o próprio raciocínio do modelo sobre a saída estruturada da tool) pode verificar de forma determinística.
2. Qual domínio o limite de 8 turnos em agent.ts endereça principalmente?
Resposta: Context Management & Reliability.
Não é uma decisão de arquitetura/orquestração (isso é o próprio loop de chamada de tools) nem de design de tool (isso é o servidor MCP) — é uma proteção contra um loop agentic sem limite, o que é uma questão de confiabilidade.
3. O cenário pede 80%+ de resolução no primeiro contato. Qual decisão de design de tool sustenta mais diretamente essa meta?
Resposta: exigir get_customer antes de qualquer ação na conta, garantindo que o agente sempre tenha contexto verificado antes de agir.
A resolução no primeiro contato cai bastante quando um agente age sobre dados de conta desatualizados ou errados e precisa voltar atrás. Verificar identidade e puxar o histórico de pedidos logo de início é o que viabiliza a resolução em uma única passada.
4. Um cliente com 2 reembolsos anteriores pede um reembolso de $30 — bem abaixo do limite de auto-aprovação de $100. O que acontece?
Resposta: a tool ainda retorna needs_escalation: true, porque o limiar de reembolsos repetidos é verificado independentemente do valor.
Isso é proposital: um cliente acima do limiar de reembolsos repetidos é roteado para um humano independente do valor, porque o padrão de comportamento — não o valor em dólares — é o sinal que merece revisão humana.
5. Se você trocar o CRM mock do servidor MCP por um real, o que nesta arquitetura precisa mudar?
Resposta: só a implementação dentro de mock-crm.ts — os contratos das tools em mcp-server.ts e o loop do agente em agent.ts continuam iguais.
Esse é o objetivo de colocar a regra de negócio dentro da fronteira da tool: o agente e a interface da tool MCP não sabem nem se importam se o dado vem de um objeto em memória ou de uma API real de CRM.
Simulado gratuito do CCA-F, cobrindo os 5 domínios: aicert.study/certifications/ccaf.