Padrões de Raciocínio de Agentes
Ir para notas que citam estaPadrões de raciocínio de agentes são as formas de o agente decidir o próximo passo: alternar pensamento e ação a cada rodada (ReAct) ou planejar tudo antes de executar.
Todo Agente de IA precisa, a cada momento, escolher o que fazer em seguida: chamar uma ferramenta, buscar uma informação, responder. Os padrões descrevem estratégias conhecidas para essa escolha. Os dois mais citados são o ReAct, de reason and act, e o planejamento prévio, conhecido como Plan-and-Execute ou Plan-and-Solve. A técnica que sustenta os dois é a Cadeia de Pensamento: o que muda entre eles é quando e com que alcance o agente raciocina.
ReAct: pensar, agir, observar e repetir
No ReAct o agente raciocina sobre a situação, executa uma ação, observa o resultado e decide a próxima ação a partir dele. Uma busca ilustra bem: o agente pesquisa no Google, lê o resumo, decide clicar num link e só então responde. O resultado é uma cadeia de pequenas decisões, cada uma dependente da anterior.
O padrão é flexível, mas exigente. Cada rodada acrescenta contexto, e o total de rodadas não é conhecido de antemão. Nem todo modelo sustenta bem esse ciclo: modelos mais robustos lidam melhor com ele, enquanto um modelo simples com muita coisa para fazer tende a se perder e divagar.
Plan-and-Execute: planejar a sequência antes de agir
No planejamento prévio o agente quebra o problema em tarefas menores e só então executa uma por uma. Para planejar uma viagem, ele define primeiro os grandes passos (buscar voo, reservar hotel, montar o roteiro) e depois executa o primeiro, o segundo e o terceiro. O padrão é indicado para tarefas grandes e amplas e é considerado mais seguro, porque existe um raciocínio sobre o conjunto antes de qualquer ação.
Mesmo assim, o porte do modelo importa. Numa tarefa longa, um modelo pequeno pode chegar à etapa do roteiro sem lembrar o contexto das etapas anteriores.
Comparação entre ReAct e Plan-and-Execute
| Critério | ReAct | Plan-and-Execute |
|---|---|---|
| Como decide | Uma ação por vez, a partir do último resultado | Plano completo primeiro, depois execução |
| Chamadas ao modelo | Uma por rodada, número aberto | Uma para planejar mais uma por etapa |
| Previsibilidade | Menor, o caminho surge durante a execução | Maior, o plano fica explícito antes |
| Exigência de modelo | Alta, precisa de muito contexto | Planejador forte, etapas podem usar modelos menores |
| Onde cabe melhor | Tarefas exploratórias e de busca | Tarefas grandes com etapas bem separáveis |
No ReAct, o contexto que cresce a cada rodada pesa diretamente no Custo de Tokens.
Combinar planejamento com agentes menores
Uma recomendação prática é planejar com um modelo capaz e delegar cada tarefa do plano a agentes menores, em vez de deixar um único agente grande resolver tudo em ReAct puro. É uma estratégia híbrida: o modelo grande reúne o máximo de informação e monta o plano, e modelos pequenos, como um SLM, resolvem as partes pontuais. A complexidade do sistema aumenta, mas cada peça fica com uma tarefa do tamanho certo, o que se liga à Seleção de Modelo por Agente.
ReAct e planejamento prévio são exemplos didáticos que viraram referência, não categorias exclusivas. Um mesmo agente pode planejar e, dentro de cada etapa, alternar pensamento e ação.