Pular para o conteúdo
LabS Atlas
Agentic AI
Entrar

Padrões de Raciocínio de Agentes

Ir para notas que citam esta
atualizado há 25 diasEntre para perguntar ao Labinho sobre esta notaO Labinho é o assistente que responde com as notas e as sessões do LabS e mostra de onde tirou cada resposta.

Padrões 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

CritérioReActPlan-and-Execute
Como decideUma ação por vez, a partir do último resultadoPlano completo primeiro, depois execução
Chamadas ao modeloUma por rodada, número abertoUma para planejar mais uma por etapa
PrevisibilidadeMenor, o caminho surge durante a execuçãoMaior, o plano fica explícito antes
Exigência de modeloAlta, precisa de muito contextoPlanejador forte, etapas podem usar modelos menores
Onde cabe melhorTarefas exploratórias e de buscaTarefas 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.

Padrões não são uma classificação fechada

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.