Pular para o conteúdo
LabS Atlas
Agentic AI
Entrar
Sessões

Desafio Múltiplos Agentes Padrões de Cooperação e Automação de Reuniões (2025-11-06)

6 nov 20251h 00min
Assistir gravação

Entre para ler os trechos da transcrição de cada capítulo e perguntar ao Labinho sobre esta sessão.

O Labinho é o assistente que responde com as notas e as sessões do LabS e mostra de onde tirou cada resposta.

atualizado há 25 dias
Resumo da sessão

A sessão apresentou conceitos de múltiplos agentes, colaboração e cooperação, começando pela distinção entre workflows, agentes autônomos e ferramentas especializadas. Foi destacado que um único agente pode ser suficiente para tarefas simples, enquanto problemas mais complexos podem ser divididos entre agentes especializados, trazendo ganhos de precisão, velocidade, escalabilidade e qualidade, embora com maior custo e necessidade de coordenação. Foram discutidos diferentes padrões de interação, como encadeamento de prompts, orquestração, processamento paralelo, avaliação e refinamento iterativo e roteamento de tarefas, além da possibilidade de combinar esses padrões em arquiteturas híbridas.

A demonstração prática mostrou um sistema que recebe a gravação de uma reunião, interpreta seu conteúdo, cria tarefas no Jira, gera uma ata e sintetiza os resultados. A solução busca reduzir atividades manuais, retrabalho e perda de informações em reuniões de alinhamento e refinamento. O fluxo utiliza um orquestrador para identificar o que deve ser feito, agentes especializados para executar as tarefas e um sintetizador para consolidar as entregas. Também foi discutido o uso de modelos diferentes, a filtragem de assuntos fora do escopo e a importância de fornecer contexto adequado aos agentes.

Como pontos em aberto, ficaram a evolução do protótipo para criar diferentes tipos de tickets, integrar outras ferramentas e repositórios, incorporar regras de negócio e melhorar a validação das tarefas geradas. Também foi levantada a necessidade de observabilidade, com métricas, logs, alertas e rastreamento das decisões dos agentes, especialmente em cenários com muitos usuários. A sessão foi encerrada com avaliações positivas sobre a aplicabilidade da solução e com a intenção de aprofundar as melhorias em conversas futuras.

Gerado por IA a partir da transcrição.
Capítulos · 30
06:55
Introdução à bancada e aos desafios
Assistir
10:43
Apresentação sobre múltiplos agentes
Assistir
11:59
Workflows e conceitos básicos
Assistir
13:17
O que são agentes e suas ferramentas
Assistir
15:50
Quando usar um único agente
Assistir
17:05
Motivação para arquiteturas multiagentes
Assistir
19:38
Benefícios e custos dos multiagentes
Assistir
20:54
Padrões de colaboração entre agentes
Assistir
22:11
Orquestração e processamento paralelo
Assistir
23:28
Avaliação e refinamento de respostas
Assistir
26:02
Roteamento de tarefas por contexto
Assistir
27:19
Arquitetura híbrida e transição para a prática
Assistir
28:39
Case: automação de reuniões e tarefas
Assistir
29:59
Solução multiagente para documentação
Assistir
31:18
Demonstração do fluxo com Fireflies e Jira
Assistir
35:10
Criação automática de tarefas no Jira
Assistir
36:29
Síntese da reunião e resultados gerados
Assistir
37:46
Possibilidades de expansão da solução
Assistir
40:21
Discussão sobre modelos e qualidade
Assistir
44:06
Filtragem de ruídos e escopo das reuniões
Assistir
46:44
Novos contextos e integrações possíveis
Assistir
48:03
Encerramento e geração de valor
Assistir
49:21
Expansão do projeto e observabilidade dos agentes
Assistir
50:39
Métricas, logs e monitoramento das decisões
Assistir
51:57
Encerramento e agradecimentos aos participantes
Assistir
53:15
Retorno ao projeto e valorização da colaboração
Assistir
54:30
Aprendizados e aplicação prática do desafio
Assistir
55:46
Colaboração da comunidade e perfil dos participantes
Assistir
57:05
IA para curiosos e entusiastas
Assistir
58:22
Perguntas finais e encerramento da sessão
Assistir
Cortes · 6
O que são agentes e por que usar múltiplos agentes
A apresentação diferencia workflows, agentes autônomos e suas ferramentas especializadas. Em seguida, explica quando um único agente é suficiente e quando dividir um problema complexo entre múltiplos agentes pode evitar gargalos.
11:59 – 19:38Assistir
Arquiteturas de cooperação entre agentes
São apresentados os principais benefícios e custos de sistemas multiagentes, como especialização, paralelismo, escalabilidade e coordenação. O trecho também explica encadeamento de prompts, orquestração, execução paralela, avaliação iterativa e roteamento de tarefas.
19:38 – 28:39Assistir
Case: automatização de reuniões com agentes
As apresentadoras mostram um caso real em que reuniões geravam documentação, tarefas no Jira e atas de forma descentralizada e manual. A solução usa agentes especializados e um orquestrador para interpretar a reunião, criar tickets, gerar a ata e sintetizar os resultados, com uma demonstração prática do fluxo.
28:39 – 36:29Assistir
Resultados, limitações e possibilidades de expansão
A demonstração mostra como o sistema cria tarefas detalhadas no Jira e produz um resumo com participantes, decisões e próximos passos. O grupo discute limitações atuais, como o tipo de ticket, além de possibilidades de integração com GitLab, regras de negócio e uso de modelos diferentes.
36:29 – 42:50Assistir
Como filtrar ruídos e enriquecer o contexto das tarefas
O grupo debate como o orquestrador identifica o que pertence ao escopo da reunião e descarta assuntos paralelos antes de criar tarefas. Também são discutidas melhorias futuras, como consultar tarefas anteriores, acessar repositórios e enriquecer automaticamente as descrições com contexto técnico.
42:50 – 48:03Assistir
Observabilidade para agentes de IA
É apresentada, como possibilidade de expansão, uma arquitetura de observabilidade para acompanhar agentes de IA em um dashboard do Grafana. O monitoramento permitiria visualizar métricas, logs, decisões tomadas, tempo de execução e identificar rapidamente a origem de erros, como a criação incorreta de uma tarefa no Jira.
49:21 – 53:14Assistir
Perguntas desta sessão
Como funcionam os sistemas de múltiplos agentes, para que servem e quais arquiteturas podem usar?
Os agentes podem se comunicar, colaborar e cooperar para alcançar um resultado final. A sessão apresenta esses conceitos desde a fundamentação até a aplicação prática em um caso real.
11:40 – 11:59Assistir
Quando uma clínica cresce, por que pode ser necessário dividir o atendimento entre múltiplos agentes?
Um único atendente pode se tornar um gargalo ao lidar com grande volume de atendimentos. Nesse cenário, múltiplos agentes podem distribuir as tarefas e aumentar a capacidade do sistema; para operações pequenas, porém, essa arquitetura pode ser desnecessariamente complexa.
17:51 – 18:15Assistir
Quais são os benefícios e os custos de usar sistemas multiagentes?
Sistemas multiagentes podem aumentar a precisão, a velocidade por meio do paralelismo, a escalabilidade e a qualidade, pois cada agente se especializa em uma tarefa. Em contrapartida, custam mais por envolver várias execuções e exigem coordenação cuidadosa para evitar conflitos e definir como os agentes se comunicam.
19:22 – 20:14Assistir
Como funciona o padrão de encadeamento de prompts em sistemas multiagentes?
A saída de um agente é usada como entrada de outro, formando um fluxo sequencial. Gates ou condições podem controlar a execução, mas esse padrão é menos adequado para tarefas com decisões muito complexas.
20:43 – 21:35Assistir
Quais são os benefícios e os cuidados do paralelismo entre agentes?
No paralelismo, vários agentes trabalham simultaneamente em partes diferentes de uma tarefa, o que aumenta a velocidade, a escalabilidade e o aproveitamento de recursos em atividades repetitivas e volumosas. É necessário coordenar os agentes, evitar sobreposição de responsabilidades e usar um sintetizador para combinar os resultados.
23:19 – 24:03Assistir
Como funciona a avaliação iterativa em sistemas multiagentes?
Um agente gera uma resposta e outro a avalia, devolvendo sugestões para que o primeiro agente a revise e melhore. Esse ciclo de refinamento aumenta a qualidade e permite aprendizado contínuo, embora envolva mais interações e tempo.
24:10 – 25:07Assistir
Como os sistemas multiagentes podem combinar diferentes padrões de cooperação?
Os padrões servem como orientação arquitetural e podem ser combinados em uma arquitetura híbrida. Na prática, o sistema demonstrado mesclou elementos de diferentes fluxos, usando gates para direcionamento e um sintetizador do orquestrador para consolidar o resultado.
28:03 – 28:29Assistir
Qual era o caso prático de automação de reuniões apresentado na sessão?
O caso surgiu de um processo com muitas reuniões de alinhamento e refinamento, que exigia documentar decisões, atualizar documentos e criar tarefas ou histórias no Jira. A solução proposta foi um sistema de múltiplos agentes autônomos capazes de interpretar a transcrição de uma reunião, criar tarefas no Jira e gerar atas.
28:35 – 30:29Assistir
Como era o processo manual de documentação e criação de tarefas após as reuniões?
Pessoas diferentes documentavam a reunião, criavam a tarefa no Jira e verificavam se o registro correspondia ao que havia sido discutido e às regras de negócio. Esse processo descentralizado gerava atividades manuais, desalinhamento, retrabalho e perda de tempo.
29:08 – 30:00Assistir
Como o protótipo de automação de reuniões usa prompts para gerar o resumo e avaliar o que foi discutido?
O protótipo usa um prompt personalizado para orientar o agente sobre como analisar a reunião e produzir o resumo. Isso permite adaptar a avaliação ao tipo de reunião, em vez de depender apenas da análise fixa oferecida pelo Fireflies.
42:43 – 43:05Assistir
Como o sistema evita criar tarefas no Jira para assuntos fora do escopo da reunião?
O orquestrador usa um prompt para identificar o que pertence ao escopo do sistema e filtrar ruídos ou assuntos irrelevantes antes de criar tarefas no Jira.
43:48 – 45:04Assistir
Em que etapa ocorre a filtragem e a limpeza da transcrição das reuniões: no Fireflies ou no orquestrador?
O Fireflies coleta e identifica a reunião e seus conteúdos, enquanto o processo de limpeza e refinamento também pode ocorrer no fluxo posterior. A especialização das etapas reduz o contexto necessário para cada agente e diminui a confusão nas tarefas finais.
45:11 – 46:19Assistir
Como pode ser implementada a observabilidade da cooperação entre agentes?
A observabilidade pode reunir métricas de desempenho, logs, alertas e tempos de execução em um dashboard Grafana. Isso permite acompanhar decisões dos agentes, identificar qual agente gerou um erro, verificar os dados interpretados e corrigir problemas rapidamente. A robustez da solução deve ser proporcional à escala de uso.
50:02 – 52:14Assistir