Sistemas Multiagente
Ir para notas que citam estaSistemas multiagente são arquiteturas em que vários agentes especializados cooperam, cada um com uma parte da tarefa, delegando entre si até que um deles consolide o resultado.
A ideia nasce de uma limitação prática de um único agente generalista: quanto mais coisas ele precisa fazer, mais se dispersa, erra o formato e alucina. Dividir o problema em papéis estreitos troca um especialista em tudo por vários especialistas em uma coisa só. Um agente de cálculo que só faz contas e devolve o número ao modelo principal é o caso mínimo. Outro caso é separar um modelo que interpreta o pedido em texto de um modelo especializado apenas em gerar código numa linguagem pouco conhecida pelos LLMs. As formas recorrentes de ligar esses agentes estão em Padrões de Orquestração de Agentes.
Como a delegação funciona
O fluxo básico tem um agente principal que entende o objetivo, percebe quais funções precisa delegar e aciona os agentes especializados. Ao receber as respostas, ele consolida tudo e repassa a um processamento final que compõe a resposta ao usuário. A separação não é recente: o AutoGPT foi uma das primeiras soluções a tratar funções como agentes chamados por um agente central.
Exemplos típicos:
- Coleta em paralelo: vários agentes fazem scraping de fontes diferentes, como veículos de notícia financeira distintos. Cada um monta sua própria base vetorial, e um agregador reúne os pontos de vista antes de responder se uma ação vale a pena.
- Agente de codificação: ferramentas como o Windsurf dividem a tarefa entre subagentes que escrevem código, revisam, testam, leem o resultado do teste e corrigem. O usuário recebe só o resultado final para aceitar ou não.
- RAG com vários agentes: cada agente pode ser especialista num tipo de recuperação, o que leva o RAG Agêntico a arquiteturas multiagente.
Por que coordenar é a parte difícil
Trabalhar com um agente é relativamente simples. Coordenar vários é considerado mais difícil até do que montar um Graph RAG. Os problemas recorrentes são três: sobrecarga computacional (sem cuidado, o sistema fica processando sem parar), dificuldade de definir um objetivo claro para cada agente e escalabilidade, que depende da abordagem escolhida.
Se os agentes podem delegar livremente uns aos outros, é comum que fiquem repassando a tarefa entre si sem nunca fechar uma resposta. Algum componente precisa decidir quando parar, continuar ou pedir melhoria.
A falta dessa coordenação também tem custo direto. Num sistema de agentes monotarefa ainda sem orquestrador, uma simples saudação enviada ao chat chegou a consumir cerca de 300 mil tokens, porque nada direcionava a mensagem ao fluxo certo. O papel desse coordenador está detalhado em Agente Orquestrador.
O que não é um sistema multiagente
Um componente que só escolhe qual ramo de um fluxo seguir, com base numa condição ou chave, não configura por si só uma arquitetura multiagente com supervisor. Falta um orquestrador com autonomia para controlar e coordenar os demais. Da mesma forma, uma sequência fixa de etapas com blocos de IA no meio é um workflow, não um conjunto de agentes tomando decisões.
Frameworks e comunicação entre agentes
AutoGen, CrewAI e LangGraph são abstrações populares para montar esses sistemas. Cada uma esconde detalhes de implementação atrás de camadas próprias, o que acelera o começo mas exige entender o que está por baixo quando algo sai do esperado. Quando os agentes pertencem a sistemas diferentes, a troca entre eles passa a ser tema de protocolos como o Protocolo Agent2Agent.