Pular para o conteúdo
LabS Atlas
Generative AI
Entrar
Sessões

Sessão de Bancada Protocolo A2A e Confiabilidade de Agentes de IA (2025-04-28)

28 abr 20251h 25min
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 discutiu o protocolo A2A, apresentado como um padrão para comunicação entre agentes de IA desenvolvidos com arquiteturas, tecnologias e capacidades diferentes. Foram explicados seus principais princípios de design: tratar agentes como entidades autônomas, reutilizar padrões existentes como HTTP e JSON, oferecer segurança por padrão, suportar tarefas de longa duração e permitir comunicação multimodal. Também foi detalhado o fluxo entre agente cliente e agente remoto, incluindo descoberta de capacidades por meio dos agent cards, seleção do agente mais adequado, gerenciamento de tarefas, troca de artefatos e negociação da resposta final. A2A foi comparado ao MCP, sendo este associado ao acesso a ferramentas e recursos, enquanto A2A coordena a colaboração entre agentes e pode conectar ecossistemas distintos de agentes.

Grande parte do debate questionou o grau de novidade do protocolo, observando que arquiteturas multiagentes, chamadas de função e máquinas de estado já eram práticas conhecidas. Ainda assim, concluiu-se que a padronização pode facilitar integrações, tornar as interações mais visíveis e reduzir implementações específicas entre aplicações. A conversa também abordou a confiabilidade da IA na geração de código: os modelos atuais são úteis como ferramentas de automação, mas produzem código inconsistente e exigem revisão, testes e supervisão de engenheiros. Ficou como ponto em aberto a realização de um benchmarking prático de modelos, com testes voltados a tarefas reais de código, imagem e automação, preferencialmente usando avaliações independentes e conjuntos de dados bem definidos, além de investigar modelos menores, especializados e executados localmente.

Gerado por IA a partir da transcrição.
Capítulos · 43
01:41
Abertura e boas-vindas
Assistir
05:40
IA e o futuro da programação
Assistir
08:13
Introdução ao protocolo A2A
Assistir
09:30
Objetivos da bancada de IA generativa
Assistir
10:48
Comunicação entre agentes
Assistir
16:00
Os cinco princípios de design do A2A
Assistir
20:02
Suporte a tarefas longas e comunicação assíncrona
Assistir
21:20
Multimodalidade e agentes agnósticos
Assistir
23:56
Arquitetura: agente cliente e agente remoto
Assistir
25:12
Colaboração e gerenciamento de tarefas
Assistir
26:31
Agent Cards e seleção de agentes
Assistir
27:50
Negociação e descoberta de recursos
Assistir
31:41
A2A em relação ao MCP
Assistir
32:59
Integração entre agentes e recursos MCP
Assistir
35:36
A2A como padronização de chamadas de ferramentas
Assistir
39:27
Protocolos, HTTP e máquinas de estado
Assistir
40:43
Modelos multimodais e geração de imagens
Assistir
43:18
Representação de imagens e reconhecimento de padrões
Assistir
44:34
Function calling, tools e servidores MCP
Assistir
45:51
Protocolos, abstração e descoberta de agentes
Assistir
47:07
Padrões para comunicação entre agentes
Assistir
49:44
Protocolos como infraestrutura de integração
Assistir
50:59
Orquestração de agentes com máquinas de estado
Assistir
52:16
Exemplos práticos de agentes em ferramentas
Assistir
53:34
Integrações via linguagem natural
Assistir
54:53
Qualidade e confiabilidade do código gerado por IA
Assistir
57:26
Revisores, segurança e confiança nos modelos
Assistir
1:00:03
Escolha de modelos por aplicação
Assistir
1:01:21
Benchmarking de modelos de IA
Assistir
1:05:09
Limitações e riscos dos benchmarks
Assistir
1:07:39
Competição entre grandes fornecedores de modelos
Assistir
1:08:59
Modelos para geração de código e encerramento do debate
Assistir
1:10:17
Como avaliar benchmarks com rigor
Assistir
1:12:51
Reasoning, prompting e evolução dos modelos
Assistir
1:14:07
Máquinas de estado e teoria da computação
Assistir
1:15:22
Modelos generativos e transformação de texto
Assistir
1:16:40
LLMs locais, RAG e memória persistente
Assistir
1:17:55
Executando modelos localmente em dispositivos
Assistir
1:19:12
Hardware Jetson para aplicações de IA
Assistir
1:20:35
Café aberto e continuidade das discussões
Assistir
1:21:50
Encerramento e disponibilidade de modelos locais
Assistir
1:23:05
Próxima sessão e apresentação sobre MCP
Assistir
1:24:22
Problemas com agentes de código e boas práticas
Assistir
Cortes · 14
IA como automação no desenvolvimento
A sessão começa discutindo o impacto da IA no desenvolvimento de software e a diferença entre substituir programadores e automatizar tarefas. Também são abordados os limites da geração de código e a necessidade de verificar o que os modelos produzem.
05:40 – 09:30Assistir
Por que padronizar a comunicação entre agentes
O trecho apresenta o protocolo H2A/A2A como uma forma padronizada de comunicação entre agentes de IA. Explica-se o cenário de sistemas multiagentes, em que agentes com arquiteturas e tecnologias diferentes precisam cooperar para resolver uma tarefa.
10:48 – 13:27Assistir
Os cinco princípios de design do protocolo
São apresentados os cinco princípios que orientam o protocolo: aproveitar as capacidades autônomas dos agentes, reutilizar padrões existentes, adotar segurança por padrão, dar suporte a tarefas de longa duração e permitir comunicação multimodal.
16:00 – 22:40Assistir
Como funciona a colaboração entre agentes
O trecho explica o fluxo entre agente cliente e agente remoto: seleção do agente mais adequado, envio e acompanhamento de tarefas, produção de artefatos e negociação da melhor resposta ao usuário. Também é apresentado o conceito de agent card, que descreve as capacidades de cada agente.
23:56 – 30:22Assistir
Relação entre A2A e MCP
A apresentação diferencia o protocolo de comunicação entre agentes do MCP, usado para disponibilizar ferramentas e recursos aos agentes. Um agente pode recorrer a outro agente para acessar capacidades que não possui, enquanto cada agente mantém seus próprios recursos e servidores MCP.
31:41 – 35:36Assistir
Padronização e interoperabilidade entre ecossistemas
A discussão explora como o protocolo formaliza chamadas entre agentes e permite integrar ecossistemas diferentes de forma mais visível e previsível. O padrão é comparado a protocolos consolidados, como HTTP, por estabelecer regras comuns para a comunicação.
35:36 – 39:27Assistir
Máquinas de estado e chamadas de ferramentas
O trecho relaciona protocolos de agentes a máquinas de estado, destacando a importância de definir etapas, entradas e saídas. Em seguida, explica como modelos de linguagem usam chamadas de função e ferramentas, incluindo a interação entre um cliente e um servidor MCP.
39:27 – 45:51Assistir
Protocolos para integração entre agentes
Debate sobre como padrões de comunicação, descoberta, segurança e identificação podem facilitar a integração entre agentes locais, remotos e agentes incorporados a plataformas como WhatsApp, Slack e ferramentas corporativas. A conversa também aborda o uso de cards ou descrições padronizadas para conectar agentes sem reimplementar todas as camadas de comunicação.
45:51 – 52:16Assistir
Confiabilidade da IA na criação de software
A discussão questiona a qualidade do código gerado por modelos de linguagem e a dificuldade de confiar em uma IA para escrever ou revisar sistemas críticos. Os participantes defendem modelos treinados com código de qualidade, processos de validação e a evolução do papel do programador para o de engenheiro de software.
54:53 – 1:00:03Assistir
Como escolher e avaliar modelos de IA
Os participantes discutem a escolha de modelos mais especializados, menos criativos e potencialmente mais confiáveis para tarefas como programação. Surge a proposta de realizar benchmarks práticos e direcionados ao uso real, em vez de avaliar os modelos apenas por rankings genéricos.
1:00:03 – 1:03:54Assistir
Limitações e armadilhas dos benchmarks
A conversa mostra por que um modelo excelente em um benchmark teórico pode ter desempenho ruim em tarefas práticas e específicas. Também são discutidos modelos treinados para passar em testes, comparações enviesadas por fornecedores e a importância de consultar benchmarks científicos com metodologia detalhada.
1:03:54 – 1:12:51Assistir
Máquinas de estado e transformação de texto em sistemas generativos
A discussão relaciona agentes e modelos generativos à teoria da computação, especialmente máquinas de estado e documentação estruturada. Os participantes explicam que modelos normalmente recebem e produzem texto, que depois precisa ser convertido em ações, dados, música ou outros formatos executáveis.
1:14:07 – 1:16:40Assistir
Modelos locais, RAG e memória persistente
Os participantes conversam sobre executar modelos localmente, usar ferramentas como LM Studio e criar sistemas de RAG com arquivos e bases vetoriais. Também são abordados os desafios de memória persistente, armazenamento no celular e limitações de hardware para rodar modelos em dispositivos móveis.
1:16:40 – 1:19:12Assistir
Limitações de agentes de código
A conversa relembra uma apresentação sobre MCP e o uso de um modelo gratuito em uma ferramenta de desenvolvimento. Em seguida, é relatada a experiência com um sistema de agentes que gerava código difícil de corrigir e frequentemente desfazia boas práticas, causando frustração.
1:23:05 – 1:25:00Assistir
Perguntas desta sessão
Por que os modelos de IA às vezes geram código de baixa qualidade?
A IA reproduz e amplia problemas antigos do desenvolvimento de software. Por isso, o código gerado pode exigir revisão cuidadosa e não necessariamente melhora o trabalho do engenheiro de software.
06:18 – 06:30Assistir
Como o protocolo A2A funciona e como ele se complementa ao MCP?
O A2A padroniza a comunicação entre agentes e permite que agentes clientes solicitem tarefas a agentes remotos, enquanto o MCP é usado na interação dos agentes com ferramentas e recursos. A proposta é combinar esses protocolos em soluções com múltiplos agentes.
11:06 – 11:49Assistir
Como agentes de IA interagem para determinar se uma tarefa foi concluída?
Um agente cliente envia uma tarefa a agentes remotos, que a executam e devolvem uma resposta. A arquitetura prevê diferentes agentes, modelos e soluções, com uma comunicação padronizada para acompanhar a execução e retornar o resultado da tarefa.
12:47 – 13:05Assistir
Como agentes de IA com tecnologias e arquiteturas diferentes se comunicam para resolver um problema?
A comunicação pode ser padronizada por um protocolo como o A2A. Ele define uma arquitetura para agentes, permitindo que diferentes agentes troquem solicitações e respostas mesmo quando são implementados com tecnologias distintas, em vez de depender apenas de mecanismos internos de cada framework.
13:14 – 14:03Assistir
O que significa adotar recursos agenciais no protocolo A2A?
Significa reconhecer que cada agente tem capacidades, pontos fortes e limitações próprios, tratando-o como um colaborador autônomo capaz de agir para cumprir tarefas, e não apenas como uma API passiva.
16:16 – 17:11Assistir
Como o protocolo A2A lida com tarefas de longa duração?
O protocolo mantém a comunicação e a troca de mensagens entre os agentes durante a execução, permitindo acompanhar o estado da tarefa mesmo quando não há uma resposta imediata ou quando o processamento segue um fluxo mais longo.
20:06 – 21:19Assistir
O que significa a modalidade agnóstica ou multimodal no protocolo A2A?
Significa que o protocolo deve suportar diferentes tipos de mídia, como texto, áudio, voz, imagens, vídeo e documentos PDF, permitindo que os agentes escolham e processem a modalidade mais adequada à tarefa.
21:24 – 22:27Assistir
Como os agentes A2A colaboram para resolver uma tarefa?
O agente cliente recebe a tarefa, localiza agentes remotos compatíveis na rede, encaminha a solicitação e acompanha o status. Os agentes colaboram mantendo o contexto e, ao concluir, devolvem um artefato ao agente cliente para apresentação ao usuário.
25:04 – 26:50Assistir
Como o agente cliente escolhe o agente remoto mais adequado no protocolo A2A?
O agente cliente consulta os Agent Cards, que descrevem as capacidades e especialidades dos agentes remotos, e usa essas informações para selecionar o agente mais eficiente para cada tarefa.
26:58 – 27:38Assistir
Como os agentes negociam a resposta final para o usuário?
Quando vários agentes produzem resultados, eles negociam qual resposta é mais adequada ao usuário final, podendo combinar diferentes tipos de saída, como uma imagem fornecida por um agente e texto fornecido por outro.
28:02 – 28:32Assistir
O que é um Agent Card e que informações ele descreve sobre um agente?
O Agent Card funciona como a identidade do agente: descreve suas capacidades e permite que um agente cliente descubra agentes remotos adequados para executar uma tarefa que ele não consegue realizar sozinho.
30:05 – 30:44Assistir
O A2A e o MCP são protocolos rivais ou podem ser usados em conjunto?
Eles são complementares. O MCP padroniza o acesso de um agente a ferramentas e recursos, enquanto o A2A padroniza a comunicação entre agentes e a integração com outros ecossistemas de agentes.
32:30 – 32:54Assistir
Como o A2A permite que um agente obtenha um recurso que não está disponível localmente?
O agente cliente consulta outro agente por meio do protocolo A2A para verificar se ele possui o recurso necessário. O agente remoto executa a solicitação e devolve a resposta no formato negociado entre os agentes.
34:35 – 35:10Assistir
Como um modelo de geração de imagens identifica os aspectos presentes em uma imagem e produz uma nova imagem a partir de um texto?
Durante o treinamento, as imagens são convertidas em representações matriciais. O modelo aprende aproximações dessas representações — por exemplo, de imagens de cachorros — e, ao receber um texto, tenta gerar uma matriz semelhante às referências associadas ao pedido, reconhecendo padrões visuais.
42:30 – 43:36Assistir
Como um modelo de linguagem executa uma chamada de ferramenta, como abrir uma página web?
A ferramenta precisa ser declarada com seu nome, descrição e parâmetros de entrada, normalmente em JSON. O modelo analisa o texto, identifica a ferramenta adequada e devolve uma chamada estruturada com os parâmetros, como a URL. A aplicação é responsável por executar a ferramenta, processar o resultado e enviá-lo novamente ao modelo; o modelo não executa diretamente a operação.
44:19 – 45:03Assistir
Como o protocolo A2A ajuda agentes locais e remotos a se comunicarem?
O protocolo define formatos e padrões genéricos para a comunicação entre agentes, permitindo conectar agentes locais a agentes remotos sem reimplementar todas as camadas de comunicação. O Agent Card descreve o agente e suas capacidades, facilitando a descoberta e a integração entre implementações diferentes.
47:07 – 48:03Assistir
Como uma máquina de estados pode controlar a execução de múltiplos agentes e ferramentas?
A orquestração pode ser modelada como uma máquina de estados com início, fim e transições bem definidas. Um modelo menor seleciona as ferramentas ou agentes relevantes, e o fluxo permanece em um loop até que todos os agentes necessários sejam acionados; o Agent Card pode indicar quais agentes precisam ser aguardados.
51:30 – 52:11Assistir
Qual é o maior defeito atual da IA na geração de código?
A IA frequentemente gera código de baixa qualidade e, por isso, é mais seguro usá-la como apoio, por exemplo para autocompletar, do que confiar nela para escrever todo o código sem revisão.
56:59 – 57:10Assistir
Por que a revisão humana é necessária quando a IA gera código?
Erros no código podem afetar processos críticos, como validações e entregas, causando bloqueios, atrasos e custos. Por isso, a solução gerada deve ser revisada por um engenheiro ou por um revisor confiável, com capacidade superior à do modelo que escreveu o código.
57:39 – 58:19Assistir
Para que serve cada modelo de IA disponível em um sistema?
Os modelos têm especializações, custos e capacidades diferentes. A escolha deve considerar o tipo de aplicação: alguns podem ser mais adequados para geração de código, outros para imagens ou tarefas específicas; por isso, é importante conhecer e comparar os modelos disponíveis.
1:01:04 – 1:01:21Assistir
Por que avaliar um modelo de IA em um jogo de lançamento de foguetes pode ser útil?
A avaliação mostra que o modelo lida melhor com cálculos precisos, como trajetórias e órbitas, mas tem dificuldade com situações específicas ou conceitos novos para os quais não foi treinado. Isso evidencia a necessidade de treinamento adicional, que pode ser caro, e ajuda a identificar limitações práticas do modelo.
1:02:45 – 1:04:33Assistir
Como um agente de IA pode encontrar a posição de diamantes em um jogo usando documentação de ferramentas?
O agente pode consultar a documentação ou o arquivo do jogo, localizar a informação relevante sobre os diamantes e retornar as posições ao usuário. Esse fluxo é semelhante ao uso de ferramentas por agentes para buscar dados estruturados.
1:05:23 – 1:05:34Assistir
É possível usar modelos GPT para gerar música MIDI ou áudio em 8 bits?
Sim. O modelo pode gerar texto que representa bytes ou eventos musicais; esse conteúdo é convertido para bytes e então processado por um programa que produz a música ou outro tipo de áudio. A mesma abordagem pode ser usada para combinar sons, como vento e canto de pássaros.
1:16:03 – 1:16:26Assistir