Introdução
Este mês de março estamos em pleno Global AI Bootcamp 2025. Em dezenas de localidades pelo mundo, estão acontecendo encontros, meetups, hackathons e discussões sobre oportunidades, recursos e ferramentas em plena Era de IA.
Essa semana, participei do Global AI Bootamp através de uma sessão sobre Arquiteturas de Múltiplos Agentes de IA, pelo Microsoft Reactor São Paulo. Durante a sessão, percorri diversos aspectos de arquiteturas de múltiplos agentes, conceitos e exemplos práticos. Então ficou a provocação: como transformar esse material em um artigo, com seus principais assuntos? Esse texto é um resumo dessa sessão! 😊
Podemos dizer que a ascensão da inteligência artificial (IA) tem transformado a forma como interagimos com sistemas digitais. Em particular, os agentes de IA estão se tornando a nova interface do usuário, permitindo automação avançada e tomada de decisão autônoma. Nos últimos meses, também vimos muita discussão sobre a evolução de arquiteturas SaaS – Software as a Services. As interfaces estáticas tradicionais SaaS estão dando lugar a modelos dinâmicos, com suporte para linguagem natural e patterns de integração baseados em IA, mais flexíveis, sofisticados e adaptativos. E quando integramos agentes na interface e em suas regras de negócio, acelerando a conexão com sistemas de backoffice e cross sistemas, alguns chamam de AaaS – Agent as a Service. Interessante!
Assim, um novo DNA de aplicações baseadas em agentes está nascendo. Nele, encontramos características únicas como:
- Camada de IA para suportar regras de negócio e workflows de aplicação.
- Interface unificada baseada em IA para diferentes categorias de usuários, com aspectos dinâmicos de aprendizado e atualização.
- Comunicação com back-end mais simplificada, por uso de agentes de IA.
- Integração cross-sistemas de organização mais flexível, através de agentes de IA.
Com o recente desenvolvimento e evolução de frameworks de orquestração como o Microsoft AutoGen, além de repositórios de exemplos como AI App Template e AI Dev Gallery, novas arquiteturas de múltiplos agentes estão emergindo para lidar com tarefas cada vez mais complexas. Também estamos vendo nascer diferentes cenários de organização e integração entre múltiplos agentes, com “Semantic Kernels” ou núcleos semânticos e frameworks de memórias contextuais, suportando os agentes ao longo de tarefas que exigem informações mais estruturadas e semânticas nas diferentes etapas em execução.
Assim, este artigo explora os principais conceitos relacionados a agentes de IA, os padrões de design mais utilizados, arquiteturas de sistemas multiagentes e as recentes ferramentas disponíveis para orquestração desses sistemas. Além disso, abordaremos a importância da IA responsável e suas implicações em ambientes multiagentes.
O que são Agentes de IA?
Para começar, os agentes de IA são entidades autônomas projetadas para executar tarefas específicas ou alcançar objetivos complexos de maneira adaptativa e previsível. Eles possuem características essenciais como:
- Autonomia: Capacidade de operar com supervisão mínima.
- Raciocínio: Tomada de decisões contextuais e otimizadas.
- Planejamento Adaptável: Ajuste de estratégias conforme o ambiente.
- Compreensão de Contexto: Interação eficiente com humanos e outros sistemas.
- Ação Habilitada: Execução de tarefas e acesso a serviços web.
Essas capacidades diferem os sistemas de um agente daqueles com apenas uma ação transacional direta sobre o modelo LLM que estamos consumindo.
A figura acima ilustra um sistema de consulta transacional para um modelo LLM, a partir de um prompt do usuário. Por exemplo: um prompt para um LLM, pedindo para conversar um arquivo de log em um arquivo JSON.
A figura acima ilustra um sistema de único agente, realizando uma tarefa de escopo bem específico. Por exemplo: um agente para geração de um código de programação, usando um guidance de arquiteutra e boas práticas para essa tarefa, com referências de documentação guia.
A partir de um desenho de sistema baseado em agente, podemos facilmente expandir esse conceito para sistemas com múltiplas unidades de agentes, realizando tarefas específicas, isoladas ou de forma coordenada.
Sistemas Multiagentes
Assim, os sistemas multiagentes são arquiteturas compostas por múltiplos agentes interconectados. Esses agentes podem operar de forma colaborativa, distribuída ou hierárquica, permitindo a realização de tarefas sofisticadas e cada vez mais complexas.
As principais aplicações incluem:
- Automação de processos complexos
- Assistentes pessoais e empresariais
- Planejamento estratégico e tomada de decisão
- Programação assistida por IA
Sistemas de múltiplos agentes possuem características principais como:
- Autonomia: realiza ações direcionadas a objetivos com supervisão humana mínima
- Raciocínio: toma decisões contextuais, faz julgamentos e equilíbrios de trade-offs
- Planejamento Adaptável: ajusta dinamicamente os planos com base em condições mutáveis para concluir processos de forma eficiente
- Compreensão de Contexto: compreende e segue linguagem natural e outras modalidades
Ação Habilitada: tem poder para agir por meio de acesso a serviços web que fornecem habilidades
A figura acima ilustra um sistema de múltiplos agentes, com diferentes fontes de dados e contexto para realização de suas tarefas. No desenho, vemos um agente coordenador, responsável por coordenar as chamadas e interações com os diferentes agentes disponíveis. Podemos ter diferentes formas de organizar os agentes presentes no sistema, suportante com maior ou menor flexibilidade a adição de novos agentes, a comunicação direta entre eles e/ou com o usuário, além do grau de autonomia de cada um. Assim, faz sentido falarmos sobre padrões de desenho de agentes, como vimos já vimos em arquitetura de software tradicional, aquela sem IA.
Design Patterns Comuns para Agentes de IA
Existem diversos trabalhos e livros similares ao excelente “Patterns of Enterprise Application Architecture” de Martin Fowler (2002), falando sobre padrões de desenho de arquitetura e componentes. Cada nova obra adiciona novos patterns de arquitetura para aplicações corporativas, assim como aspectos importantes sobre desempenho, flexibilidade, eficiência e caso de uso. Podemos dizer que dentro desse menu de aplicações para software em enterprise já temos novas estruturas envolvendo GenAI e multi-agentes.
De fato, o desenvolvimento de soluções baseadas em IA e modelos LLM exige uma arquitetura bem definida para equilibrar tanto a orquestração e a autonomia em sistemas multi-agentes, como a eficiência computacional e a interoperabilidade com sistemas tradicionais. Cada decisão impacta latência, custo, escalabilidade, mensageria, custo de API e adaptabilidade, tornando essencial a aplicação de padrões de arqutetura mais eficazes.
Nesse contexto, diferentes trade-offs podem orientar a melhor escolha de cada abordagem de aplicação em uso. Vejamos dois importantes:
Orquestração vs. Autonomia em Sistemas Multi-Agentes
A escolha entre orquestração centralizada e autonomia descentralizada é fundamental no desenho de agentes inteligentes. Em sistemas orquestrados, um coordenador gerencia fluxos de trabalho bem definidos, garantindo controle e previsibilidade. Em contraste, abordagens descentralizadas permitem que agentes atuem de forma autônoma, ajustando-se dinamicamente ao contexto.
Ferramentas como LangChain e LangGraph estão se consolidando para a orquestração e coordenação de modelos LLMs e de multi-agentes.
- LangChain foi lançado em 2022, inicialmente como uma biblioteca para facilitar o desenvolvimento de aplicações LLMs. Ele oferece ferramentas para gerenciar prompts, memória, cadeias de execução (chains), agentes inteligentes e recuperação de informações. Seu foco está em estruturar interações com IA de forma eficiente, integrando-se com bancos de dados vetoriais, APIs e serviços em nuvem. Veja mais aqui: https://www.langchain.com/
- LangGraph surgiu posteriormente, sendo lançado em 2023 como uma extensão do LangChain, projetada para criação de fluxos de trabalho complexos usando estruturas baseadas em grafos. Diferente do modelo linear do LangChain, LangGraph permite execução paralela, ramificações e decisões dinâmicas, sendo ideal para sistemas multi-agentes e gestão avançada de estados. Veja mais aqui: https://langchain-ai.github.io/langgraph/
Assim, LangGraph se baseia no LangChain, ampliando suas funcionalidades. Enquanto LangChain organiza fluxos de forma sequencial, LangGraph introduz um modelo mais flexível, permitindo arquiteturas mais adaptáveis e eficientes para aplicações complexas. Ele atua como um orquestrador avançado, ideal para sistemas que exigem controle dinâmico e maior escalabilidade. Importante tê-los no radar!
Eficiência vs. Qualidade: Otimização de Recursos
Enquanto modelos LLMs são poderosos, o processo de inferência pode ser demasiado caro. Assim, estratégias como caching, pruning, quantização e Retrieval-Augmented Generation (RAG) ajudam a reduzir custos sem comprometer a qualidade das respostas geradas. Modelos híbridos, como Cascading Prompt Strategies, usam redes menores para consultas simples e escalam para modelos maiores apenas quando necessário.
Padrões Arquiteturais Emergentes para IA Generativa e multi-agentes
Enquanto navegamos por diferentes abordagens para construção de sistemas de múltiplos agentes, podemos também reconhecer patterns de organização e arquitetura interessantes para cada cenário de aplicação.
A seguir, temos uma lista de alguns patterns já conhecidos, agrupados em categorias:
Padrões para Recuperação e Geração Aprimorada (RAG e variantes)
- RAG (Retrieval-Augmented Generation) Básico: Combinação de LLMs com bases de conhecimento estruturadas.
- Multi-RAG (Hierarchical RAG): Uso de múltiplas fontes de recuperação com diferentes granularidades.
- Hybrid-RAG: Combinação de RAG com vetores, bases relacionais e agentes especializados.
- RAG Adaptativo: Ajusta dinamicamente a estratégia de recuperação com base no contexto da consulta.
- RAG com Agentes: Um agente de IA que decide qual técnica de recuperação é mais apropriada antes da geração.
Padrões de Orquestração Multi-Agente
- Orquestração Hierárquica: Estruturação de agentes em camadas de tomada de decisão.
- Consensus-Driven Agents: Uso de múltiplos agentes para gerar respostas e consolidar um consenso antes da saída final.
- Specialized Agent Pools: Conjunto de agentes especializados que são ativados dinamicamente conforme a necessidade.
- Auto-Reflexão e Self-Tuning Agents: Agentes que ajustam seus prompts e estratégias iterativamente.
Padrões para Personalização e Customização
- Persona-Driven Prompting: Geração baseada em personas predefinidas para respostas adaptáveis.
- Memory-Augmented Agents: Persistência de memória contextual para melhorar interações recorrentes.
- User-Intent Adaptation: Identificação e adaptação dinâmica ao estilo e preferências do usuário.
Padrões para Eficiência e Escalabilidade
- Cascading Prompt Strategies: Estruturas progressivas de prompts para balancear custo e precisão.
- LLM Caching & Response Ranking: Uso de cache inteligente para reduzir custo de inferência.
- Federated LLM Inference: Combinação de múltiplos LLMs com diferentes especializações.
Padrões para Segurança e Governança
- Explainability by Design: Geração explicável e rastreável para auditoria e compliance.
- Bias Mitigation Patterns: Estratégias para mitigar viés algorítmico.
- Privacy-Preserving AI: Técnicas como differential privacy e federated learning para proteção de dados.
Dessa lista, quatro desenhos são especialmente importantes, veremos a seguir:
Retrieval-Augmented Generation (RAG) Agent
- Permite que agentes consultem bases de conhecimento externas para gerar respostas mais precisas.
- Utilizado em aplicações como assistentes de IA e chatbots avançados.
Code Generation Agent
- Capaz de gerar código com base em descrições em linguagem natural.
- Auxilia desenvolvedores na criação, otimização e depuração de código.
Multi-Agent System
- Divisão de tarefas entre agentes especializados para resolver problemas complexos.
- Utilizado em sistemas de recomendação, planejamento e otimização logística.
Multi-Domain Agent System
- Integra diversos agentes especializados que operam em domínios diferentes.
- Permite escalabilidade e flexibilidade em sistemas de IA de grande porte.
- Entre os elementos críticos de desenho encontramos:
- Descritores de Capacidade dos Agentes.
- Executor de Agentes Escalável, capaz de gerenciar dezenas a centenas de agentes.
- Capacidade de gerenciar troca de domínios com gerenciamento adequado de memória.
- Evita o problema de interceptador único, pois os agentes individuais mantêm comunicação direta com o usuário e podem transferir a interação quando necessário.
Note que cada exemplo aqui citado pode ser facilmente adaptado para diferentes cenários de negócio. E nesse sentido, não citamos qual modelo de LLM estamos escolhendo para suportar cada agente. De fato, já podemos considerar que modelos de LLM estão se tornando quase commodities, sendo mais importante a forma como consumimos e construímos valor sobre esses modelos, através de aplicações baseadas em IA.
Para completar essa discussão inicial sobre patterns de aplicações com agentes de IA, recomendo conferir o portal:
- Agentic Design Patterns: https://github.com/microsoft/azure-genai-design-patterns
Nele, você tem diversos exemplos de implementação e dicas da comunidade, que podem ajudá-lo na evolução de projetos de sistemas multi-agentes, com diferentes abordagens de implementação.
Exemplos de templates e padrões de aplicações em plataforma Microsoft Considerando esses inúmeros exemplos, três links são importantes para suportar com mais templates e recursos a construção de aplicações em plataforma Microsoft.
Azure AI Foundry: https://ai.azure.com/
- Azure AI Foundry é a plataforma da Microsoft que facilita o desenvolvimento e a implementação de aplicações de inteligência artificial. Com um conjunto abrangente de ferramentas, permite que desenvolvedores customizem, hospedem, executem e gerenciem modelos de IA diretamente em ambientes conhecidos, como GitHub, Visual Studio e Copilot Studio.
- Um dos destaques da plataforma é seu catálogo com mais de 1.800 modelos, permitindo que empresas escolham a opção mais adequada às suas necessidades, considerando desempenho e contexto de aplicação.
- Além disso, Azure AI Foundry oferece ferramentas prontas para uso que auxiliam na personalização, orquestração, avaliação e implantação de modelos de IA, garantindo uma integração eficiente e segura em ambientes de produção.
AI Dev Gallery: https://github.com/microsoft/ai-dev-gallery
- Aqui, você encontra +25 exemplos de projetos prontos para uso, que podemos usar como base para iniciar nossas explorações ou soluções.
AI App Template: https://azure.github.io/ai-app-templates/
- Aqui, você encontra +30 templates de aplicações com IA e agentes, desde soluções simples em Python, até assistentes sofisticados de múltiplos agentes para aplicações de agendamento de viagens. Com certeza, um repositório importante para qualquer início de projeto.
Microsoft Autogen: https://github.com/microsoft/autogen
- AutoGen é um framework para simplificar a orquestração, otimização e automação de fluxos de trabalho para aplicações baseadas em modelos de linguagem de grande escala (LLM). Ele permite o desenvolvimento de aplicações LLM utilizando múltiplos agentes que podem conversar entre si para resolver tarefas. Os agentes do AutoGen são personalizáveis, interativos e permitem a participação humana de forma integrada. Os desenvolvedores podem definir um conjunto de agentes com capacidades e funções especializadas, bem como o comportamento de interação entre eles.
IA Responsável em Sistemas Multiagentes
Finalmente, com o aumento da complexidade dos agentes de IA, surgem desafios éticos e de segurança. Nesse contexto, a implementação de práticas de IA responsável é essencial para garantir segurança, transparência e equidade nos sistemas multiagentes.
Desde junho de 2022, a Microsoft disponibiliza o RESPONSIBLE AI Standard, como um guia para construção de aplicações IA com princípios de IA responsável. Você encontra esse material no portal:
Microsoft-Responsible-AI-Standard-v2-General-Requirements-3.pdf
Entre os Princípios de IA Responsável encontramos:
- Privacidade e Segurança: Proteção contra vazamento de dados e ataques cibernéticos.
- Confiabilidade e Segurança: Garantia de que os agentes atuam de forma previsível.
- Inclusão: Modelos treinados para evitar viés e discriminação.
- Responsabilidade: Monitoramento contínuo para identificar falhas e riscos.
- Transparência: Comunicação clara sobre as limitações dos agentes.
- Justiça: Evitar decisões tendenciosas ou discriminatórias.
Como já vimos em artigos anteriores, sistemas baseados em modelos de IA são propensos a riscos como vieses algorítmicos, vazamento de dados e decisões não supervisionadas que podem ter impactos prejudiciais para a aplicação ou negócios. A adoção de mecanismos de auditoria, governança de dados e transparência permite mitigar esses riscos e garantir que os agentes ou componentes de software operem dentro de limites de conformidade e segurança da informação estabelecidos.
Assim, a adoção de princípios de IA responsável é crucial para garantir que os sistemas de IA e de múltiplos agentes de IA operem de maneira ética, segura e eficiente. Conforme detalhado no Microsoft Responsible AI Standard, a crescente complexidade dos agentes de IA exige a implementação de direções rigorosas para minimizar riscos e promover uma utilização correta dessas tecnologias.
Conclusão
Nesse texto, vimos diversos conceitos importantes para uma discussão inicial sobre agentes de IA e sistemas de múltiplos agentes. Alguns pontos de destaque foram:
- Agentes de IA são entidades autônomas que operam de forma adaptativa e preditiva.
- Sistemas multiagentes permitem automação avançada e coordenação de tarefas complexas.
- Design patterns, como RAG Agent e Code Generation Agent, estruturam o desenvolvimento de agentes.
- Frameworks como AutoGen e Azure AI Foundry facilitam a implementação de arquiteturas de múltiplos agentes.
- IA responsável é essencial para garantir segurança, equidade e transparência nesses sistemas.
A evolução da IA nos últimos dois anos trouxe consigo o crescimento dos sistemas baseados em agentes inteligentes. Desde assistentes pessoais até complexos sistemas multiagentes, as possibilidades são inúmeras. Podemos esperar para 2025 um crescente uso de agentes em novos cenários mais complexos e sofisticados, para aplicações de tomada de decisão, suporte a tarefas complexas, co-reasoning até automação de forma autônoma.
Entretanto, a implementação da IA responsável deve estar no centro do desenvolvimento desses sistemas com IA, assim como para sistemas com agentes de IA, garantindo que a automação e a tomada de decisão sejam seguras, éticas e sincronizadas com as realidades de cada contexto de aplicação ou negócio.
À medida que os agentes de IA se tornam cada vez mais autônomos, a importância de práticas responsáveis crescerá exponencialmente. A combinação de inovação tecnológica com um forte compromisso com a ética e segurança garantirá que os benefícios da IA sejam amplamente distribuídos sem comprometer direitos fundamentais e valores humanos.
Dessa forma, a implementação de IA responsável em sistemas multiagentes deve ser vista não apenas como um requisito técnico, mas como um pilar essencial para a evolução sustentável e confiável da inteligência artificial no futuro.
A evolução da IA caminha para um futuro onde agentes inteligentes não apenas auxiliam, mas também transformam a maneira como interagimos com a tecnologia. Creio que essa transformação realmente já começou!
Até a próxima!
