Use o mesmo modelo, o mesmo prompt base, as mesmas ferramentas. Uma equipe constrói um chatbot que responde perguntas uma após a outra sem se lembrar de nada da conversa anterior. Outra equipe constrói um agente que planeja, executa ferramentas, verifica resultados e corrige erros por conta própria. A diferença não está no cérebro — está no esqueleto.
Nos últimos dois anos, a indústria enfrenta uma constatação incômoda: os modelos de linguagem melhoram em um ritmo vertiginoso, mas o desempenho de um sistema de IA não depende exclusivamente de qual modelo roda por baixo. Depende de como esse modelo se conecta com o mundo — o que ele lembra, como decide seus passos, quando aciona uma ferramenta e como detecta que errou. Essa camada invisível é a arquitetura de agente, e ela se tornou o verdadeiro campo de batalha da engenharia de IA.
O ponto de inflexão chegou em dezembro de 2024, quando a Anthropic publicou seu guia Building effective agents. Longe de propor uma arquitetura única, a equipe identificou cinco padrões de orquestração que qualquer desenvolvedor pode implementar. O detalhe revelador é que nenhum desses padrões exige um modelo maior ou mais inteligente. Exigem melhor arquitetura.
O primeiro é o prompt chaining: decompor uma tarefa complexa em passos sequenciais, onde a saída de um passo alimenta o seguinte. É o equivalente a escrever uma função que chama outra. O segundo, routing, classifica a entrada do usuário e a direciona ao especialista adequado — útil quando um único sistema precisa lidar com solicitações tão díspares quanto atendimento ao cliente e análise técnica. O terceiro, parallelization, executa múltiplas chamadas ao modelo simultaneamente e combina os resultados; ideal para tarefas como revisar um documento sob diferentes critérios ao mesmo tempo.
O quarto padrão, orchestrator-workers, merece atenção especial. Um agente orquestrador recebe uma tarefa, a analisa e delega subtarefas a agentes worker especializados. Cada worker devolve seu resultado, e o orquestrador sintetiza a resposta final. Esse design é a pedra angular dos sistemas multi-agente que estão proliferando em produção. O quinto padrão, evaluator-optimizer, introduz um ciclo de qualidade: um agente gera uma resposta, outro a avalia, e se ela não passa pelo limiar, o primeiro tenta novamente com o feedback recebido.
Essa taxonomia da Anthropic não é acadêmica. O LangGraph, o framework de orquestração do LangChain, implementa exatamente esses padrões por meio de seu StateGraph, um grafo dirigido onde os nós são chamadas ao modelo e as arestas representam transições de estado. A chave está na palavra estado: um agente orquestrado com StateGraph não perde o fio da conversa nem ignora ferramentas que já executou. Ele lembra, itera e pode retroceder se algo der errado.
Esse salto do stateless para o stateful é provavelmente a mudança mais subestimada no desenvolvimento de agentes. Um chatbot sem estado pode encadear respostas coerentes durante um turno, mas um agente stateful mantém um contexto vivo — sabe quais ferramentas invocou, que resultados obteve e quais passos ainda faltam. Essa memória operacional é o que separa uma demonstração de um sistema produtivo. E não é um detalhe menor: sem estado, não há iteração; sem iteração, não há correção de erros; sem correção, um agente não passa de um prompt glorificado.
A pesquisa acadêmica respalda essa direção. O AgentVerse (arXiv:2308.10848) demonstrou que grupos de agentes superam sistematicamente agentes individuais em tarefas complexas, embora também tenha revelado que a colaboração entre agentes não é automática: surgem comportamentos sociais emergentes como cooperação e conflito que precisam ser gerenciados explicitamente. Agentes individuais são previsíveis; sistemas multi-agente são vivos, e o que é vivo requer orquestração cuidadosa. Um survey mais recente sobre sistemas multi-agente (arXiv:2605.14892) propõe o framework LIFE — Layer capability, Integrate, Find faults, Evolve — e aponta que a propagação de erros entre agentes segue sendo um problema em aberto.
Isso levanta uma pergunta prática: quando faz sentido orquestrar múltiplos agentes e quando basta um só? A resposta da Anthropic é surpreendentemente conservadora: comece pelo simples. Um agente único com boas ferramentas, memória e verificação pode resolver a maioria dos casos de uso. A arquitetura multi-agente deve ser uma resposta a uma limitação concreta — um gargalo na tomada de decisões, a necessidade de especialização ou a impossibilidade de um único agente lidar com todos os formatos de saída.
O Microsoft Copilot Studio ilustra bem essa filosofia. A plataforma permite construir agentes child especializados que herdam configuração de um agente pai, integram-se com MCP (Model Context Protocol) e executam código de forma segura. Não é uma arquitetura radicalmente nova — é uma implementação industrial dos padrões que a Anthropic descreveu.
A tentação de superdimensionar é real. Quando um engenheiro descobre o LangGraph e os padrões da Anthropic, o impulso natural é modelar cada tarefa como um grafo com sete nós e três loops de verificação. A disciplina, em vez disso, consiste em começar com um único nó, medir onde ele falha e acrescentar complexidade apenas onde ela agrega valor. Uma máquina de estados de três estados que funciona de forma confiável vale mais do que um grafo de vinte nós que ninguém sabe depurar.
A arquitetura de agentes está amadurecendo. Já não se trata de qual modelo roda mais rápido ou responde com mais nuances. Trata-se de como o sistema lembra, decide, verifica e se corrige. E isso, para os desenvolvedores que constroem produtos de IA hoje, é uma notícia animadora: o modelo importa, mas a arquitetura define os limites do que realmente se pode construir. Em um ecossistema onde os modelos se tornam cada vez mais comoditizados, a vantagem competitiva não está em escolher o LLM mais recente, mas em projetar o sistema que o utiliza melhor. Essa é a tese que a engenharia de agentes está apenas começando a demonstrar em produção.
Fonte principal: Building effective agents