O que são enxames de agentes e como funcionam?

Enxames de agentes de IA são considerados uma forma de sistema multiagentes. No entanto, em vez de ter vários agentes no mesmo sistema, o termo "enxame" frequentemente enfatiza a colaboração entre vários agentes relativamente autônomos. O nome é parcialmente inspirado em sistemas da natureza, como colônias de insetos, onde muitos indivíduos trabalham juntos para realizar tarefas complexas.

A ideia definidora é a coordenação. Um enxame precisa de alguma forma de determinar qual trabalho precisa ser feito, atribuir esse trabalho e reunir os resultados. Dependendo de seu projeto, a coordenação pode vir de um orquestrador central, uma hierarquia de agentes ou interações mais descentralizadas.

Por exemplo, um agente pode planejar um projeto enquanto outros agentes lidam com tarefas individuais. Um agente separado pode avaliar o trabalho antes que outro agente combine os resultados. Os agentes podem trabalhar em sequência ou em paralelo. Eles também podem compartilhar informações, delegar tarefas e responder ao trabalho de outros agentes. Enxames estritamente descentralizados dependem principalmente de interações locais e sinais compartilhados, em vez de um controlador central.

Os enxames de agentes podem ser úteis quando uma tarefa contém partes distintas que podem ser delegadas ou quando diferentes agentes podem contribuir com recursos complementares. No entanto, adicionar mais agentes não melhora automaticamente o sistema. Vários agentes introduzem mais coordenação, comunicação e uso de recursos; portanto, o valor de um enxame depende de se esses recursos adicionais justificam a complexidade adicional.

Os enxames de agentes de IA podem mudar a forma como uma organização estrutura e gerencia o trabalho assistido por IA. Em vez de depender de um único assistente de IA para lidar com um processo inteiro, as organizações podem distribuir partes de um fluxo de trabalho entre vários agentes. As organizações também podem incorporar esses fluxos de trabalho de agentes em processos e aplicações de negócios existentes. A implementação pode afetar a forma como o trabalho é atribuído, como as tarefas passam por um processo e o quanto de colaboração humana é necessária.

Um impacto potencial é a escala das operações assistidas por IA. Quando uma tarefa pode ser dividida em subtarefas independentes, vários agentes podem trabalhar simultaneamente, em vez de exigir que um ciclo de agente processe cada parte em sequência.

Um enxame pode distribuir uma carga de trabalho maior entre vários agentes, permitindo que tarefas independentes aconteçam ao mesmo tempo. Essa coordenação pode ser útil para fluxos de trabalho complexos ou de alto volume.

Os enxames também podem alterar a forma como o trabalho especializado é organizado. Diferentes agentes podem lidar com pesquisas, análises ou avaliações com base em seus recursos. Dessa forma, um fluxo de trabalho de IA pode ser dividido em funções com diferentes responsabilidades, em vez de depender de um agente para executar todas as partes do processo.

O impacto nem sempre é positivo. Mais agentes criam mais partes móveis. As organizações precisam gerenciar como os agentes se comunicam, como o trabalho é transferido e o que acontece quando os agentes produzem resultados conflitantes. A execução de vários agentes também pode aumentar os custos, sobretudo quando os agentes interagem com frequência.

Os enxames também podem alterar a função das pessoas em um fluxo de trabalho habilitado para IA. Os funcionários podem passar mais tempo definindo metas de IA, avaliando resultados e gerenciando exceções, em vez de concluir diretamente cada tarefa. Essa mudança de responsabilidades pode reduzir o trabalho humano em alguns processos, ao mesmo tempo em que cria a necessidade de mais supervisão e gerenciamento.

Essas mudanças afetam a forma como as organizações estruturam fluxos de trabalho, alocam recursos e envolvem pessoas no trabalho assistido por IA. É importante considerar esses efeitos ao avaliar se um enxame se encaixa em uma tarefa específica.

Os enxames de agentes de IA e os sistemas multiagentes envolvem vários agentes de IA trabalhando dentro do mesmo sistema. Às vezes, os termos são usados de forma intercambiável, mas o sistema multiagentes é geralmente o termo mais amplo.

• Um sistema multiagentes pode incluir agentes que trabalham de forma independente, seguem um fluxo de trabalho predefinido ou interagem entre si. Os agentes podem ter diferentes funções e recursos, mas não precisam necessariamente colaborar estreitamente.
  
  
• Um enxame de agentes descreve um arranjo mais colaborativo. Os agentes podem dividir uma tarefa maior, especializar-se em diferentes tipos de trabalho, compartilhar informações e responder às ações ou resultados de outros agentes. O grau de coordenação pode variar. Alguns enxames dependem de um agente central ou orquestrador, enquanto outros permitem que os agentes interajam de forma mais direta.

A distinção nem sempre é clara. Um sistema com vários agentes independentes pode ser um sistema multiagentes sem funcionar como um enxame, enquanto um enxame pode ser organizado de várias maneiras diferentes. Na prática, os termos frequentemente se sobrepõem, com "enxame" colocando mais ênfase na atividade coordenada dos agentes.

Um enxame de agentes de IA organiza o trabalho para que vários agentes possam contribuir para um objetivo compartilhado. O processo exato depende do projeto do enxame, mas a maioria dos sistemas precisa lidar com quatro questões:

1. O que precisa ser feito?
2. Quem deve fazer isso?
3. Como os resultados devem se reunir?
4. Quais controles de governança determinam o que cada agente pode acessar, decidir e alterar?

Considere uma empresa que deseja pesquisar um novo mercado. Um enxame pode ter um agente desenvolvendo o plano de pesquisa, vários agentes investigam diferentes aspectos do mercado em paralelo e outro agente avalia e combina suas descobertas. Esse arranjo permite que diferentes partes da pesquisa aconteçam simultaneamente, dando a cada agente uma área focada de responsabilidade.

O enxame primeiro precisa dividir o objetivo geral em tarefas menores. Um agente de planejamento pode fazer isso explicitamente, ou as tarefas podem ser definidas como parte do fluxo de trabalho com antecedência.

A forma como o trabalho é dividido depende do problema. Algumas tarefas podem ser tratadas de forma independente e enviadas para vários agentes ao mesmo tempo. Outras tarefas dependem de resultados anteriores e precisam acontecer em sequência. Um agente de pesquisa, por exemplo, pode precisar concluir seu trabalho antes que outro agente possa analisar as descobertas.

Os agentes também podem assumir funções especializadas. Um agente pode se concentrar em coletar informações, enquanto outro analisa dados ou verifica a qualidade do trabalho. Um prompt do sistema pode definir as instruções ou o comportamento de um agente, enquanto suas ferramentas e outros recursos determinam qual trabalho o agente pode realizar. A especialização permite que o enxame atribua trabalho de acordo com as instruções, ferramentas ou recursos de um agente.

Uma vez dividido o trabalho, os agentes precisam acessar as informações necessárias para concluir suas tarefas. Essas informações podem se mover entre os agentes de diferentes maneiras.

Os agentes podem enviar mensagens diretamente uns aos outros. Eles também podem usar a chamada de função para empregar ferramentas ou sistemas externos e passar as informações resultantes para o fluxo de trabalho. Um espaço de trabalho ou memória compartilhado pode permitir que vários agentes acessem as mesmas informações.

Os agentes também podem transmitir arquivos, resultados de pesquisas, códigos ou outras saídas à medida que uma tarefa leva a outra. Os sistemas de recuperação também podem fornecer aos agentes contexto externo de fontes como documentos, bancos de dados ou bases de conhecimento conectadas. Abordagens como pesquisa vetorial e RAG em grafos podem recuperar informações relevantes de diferentes maneiras, dependendo de como os dados subjacentes estão estruturados.

A quantidade de informações compartilhadas é importante. Fornecer a cada agente todo o histórico de uma tarefa pode consumir sua janela de contexto e aumentar a quantidade de informações que o sistema precisa processar. Dar a um agente muito pouco contexto pode levar a um trabalho incompleto ou inconsistente. Os projetos em enxame precisam de uma maneira de fornecer aos agentes as informações de que precisam sem criar sobrecarga desnecessária.

A comunicação por si só não torna um enxame eficaz. O sistema também precisa coordenar o que acontece a seguir.

Um agente central ou uma camada de orquestração de agentes pode atribuir tarefas, monitorar o progresso e decidir quando os resultados estão prontos para serem combinados. Em sistemas maiores, a observabilidade pode ajudar as equipes a acompanhar a atividade dos agentes, chamadas de ferramentas, entregas e resultados. Em outros projetos, os agentes podem determinar suas próximas ações com base em mensagens, estado compartilhado ou resultados de outros agentes.

A coordenação também pode envolver avaliações do trabalho. Um agente pode verificar a saída de outro agente antes que ela se torne parte do resultado, ou um fluxo de trabalho pode exigir aprovação humana antes que um agente aja. Se o trabalho estiver incompleto, o enxame pode enviar a tarefa de volta para outra tentativa ou atribuí-la a um agente diferente.

A etapa final é reunir as saídas individuais. Um agente pode sintetizar as descobertas em um relatório final, enquanto outro sistema pode combinar as saídas automaticamente. O objetivo é transformar muitas partes separadas de trabalho em um resultado que lide com a tarefa original.

Um enxame de agentes não é simplesmente uma coleção de agentes de IA. É um processo coordenado no qual o trabalho é dividido, as informações se movem entre os agentes e os resultados individuais contribuem para um objetivo compartilhado. A forma como essas atividades são organizadas determina como o enxame se comporta e quais tipos de tarefas ele pode realizar.

A arquitetura de um enxame de agentes de IA varia dependendo da tarefa, das relações entre as tarefas e do nível de coordenação necessário. Essas escolhas fazem parte de uma arquitetura multiagentes mais ampla, com alguns padrões descrevendo como o trabalho é executado e outros descrevendo como os agentes são organizados ou como colaboram e tomam decisões. Esses padrões também podem ser combinados dentro do mesmo enxame.

• Sequencial:  os agentes lidam com o trabalho de uma etapa de cada vez, com cada agente usando a saída do agente anterior. Por exemplo, um agente pode coletar informações, outro pode analisá-las e um terceiro pode preparar o relatório final. Essa abordagem é adequada para tarefas em que as etapas posteriores dependem das anteriores, mas limita a oportunidade de realizar o trabalho em paralelo.
  
  
• Paralelo: vários agentes trabalham em partes separadas de uma tarefa ao mesmo tempo antes que seus resultados sejam combinados. Um enxame de pesquisa de mercado, por exemplo, pode ter diferentes agentes investigando concorrentes, clientes e tendências do setor. A execução paralela pode encurtar um fluxo de trabalho quando as tarefas são genuinamente independentes e a sobrecarga de coordenação não supera o tempo economizado.
  
  
• Iterativo:  os agentes repetem ou refinam o trabalho com base nos resultados das etapas anteriores. Um agente pode produzir uma saída inicial, outro pode avaliá-la, e o trabalho pode retornar ao agente original para revisão. Esse padrão pode ser útil quando a qualidade de uma saída depende de avaliações e refinamentos repetidos.

• Centralizado ou liderado por gerente: um agente central ou camada de orquestração direciona o trabalho, atribui tarefas e coleta resultados de outros agentes. Essa estrutura pode fornecer um ponto claro de controle, mas o agente ou sistema de coordenação também pode se tornar uma dependência para o restante do fluxo de trabalho.
  
  
• Hierárquico: Os agentes são organizados em níveis, com os agentes de nível superior atribuindo tarefas aos agentes de nível inferior. Um coordenador pode dividir um objetivo maior em tarefas, enquanto outros agentes gerenciam grupos menores de agentes especializados. Estruturas hierárquicas podem ajudar a organizar fluxos de trabalho complexos, mas adicionam camadas adicionais de coordenação.
  
  
• Descentralizado ou ponto a ponto: os agentes se coordenam de forma mais direta, sem depender de um único agente para gerenciar cada interação. Os agentes podem responder às mensagens, ao estado compartilhado ou aos resultados de outros agentes e determinar suas próximas ações com base nas informações disponíveis para eles. Isso pode reduzir a dependência de um coordenador central, mas pode tornar a coordenação e o controle mais difíceis.

• Entregas: um agente transfere a responsabilidade de uma tarefa para outro agente quando um recurso ou função diferente é necessário. Por exemplo, um agente de triagem pode encaminhar uma solicitação para um agente especializado que possa lidar com ela. As entregas permitem que diferentes agentes assumam a responsabilidade por diferentes partes de um fluxo de trabalho.
  
  
• Supervisor-trabalhador:  um agente supervisor delega tarefas a agentes trabalhadores e avalia ou combina seus resultados. O supervisor pode determinar qual trabalho é necessário, atribuí-lo aos agentes apropriados e decidir o que acontece em seguida.
  
  
• Debate ou crítica: vários agentes examinam um problema ou uma saída existente de diferentes perspectivas. Um agente pode desafiar o raciocínio de outro ou identificar fraquezas em sua resposta. Isso pode ser útil quando expor discordâncias ou possíveis erros é mais valioso do que confiar em uma única resposta.
  
  
• Votação ou consenso: vários agentes produzem recomendações ou julgamentos que são, então, comparados para chegar a um resultado combinado. Essa abordagem pode ser útil quando o acordo independente é informativo, embora o acordo entre os agentes não garanta que o resultado esteja correto.
  
  
• Colaboração em estado compartilhado: os agentes trabalham a partir de uma representação compartilhada da tarefa, como um espaço de trabalho, memória ou outro estado compartilhado. Os agentes podem ler e atualizar as informações à medida que o fluxo de trabalho avança, em vez de passar cada resultado diretamente de um agente para outro. Isso pode apoiar a colaboração em fluxos de trabalho mais complexos, mas requer um gerenciamento cuidadoso do que os agentes de informações podem acessar e alterar.

Os frameworks podem implementar e combinar esses padrões de diferentes maneiras. O SDK do OpenAI Agents fornece ferramentas para criar agentes, gerenciar entregas e coordenar fluxos de trabalho multiagentes. O AutoGen fornece componentes para criar e coordenar aplicações multiagentes. O LangChain fornece ferramentas para a criação de aplicações em torno de modelos de linguagem e agentes, incluindo fluxos de trabalho multiagentes. Esses frameworks usam abordagens diferentes; portanto, os padrões que eles suportam não representam uma taxonomia de arquitetura universal.

Esses padrões não são mutuamente exclusivos. Um enxame pode usar uma estrutura de coordenação hierárquica para atribuir trabalho, executar tarefas independentes em paralelo e usar avaliações iterativas antes de produzir um resultado final. A arquitetura e os padrões de execução devem, portanto, ser entendidos como opções de projeto que podem ser combinadas de acordo com os requisitos do fluxo de trabalho.

Os enxames de agentes de IA podem oferecer benefícios quando um fluxo de trabalho se beneficia da coordenação entre vários agentes. O valor vem menos do número de agentes envolvidos e mais da eficácia com que seus recursos são combinados. Dependendo do caso de uso, os enxames podem melhorar a velocidade, a capacidade, a flexibilidade ou a qualidade das saídas. Para alguns fluxos de trabalho, um único agente pode continuar sendo a abordagem mais simples e eficaz.

• Adaptabilidade: um enxame pode se ajustar à medida que surgem novas informações. Os agentes podem responder às mudanças nas condições, revisar planos ou redirecionar o trabalho sem exigir que cada etapa seja predefinida. Isso é útil quando novas informações podem mudar o que precisa acontecer a seguir ou quando é difícil prever o trabalho desde o início.
  
  
• Execução delegada: partes rotineiras de um fluxo de trabalho podem prosseguir sem que uma pessoa direcione cada etapa individual, desde que os agentes tenham permissões e regras de coordenação claramente definidas. A avaliação humana pode permanecer obrigatória para ações confidenciais ou consequentes.
• Carga de trabalho distribuída: distribuir o trabalho entre vários agentes pode ajudar as organizações a lidar com volumes maiores de trabalho, facilitando a compatibilidade com fluxos de trabalho de alto volume ou que exigem muitos recursos. Esse benefício é relevante quando o trabalho independente pode ser distribuído entre vários agentes, inclusive por meio de escalonamento horizontal.
  
  
• Múltiplas perspectivas: agentes independentes podem abordar o mesmo problema de diferentes ângulos, gerando ideias, recomendações ou análises alternativas. Isso pode ajudar as equipes a comparar perspectivas, explorar opções, desafiar suposições e identificar problemas subjacentes que merecem uma investigação mais aprofundada. Em alguns fluxos de trabalho, a combinação dessas contribuições pode criar uma forma de inteligência coletiva com base em várias respostas independentes.
  
  
• Execução mais rápida: o trabalho paralelo pode reduzir o tempo decorrido, permitindo que tarefas independentes sejam executadas ao mesmo tempo.
  
  
• Melhor controle de qualidade: fazer com que os agentes examinem o mesmo problema ou avaliem as saídas uns dos outros pode revelar divergências e possíveis erros. Isso é mais útil quando essas discrepâncias seriam difíceis de identificar em uma única análise, mas não garante a correção, principalmente quando os agentes compartilham o mesmo modelo, dados ou suposições.
  
  
• Recursos especializados: diferentes partes de um fluxo de trabalho podem usar recursos adequados às suas necessidades específicas. Isso é útil quando um processo precisa de uma combinação de modelos, ferramentas ou ambientes de execução, como os modelos Claude da Anthropic e ferramentas de programação como o Claude Code.
  
  
• Flexibilidade do fluxo de trabalho: um fluxo de trabalho pode ser alterado modificando componentes individuais em vez de reprojetar todo o processo. Essa modularidade pode ser valiosa quando requisitos, ferramentas ou modelos provavelmente mudarão com o tempo.

Os enxames de agentes podem falhar de várias maneiras à medida que o trabalho se move entre os agentes. Um agente pode produzir um resultado incorreto ou incompleto. Outro agente pode se basear nesse resultado, ou diferentes agentes podem chegar a conclusões conflitantes.

Também surgem problemas quando os agentes recebem o contexto errado, perdem informações entre as etapas ou realizam ações não intencionais. Essas falhas podem tornar o comportamento do enxame mais difícil de solucionar problemas e controlar.

• Saídas conflitantes: agentes independentes podem chegar a conclusões diferentes ou produzir resultados incompatíveis. O enxame precisa de uma maneira de comparar as saídas e decidir como as divergências devem ser tratadas.
  
  
• Gerenciamento de contexto: à medida que os fluxos de trabalho se tornam mais complexos, decidir quais informações cada agente deve receber pode se tornar um desafio.
  
  
• Sobrecarga de coordenação: o sistema precisa gerenciar atribuições de tarefas, compartilhamento de informações e conflitos entre agentes. A coordenação pode se tornar mais difícil à medida que os fluxos de trabalho envolvem mais agentes e interações.
  
  
• Propagação de erros: um erro de um agente pode se tornar uma entrada para outro. Sem as verificações adequadas, um erro pode se mover pelo fluxo de trabalho e afetar o resultado final.
  
  
• Custos mais altos: executar vários agentes pode aumentar os custos do modelo e da computação, especialmente quando os agentes trocam grandes quantidades de informações, interagem com frequência ou repetem o trabalho.
  
  
• Depuração mais difícil: quando um enxame produz um resultado incorreto, a fonte pode ser um agente individual, uma interação entre agentes ou a forma como as informações foram passadas pelo fluxo de trabalho. Isso pode tornar os problemas mais difíceis de rastrear do que em um sistema de agente único.
  
  
• Segurança e acesso: diferentes agentes podem precisar de acesso a diferentes dados, ferramentas ou sistemas. Essas permissões precisam ser cuidadosamente controladas, principalmente quando os agentes podem agir sem instruções humanas diretas.
  
  
• Complexidade desnecessária: vários agentes não oferecem benefício para todas as tarefas. Para problemas mais simples, a coordenação e a infraestrutura extras podem adicionar complexidade sem fornecer valor suficiente para justificá-la.

Um enxame de agentes de IA pode ser útil quando dividir uma tarefa entre vários agentes oferece uma vantagem clara em relação a lidar com ela com um único agente ou outra abordagem. Para uma implementação mais complexa, uma prova de conceito (POC) pode ajudar a determinar se os benefícios justificam a coordenação, os recursos e a complexidade adicionais antes que um enxame seja mais amplamente implementado. Considere um enxame de agentes quando:

• O problema pode ser dividido em componentes significativos: diferentes partes do trabalho exigem atividades, decisões ou áreas de conhecimento especializado separadas.
  
  
• Partes do trabalho podem acontecer em paralelo: essa abordagem pode reduzir o tempo decorrido, mas as tarefas precisam ser genuinamente independentes, e o tempo economizado precisa superar a coordenação necessária.
  
  
• Nenhum agente único é adequado para toda a tarefas: o fluxo de trabalho se beneficia da combinação de diferentes recursos, ferramentas, modelos ou instruções. Agentes separados fazem mais sentido quando o objetivo é fornecer cada parte dos recursos de fluxo de trabalho adaptados às suas necessidades específicas.
  
  
• A escala do trabalho excede o que um agente pode gerenciar com eficiência: o volume ou a complexidade do trabalho é substancial o suficiente para ser dividido entre vários agentes. A distribuição se torna mais relevante quando um único agente tem dificuldades para lidar com cargas de trabalho grandes, contínuas ou com uso intenso de recursos.
  
  
• O fluxo de trabalho precisa se adaptar à medida que as condições mudam: os agentes podem precisar tomar decisões, responder a novas informações ou redirecionar dinamicamente o trabalho conforme o processo se desenrola. Um agente pode examinar a saída de outro agente, ou vários agentes podem resolver o mesmo problema de forma independente. Essa abordagem é mais relevante quando o processo completo é difícil de prever ou é vulnerável a mudanças nas condições externas. Também permite que os agentes comparem os resultados, o que pode revelar discordâncias ou possíveis erros que passariam despercebidos.
  
  
• A própria coordenação cria valor: o resultado depende não apenas da conclusão de tarefas, mas da combinação das contribuições de vários agentes (até mesmo de várias equipes) para produzir resultados mais úteis.

Um enxame pode não ser apropriado quando a tarefa é simples, quando cada etapa depende fortemente da anterior ou quando a coordenação adicional de vários agentes forneceria pouco benefício. Nessas situações, um agente único ou um fluxo de trabalho automatizado convencional pode ser mais simples, mais fácil de governar e menos caro de operar.