O que é arquitetura agêntica?

A arquitetura agêntica refere-se à estrutura e ao design de frameworks de inteligência artificial (IA) agêntica. Uma arquitetura agêntica é aquela que molda o espaço virtual e a estrutura dos fluxos de trabalho para automatizar os modelos de IA dentro de um sistema de IA agêntica.

IA agêntica é um sistema ou programa que utiliza agentes de IA para realizar tarefas de forma autônoma em nome de um usuário ou outro sistema. A arquitetura agêntica trabalha para suportar e regular o comportamento de agentes impulsionados por IA que trabalham dentro de um sistema de IA generativa (IA gen). Os sistemas de IA agêntica exigem que seus agentes sejam adaptáveis e naveguem em ambientes dinâmicos para alcançar os resultados desejados.

O modelo não é tão diferente da psicologia humana — a capacidade de agir refere-se à capacidade de fazer algo acontecer intencionalmente com base nas próprias ações.¹ Para alcançar os resultados desejados, é preciso usar planejamento, ação, memória e reflexão. Essas características se alinham com as dos agentes de IA modernos, que são usados em frameworks de agente único e multiagentes.
 
Os avanços nos algoritmos de aprendizado de máquina (ML) e nos grandes modelos de linguagem (LLMs), como o GPT da OpenAI, impulsionaram o desenvolvimento dos agentes de IA. O objetivo da arquitetura agêntica é fornecer uma estrutura para que um LLM automatize os agentes para concluir tarefas complexas.

O comportamento autônomo ou de tomada de decisão de um agente de IA depende da infraestrutura que o habilita. A arquitetura agêntica foi desenvolvida para se adaptar a ambientes dinâmicos, aprimorando a interoperabilidade.

Por exemplo, os agentes podem interagir com diversas fontes e formatos de dados, interfaces de programação de aplicativos (APIs) ou sistemas. Esse comportamento adaptável permite que os agentes tomem decisões informadas.

A arquitetura da IA agêntica deve ser composta por componentes que lidam com os fatores centrais de uma agência: intencionalidade (planejamento), premeditação, autorreatividade e autorreflexão.² Esses fatores proporcionam autonomia aos agentes de IA para que possam definir objetivos, planejar, monitorar seu desempenho e refletir para alcançar seu objetivo específico.
 
A tecnologia agêntica usa chamadas de ferramentas de back-end para reunir informações atualizadas, realizar a otimização de fluxos de trabalho complexos e gerar tarefas automaticamente para atingir objetivos complexos.

Enquanto opera, o agente autônomo se adapta às preferências do usuário ao longo do tempo, oferecendo uma experiência mais personalizada e apresentando respostas mais detalhadas. Esse processo de chamada de ferramentas pode ser executado sem a entrada humana, liberando possibilidades mais amplas de aplicações da IA no mundo real.

As arquiteturas agênticas são compatíveis com o comportamento agêntico dentro dos agentes de IA. Agentes de IA são sistemas adaptáveis orientados por modelos de aprendizado de máquina que podem interagir com ambientes externos e usar ferramentas para completar objetivos específicos. Nem todos os agentes de IA são agênticos. Isso depende da complexidade e dos recursos do framework ou do sistema de orquestração.

A arquitetura agêntica permite que agentes de IA atuem com um grau de autonomia e tomem decisões baseadas em objetivos sem a necessidade constante de entradas humanos.³ Agentes de IA autônomos exigem pouca ou nenhuma intervenção humana para realizar suas tarefas específicas.

Em arquiteturas não agênticas, os LLMs são capazes de tarefas singulares ou lineares.⁴ A função do modelo de IA em uma arquitetura não agêntica é fornecer saídas com base na entrada e no contexto.

Sem orquestração explícita, os LLMs não podem reter novas informações em tempo real e, muitas, vezes enfrentam problemas complexos devido ao seu contexto limitado. Por exemplo, algumas aplicações comuns de IA que não exigem fluxos de trabalho agênticos complexos incluem análise semântica, chatbots e geração de texto.

A arquitetura ideal de agentes depende dos requisitos da aplicação e do caso de uso. Os sistemas de agente único são excelentes para lidar com problemas focados e específicos, atuando essencialmente como solucionadores de problemas individuais.

No entanto, alguns desafios podem exigir o conhecimento especializaod único de um agente especializado, enquanto outros podem se beneficiar de uma abordagem colaborativa envolvendo vários agentes trabalhando juntos como uma equipe.

A tabela fornece uma comparação clara de diferentes tipos de sistema de arquitetura de agentes de IA: vertical, horizontal e híbrida. Ela destaca suas estruturas, características principais, pontos fortes, pontos fracos e melhores caso de uso para ajudar a determinar a abordagem mais adequada para várias tarefas. 

Arquiteturas de agente único

Uma arquitetura de agente único apresenta uma única entidade autônoma que toma decisões centralizadas em um ambiente.

• Estrutura
  
  
  • Uma arquitetura de agente único é um sistema em que um único agente de IA opera de forma independente para perceber o ambiente, tomar decisões e realizar ações para atingir um objetivo.
    
    
• Características principais
  
  
  • Autonomia: o agente opera de forma independente, sem exigir interação com outros agentes.
     
• Pontos fortes
  
  
  • Simplicidade: mais fácil de projetar, desenvolver e implementar em comparação com sistemas multiagentes. Exige menos recursos porque não precisa gerenciar vários agentes ou protocolos de comunicação.
  • Previsibilidade: mais fácil de depurar e monitorar porque o agente opera de forma independente.
  • Velocidade: não há necessidade de negociação ou construção de consenso entre vários agentes.
  • Custo: mais barato para manter e atualizar em comparação com arquiteturas complexas multiagentes. Menos desafios de integração quando implementado em aplicações empresariais.
     
• Pontos fracos
  
  
  • Escalabilidade limitada: um único agente pode se tornar um gargalo ao lidar com tarefas complexas ou de alto volume.
  • Rigidez: enfrenta dificuldades com tarefas que exigem fluxos de trabalho multietapas ou coordenação entre diferentes domínios.
  • Estreito: normalmente projetado para uma função ou domínio específico.
     
• Melhores casos de uso
  
  
  • Chatbots simples: os chatbots podem operar de forma independente, não exigem coordenação com outros agentes e têm um bom desempenho em interações de usuário estruturadas e autocontidas.
  • Sistemas de recomendação: recomendações de conteúdo personalizadas, como as experimentadas em serviços de streaming, são simples o suficiente para uma arquitetura de agente único.

Arquiteturas multiagentes

As arquiteturas multiagentes vão além dos recursos de IA das configurações tradicionais de agente único, trazendo vários benefícios exclusivos. Cada agente é especializado em um domínio específico (como análise de desempenho, prevenção de lesões ou pesquisa de mercado), enquanto colabora sem dificuldades para resolver problemas complexos.

Os agentes adaptam suas funções com base na evolução das tarefas, ajudando a garantir flexibilidade e capacidade de resposta em cenários dinâmicos.

Os sistemas multiagentes são mais flexíveis. Um agente pode usar processamento de linguagem natural (NLP), outro pode se especializar em computer vision. Um agente pode usar a geração aumentada de recuperação (RAG) para extrair de conjuntos de dados externos.

Há muitos provedores de frameworks multiagentes, como o CrewAI, um framework multiagentes baseado em Python, que opera com base no LangChain. Outra solução de IA é o DeepWisdom, que oferece o MetaGPT, um framework que usa um fluxo de trabalho estruturado guiado por procedimentos operacionais padrão.

Arquiteturas de IA verticais

• Estrutura
  
  
  • Em uma arquitetura vertical, um agente líder supervisiona subtarefas e decisões, com os agentes se reportando para controle centralizado.⁵ Agente de IA hierárquicos conhecem sua função e se reportam ou supervisionam devidamente outros agentes.
     
• Características principais
  
  
  • Hierarquia: as funções são claramente definidas.
  • Comunicação centralizada: os agentes se reportam ao líder.
     
• Pontos fortes
  
  
  • Eficiência de tarefas: ideal para fluxos de trabalho sequenciais.
  • Responsabilidade clara: o líder alinha o objetivo.

• Pontos fracos

  • Gargalos: a dependência do líder pode retardar o progresso.

  • Ponto único de falha: vulnerabilidade a problemas de liderança.

• Melhores casos de uso

  • Automação de fluxos de trabalho: aprovações multietapas.

  • Document generation: seções supervisionadas por um líder.

Arquiteturas de IA horizontais

• Estrutura

  • Modelo de colaboração entre pares: os agentes trabalham como iguais em um sistema descentralizado, colaborando livremente para a resolução de tarefas.⁶

• Características principais

  • Colaboração distribuída: todos os agentes compartilham recursos e ideias.

  • Decisões descentralizadas: tomada de decisão orientada por grupo para autonomia colaborativa.

• Pontos fortes

  • Solução dinâmica de problemas: promove a inovação.

  • Processamento paralelo: os agentes trabalham em tarefas simultaneamente.

• Pontos fracos

  • Desafios de coordenação: a má gestão pode causar ineficiências.

  • Decisões mais lentas: muita deliberação.

• Melhores casos de uso

  • Brainstorming: geração de ideias diversas.

  • Solução de problemas complexos: enfrentamento de desafios interdisciplinares.

Arquiteturas de IA híbridas

• Estrutura

  • Combina liderança estruturada com flexibilidade colaborativa; a liderança muda com base nos requisitos das tarefas.

• Características principais

  • Liderança dinâmica: a liderança se adapta à fase da tarefa.

  • Liderança colaborativa: os líderes interagem abertamente com seus colegas.

• Pontos fortes

  • Versatilidade: combina os pontos fortes de ambos os modelos.

  • Adaptabilidade: lida com tarefas que exigem estrutura e criatividade.

• Pontos fracos

  • Complexidade: o equilíbrio de funções de liderança e colaboração requer mecanismos robustos.

  • Gerenciamento de recursos: mais exigente.

• Melhores casos de uso

  • Tarefas versáteis: planejamento estratégico ou projetos de equipe.

  • Processos dinâmicos: equilíbrio de demandas estruturadas e criativas.

Frameworks agênticos referem-se a frameworks ou modelos de design que definem como os agentes (sejam eles artificiais ou naturais) podem realizar tarefas, tomar decisões e interagir com o ambiente de maneira autônoma e inteligente. Esses frameworks fornecem a estrutura e as diretrizes de como os agentes operam, raciocinam e se adaptam em diversos ambientes.

Arquiteturas reativas

Arquiteturas reativas mapeiam situações diretamente em ações. São reflexivas, tomando decisões com base em estímulos imediatos do ambiente, em vez de recorrer à memória ou a recursos preditivos. Não podem aprender com o passado ou se planejar para o futuro. 

Arquiteturas deliberativas

Uma arquitetura deliberativa é um sistema de IA que toma decisões com base em raciocínio, planejamento e modelos internos do mundo. Ao contrário dos agentes reativos, os agentes deliberativos analisam seu ambiente, preveem resultados futuros e fazem escolhas informadas antes de agir.

Arquiteturas cognitivas

Uma arquitetura agêntica cognitiva é um sistema de IA avançado que imita o pensamento, o raciocínio, o aprendizado e a tomada de decisão semelhantes aos seres humanos.

Esses agentes incorporam elementos de percepção, memória, raciocínio e adaptação, cada um representado por módulos individuais, permitindo que operem em ambientes complexos e incertos e, ao mesmo tempo, melhorem com o tempo. Esse é o tipo mais avançado de arquitetura agêntica.

Uma arquitetura BDI (mais comumente chamada de modelo ou framework) é projetada para modelar a tomada de decisão racional em agentes inteligentes e é baseada no framework crença-desejo-intenção (BDI).

Esta arquitetura modela o raciocínio semelhante ao humano em um agente de BDI, com:

• Crenças (B): o conhecimento do agente sobre o mundo, que pode incluir sua compreensão do ambiente, da situação atual e de quaisquer dados sensoriais.

Exemplo: "A porta está fechada."

• Desejos (D): as metas ou objetivos do agente, representando o que ele quer alcançar. Os desejos não são necessariamente ações, mas metas de alto nível.

Exemplo: "Quero entrar na sala."

• Intenções (I): o curso de ação com o qual o agente se compromete a alcançar seus desejos. As intenções representam ações planejadas que o agente está buscando ativamente, considerando suas crenças e desejos.

Exemplo: "Vou abrir a porta para entrar na sala."