Multi-agente: quando dividir tarefas entre vários robôs especialistas

Em 2024, frameworks como CrewAI, AutoGen (Microsoft) e LangGraph (LangChain) popularizaram uma ideia poderosa: em vez de um agente gigante que tenta fazer tudo, monte uma equipe de agentes especialistas que conversam entre si. A Anthropic chama isso de "orchestrator-workers pattern". Faz sentido — mas só quando faz.

Quando UM agente já resolve

A regra da Anthropic é cristalina: "comece com a solução mais simples possível, e só adicione complexidade quando demonstrar melhoria clara". Se sua tarefa cabe em um único prompt + 3 ferramentas, multi-agente é overengineering.

"Frameworks de agentes adicionam camadas de abstração que podem obscurecer o que realmente está acontecendo. Comece simples." — Anthropic, Building Effective Agents

Quando multi-agente brilha

1. Tarefas que envolvem conhecimentos muito diferentes (vendas, jurídico, técnico)
2. Fluxos com etapas paralelas independentes (pesquisa de 5 fontes ao mesmo tempo)
3. Necessidade de checks e balances (um agente gera, outro audita)
4. Volume alto o suficiente para justificar a complexidade adicional

3 arquiteturas que funcionam

1. Orchestrator + Workers (recomendada)

Um agente "gerente" recebe a tarefa, decide qual especialista chamar, delega, junta resultados. É como ter um diretor com uma equipe.

Exemplo no atendimento:

• Orchestrator lê a mensagem do cliente
• Se for sobre preço → chama Agente Vendas
• Se for sobre pedido → chama Agente Suporte
• Se for sobre agendamento → chama Agente Agendador

2. Sequential pipeline

Agentes em fila: A gera, passa pra B, que passa pra C. Bom para tarefas com etapas bem definidas (rascunho → revisão → publicação).

3. Hierarchical teams (CrewAI)

Manager-agent coordena sub-equipes. Útil em pesquisas complexas, mas custo dispara rápido.

O custo escondido do multi-agente

Cada "passada de bastão" entre agentes consome tokens — e os tokens incluem TODO o contexto anterior. Um fluxo com 4 agentes pode custar 5 a 10x mais tokens que um agente único. A Microsoft, em um paper sobre AutoGen (2023), reportou ganho de qualidade de 20-30% — com custo 4x maior. Faz a conta.

Armadilhas comuns

1. Loop infinito: agente A pede ajuda a B, que pede a A. Sempre coloque limite de iterações.
2. Contexto inflado: cada agente vê o histórico completo → custo explode. Use sumarização entre passos.
3. Conflito de personalidade: dois agentes "discutindo" sem chegar a lugar nenhum. Defina um decisor único.
4. Debugging infernal: quando algo dá errado, você não sabe qual agente errou. Log tudo.

Receita prática para começar

1. Comece com 1 agente. Meça qualidade.
2. Identifique onde ele falha consistentemente.
3. Adicione um 2º agente especialista só para aquela falha.
4. Use orchestrator simples (if/else, não outro LLM) para rotear.
5. Só evolua para multi-agente complexo quando o orchestrator simples não der conta.

O futuro: agentes A2A (Agent-to-Agent)

O Google lançou em 2024 o protocolo A2A, e a Anthropic o MCP (Model Context Protocol). Ambos padronizam como agentes de empresas diferentes conversam — em 2026, seu agente de vendas vai negociar direto com o agente de compras do cliente. O multi-agente saiu do laboratório.