Padrões de Arquitetura Multi-Agente

Arquiteturas multi-agente distribuem o trabalho entre múltiplas instâncias de modelos de linguagem, cada uma com sua própria janela de contexto. Quando bem projetada, essa distribuição permite capacidades além dos limites de um único agente. Quando mal projetada, introduz sobrecarga de coordenação que anula os benefícios. A percepção crítica é que sub-agentes existem principalmente para isolar o contexto, não para antropomorfizar a divisão de papéis.

Quando Usar

Ative esta habilidade quando:

• Limites de contexto de agente único restringem a complexidade da tarefa
• Tarefas se decompõem naturalmente em subtarefas paralelas
• Diferentes subtarefas exigem conjuntos de ferramentas ou prompts de sistema diferentes
• Construindo sistemas que devem lidar com múltiplos domínios simultaneamente
• Escalando capacidades de agente além dos limites de contexto único
• Projetando sistemas de agente de produção com múltiplos componentes especializados

Conceitos Principais

Sistemas multi-agente abordam limitações de contexto de agente único através da distribuição. Três padrões dominantes existem: supervisor/orquestrador para controle centralizado, peer-to-peer/swarm para transferências flexíveis e hierárquico para abstração em camadas. O princípio de design crítico é o isolamento de contexto — sub-agentes existem principalmente para particionar o contexto em vez de simular papéis organizacionais.

Sistemas multi-agente eficazes exigem protocolos de coordenação explícitos, mecanismos de consenso que evitam a siscofância e atenção cuidadosa aos modos de falha, incluindo gargalos, divergência e propagação de erros.

Tópicos Detalhados

Por Que Arquiteturas Multi-Agente

O Gargalo de Contexto Agentes únicos enfrentam tetos inerentes na capacidade de raciocínio, gerenciamento de contexto e coordenação de ferramentas. À medida que as tarefas se tornam mais complexas, as janelas de contexto se enchem com histórico acumulado, documentos recuperados e saídas de ferramentas. O desempenho degrada de acordo com padrões previsíveis: o efeito "perdido no meio", escassez de atenção e envenenamento de contexto.

Arquiteturas multi-agente abordam essas limitações particionando o trabalho entre múltiplas janelas de contexto. Cada agente opera em um contexto limpo focado em sua subtarefa. Os resultados são agregados em uma camada de coordenação sem que nenhum contexto único suporte todo o fardo.

A Realidade da Economia de Tokens Sistemas multi-agente consomem significativamente mais tokens do que abordagens de agente único. Dados de produção mostram:

Pesquisas sobre a avaliação BrowseComp descobriram que três fatores explicam 95% da variância de desempenho: uso de tokens (80% da variância), número de chamadas de ferramentas e escolha do modelo. Isso valida a abordagem multi-agente de distribuir o trabalho entre agentes com janelas de contexto separadas para adicionar capacidade de raciocínio paralelo.

Criticamente, atualizar para modelos melhores muitas vezes fornece ganhos de desempenho maiores do que dobrar os orçamentos de tokens. Claude Sonnet 4.5 mostrou ganhos maiores do que dobrar tokens em versões anteriores do Sonnet. O modo de pensamento do GPT-5.2, de forma semelhante, supera os aumentos brutos de tokens. Isso sugere que a seleção do modelo e a arquitetura multi-agente são estratégias complementares.

O Argumento da Paralelização Muitas tarefas contêm subtarefas paralelizáveis que um único agente deve executar sequencialmente. Uma tarefa de pesquisa pode exigir a busca em múltiplas fontes independentes, a análise de diferentes documentos ou a comparação de abordagens concorrentes. Um único agente processa isso sequencialmente, acumulando contexto a cada passo.

Arquiteturas multi-agente atribuem cada subtarefa a um agente dedicado com um contexto fresco. Todos os agentes trabalham simultaneamente e, em seguida, retornam os resultados a um coordenador. O tempo total no mundo real se aproxima da duração da subtarefa mais longa, em vez da soma de todas as subtarefas.

O Argumento da Especialização Diferentes tarefas se beneficiam de diferentes configurações de agente: diferentes prompts de sistema, diferentes conjuntos de ferramentas, diferentes estruturas de contexto. Um agente de propósito geral deve carregar todas as configurações possíveis em seu contexto. Agentes especializados carregam apenas o que precisam.

Arquiteturas multi-agente permitem a especialização sem explosão combinatória. O coordenador roteia para agentes especializados; cada agente opera com um contexto enxuto otimizado para seu domínio.

Padrões Arquitetônicos

Padrão 1: Supervisor/Orquestrador

…