De chatbot a sistema de decisão: quando usar uma arquitetura multiagente

Espectro de arquitetura

Comece pelo fluxo; adicione autonomia onde a incerteza exigir#

1. 01

   Fluxo determinístico

   Sequência conhecida, entradas tipadas, ramos explícitos e falha previsível.

2. 02

   Agente único

   Um contexto, várias ferramentas e escolha dinâmica dentro de uma tarefa limitada.

3. 03

   Sistema multiagente

   Contextos ou ferramentas especializados, ramos independentes, transferências e síntese explícitas.

Sinais positivos

Quatro razões para a especialização valer a pena#

A especialização ajuda quando um componente pesquisa, outro calcula, outro verifica política e um último sintetiza evidências. Também pode isolar ferramentas sensíveis ou paralelizar buscas independentes.

A fronteira precisa ser contratual: entrada, saída, acesso a ferramentas, limite de tempo, tentativas e responsável pela falha. “Deixe os agentes conversarem” não é arquitetura.

Padrões de coordenação

Escolha o padrão antes de escolher a ferramenta#

1. 01

   Cadeia de instruções

   Use uma sequência fixa quando cada etapa transforma e valida o resultado anterior.

2. 02

   Paralelismo com agregação

   Execute análises independentes em conjunto e agregue apenas evidências que atendam ao mesmo contrato.

3. 03

   Roteador e especialistas

   Classifique o pedido, envie-o a um especialista limitado e mantenha uma alternativa explícita.

4. 04

   Avaliador e otimizador

   Um componente propõe e outro critica com uma rubrica, sempre com limite rígido de iterações.

Padrão sanitizado de produto

Um sistema de análise conversacional é mais que chat#

Em um produto de análise conversacional em produção, um pedido pode exigir classificação de intenção, recuperação de dados, cálculo estatístico, comparação e explicação. A interface parece uma conversa, mas as responsabilidades por trás dela são diferentes.

O padrão útil não é a quantidade de agentes. É resolver cedo caminhos baratos ou determinísticos, preservar continuidade em perguntas seguintes e exigir que a resposta final carregue as evidências produzidas pelos especialistas.

Contenção de falha

Projete transferências para falhas parciais#

Cada agente adicional cria outro lugar para perder contexto, estourar o tempo ou produzir contradição. Dê ao orquestrador um prazo, um orçamento de novas tentativas e uma resposta degradada.

Rastreie cada transferência e resultado de ferramenta com identificadores estáveis. Se a resposta estiver errada, o time precisa separar roteamento ruim, evidência ruim, saída ruim do especialista e síntese ruim.

Experimento de arquitetura

Faça o desenho complexo superar uma referência simples#

Execute o mesmo conjunto representativo no fluxo tipado, na versão com agente único e no desenho multiagente. Compare primeiro conclusão da tarefa e falhas críticas; depois examine latência p95, custo por tarefa concluída, intervenção humana e proporção de execuções que terminam de forma degradada, mas útil.

Promova o desenho multiagente somente quando o ganho persistir em execuções repetidas e puder ser atribuído à especialização ou à contenção. Se a qualidade empatar enquanto latência, custo e diagnóstico pioram, o desenho simples é o resultado — não um protótipo que faltou superar.

from dataclasses import dataclass
import json

@dataclass(frozen=True)
class Request:
    intent: str
    question: str

def generalist(request: Request) -> dict:
    return {"path": ["generalist"], "answer": "baseline", "evidence": []}

def data_specialist(request: Request) -> dict:
    if "timeout" in request.question.lower():
        raise TimeoutError("data specialist timed out")
    return {
        "path": ["router", "data_specialist"],
        "answer": "compare two validated segments",
        "evidence": ["segment_a", "segment_b"],
    }

def route(request: Request) -> dict:
    if request.intent != "compare_segments":
        return generalist(request)
    try:
        return data_specialist(request)
    except TimeoutError:
        return {
            "path": ["router", "data_specialist", "safe_fallback"],
            "answer": "comparison unavailable",
            "evidence": [],
            "degraded": True,
        }

cases = [
    Request("small_talk", "hello"),
    Request("compare_segments", "compare the top two"),
    Request("compare_segments", "force timeout"),
]
print(json.dumps([route(case) for case in cases], indent=2))

[
  {
    "path": ["generalist"],
    "answer": "baseline",
    "evidence": []
  },
  {
    "path": ["router", "data_specialist"],
    "answer": "compare two validated segments",
    "evidence": ["segment_a", "segment_b"]
  },
  {
    "path": ["router", "data_specialist", "safe_fallback"],
    "answer": "comparison unavailable",
    "evidence": [],
    "degraded": true
  }
]

Regra de decisão

Pergunte o que a complexidade entrega#

• ✓Um fluxo tipado resolve a tarefa?
• ✓Um agente possui contexto e isolamento suficientes?
• ✓As responsabilidades são realmente diferentes?
• ✓Os ramos podem rodar independentes ou em paralelo?
• ✓Cada transferência é tipada e observável?
• ✓Cada especialista tem responsável pela falha?
• ✓O sistema degrada quando um ramo falha?
• ✓As avaliações compararão o desenho simples e o complexo?