Princípios de design para agentes de IA bem-sucedidos segundo a Anthropic [artigo traduzido]

> # TL;DR
>
> - Ao construir agentes LLM/IA,
> - o princípio básico deve ser sempre a simplicidade, adicionando complexidade apenas quando necessário
> - é preciso "entender profundamente e então adotar frameworks", além de combinar e testar padrões de workflow e agentes (chaining, routing, paralelização, evaluator-optimizer etc.) de acordo com o ambiente real e o objetivo, e projetar, documentar e testar ferramentas (APIs) com cuidado.

1. Princípios de design de agentes LLM bem-sucedidos

• Foco na simplicidade: implementações bem-sucedidas tendem fortemente a usar padrões simples e combináveis (compoundable), em vez de depender de frameworks complexos.
• Adicionar complexidade só quando necessário: é mais eficiente projetar a estrutura básica da forma mais simples possível e introduzir complexidade apenas quando for realmente indispensável.
• (Trecho original: "As implementações mais bem-sucedidas não dependiam de bibliotecas especiais nem de frameworks complexos... elas foram construídas com base em padrões simples, mas modulares e combináveis.")

2. Diferença conceitual entre workflows e agentes

• Workflows: o LLM e as ferramentas processam seguindo rotas predefinidas (caminhos de código).
• Agentes: o LLM gerencia dinamicamente as próprias tarefas e o uso de ferramentas por conta própria (o LLM é o tomador de decisão).
• (Trecho original: "Nos workflows, o LLM e as ferramentas são orquestrados de acordo com caminhos de código predefinidos... nos agentes, o LLM instrui dinamicamente seu próprio processo e a forma de usar ferramentas")

3. Critérios para decidir quando adotar agentes

• Métodos simples primeiro → complexidade gradual se necessário: comece com chamadas simples ao LLM, busca etc.; se isso não bastar, introduza gradualmente Workflows/Agents.
• Quando previsibilidade/consistência é importante → workflows são mais adequados
• Quando é necessária flexibilidade em larga escala e tomada de decisão guiada pelo modelo → agentes são mais adequados

4. Princípios para adoção de frameworks

• Há várias ferramentas/frameworks, como LangGraph, Bedrock, Rivet e Vellum,
• mas a recomendação é começar usando diretamente a API do LLM e adotar frameworks apenas quando necessário.
• Ao usar frameworks, é essencial entender profundamente seu funcionamento interno (a abstração pode dificultar a resolução de problemas).
• (Trecho original: "Recomendamos que os desenvolvedores comecem primeiro usando diretamente a API do LLM")

5. Workflows por padrão prático e exemplos

• LLM expandido (Augmented LLM): adição de recursos embutidos de extensão, como busca, conexão com ferramentas e memória (o design detalhado da interface e a documentação são importantes).
• Prompt chaining: dividir uma tarefa em várias chamadas ao LLM (etapas) para garantir clareza e precisão.
  • Ex.: geração de copy de marketing → tradução, rascunho de documento → revisão → redação
• Routing: classificar a entrada e então encaminhá-la para o processamento ou ferramenta adequada
  • Ex.: roteamento por tipo de atendimento ao cliente, encaminhar apenas perguntas difíceis para um modelo de alto desempenho
• Paralelização:
  • Sectioning: dividir o trabalho em várias subtarefas e processá-las ao mesmo tempo
  • Voting: tentar a mesma tarefa várias vezes para decidir o melhor resultado
  • Ex.: revisão de vulnerabilidades de código, automação de avaliação de LLMs
• Orchestrator-Workers: um agente mestre distribui e integra subtarefas.
  • Ex.: em tarefas complexas de programação, distribuir em tempo real apenas as partes necessárias; coleta e integração de vários dados
• Evaluator-Optimizer: um LLM gera a resposta, e outro LLM avalia essa resposta, fornece feedback e repete o processo de melhoria
  • Ex.: melhoria iterativa de resultados de tradução, coleta de informações complexas

6. Casos reais de aplicação na indústria

• Suporte ao cliente: integração de chatbot + ferramentas, automação de tarefas com dados do cliente/pedidos/reembolsos, com um critério claro de sucesso baseado em "resolução do problema". Há também referências corporativas com cobrança baseada em uso.
• Agentes de programação: iteração e melhoria com base em feedback de testes automáticos, comprovadas em benchmarks como SWE-bench. A área do problema e a qualidade do resultado podem ser medidas com clareza. Ainda assim, a revisão final sempre exige intervenção humana.

7. Dicas de engenharia de prompt para ferramentas (Apêndice 2)

• Recomenda-se um formato fácil para o LLM usar e alocação suficiente de tokens
• Descrever claramente a ferramenta (uso, exemplos, edge cases, definição de limites etc.)
• Testar ⇒ melhorar os padrões reais de uso do modelo (usando workbench etc.)
• Projetar no estilo poka-yoke para evitar até erros pequenos
• (Trecho original: "Uma boa definição de ferramenta deve incluir exemplos de uso, edge cases, requisitos de formato de entrada e limites claros em relação a outras ferramentas.")

8. Princípios centrais

• Manter a simplicidade (Keep it simple)
• A transparência do processo de planejamento do agente é essencial
• Documentação e testes claros de ferramentas e interfaces
• Frameworks ajudam na velocidade inicial, mas é recomendável minimizar abstrações e manter controle direto