Resumo direto ao ponto dos 3 padrões de workflow para agentes de IA mais usados na prática e de quando escolher cada um, organizados pela Anthropic com base em experiência real de produção.
Mensagem principal
- Quanto mais agentes houver, mais importante se torna a estrutura (workflow)
- Padrão inadequado → latência↑, custo↑, confiabilidade↓
- Padrões não eliminam a autonomia, e sim definem o escopo da autonomia
1. Workflow sequencial (Sequential)
- Executa passo a passo, em ordem (A → B → C)
- Indicado: quando a dependência entre etapas é clara
Ex.: copy de marketing → tradução → revisão
extração de dados de documentos → validação de esquema → carga no DB - Vantagem: cada agente foca em uma única tarefa → precisão ↑
- Desvantagem: a espera aumenta a latência
- Dica: não vá para um fluxo multietapas automaticamente; teste bastante primeiro com um único agente
2. Workflow paralelo (Parallel)
- Distribui tarefas independentes para vários agentes ao mesmo tempo → depois reúne os resultados (fan-out → fan-in)
- Indicado: quando é preciso avaliar vários aspectos simultaneamente
Ex.: revisão de código (divisão por tipo de vulnerabilidade)
análise de documentos (tema, sentimento e checagem de fatos ao mesmo tempo)
avaliação de qualidade sob múltiplos ângulos - Vantagem: facilita separar interesses por equipe e permite otimização individual
- Desvantagem: muitas chamadas simultâneas de API aumentam o custo, e é obrigatório projetar a lógica de consolidação dos resultados (maioria? pesos? prioridade para especialistas?)
3. Workflow avaliador-otimizador (Evaluator-Optimizer)
- O agente gerador ↔ o agente avaliador trocam feedback de forma iterativa
- Geração → avaliação → correção → avaliação… (até atender ao critério de qualidade ou atingir o número máximo de iterações)
- Indicado: para tarefas em que a qualidade é extremamente importante
Ex.: geração automática de documentação de API
comunicação com clientes (tom de voz e conformidade com políticas)
escrita de consultas SQL sensíveis do ponto de vista de segurança - Vantagem: especializa geração e avaliação → entrega maior nível de qualidade
- Desvantagem: consome muito tempo e tokens → é obrigatório definir condições de parada (máximo de iterações + limite de qualidade)
Princípios de aplicação na prática (importante!)
- Comece pelo mais simples
Se um único agente basta → acabou
Se o sequencial resolve → acabou
Se o primeiro resultado atende ao critério → acabou - Faça upgrade só quando for necessário
- Os três padrões podem ser combinados (paralelo dentro de um sequencial, avaliadores paralelos dentro de um loop de avaliação etc.)
Ainda não há comentários.