TAG
19 textos
Sem um mecanismo explícito de parada, um ciclo de agentes revisando e corrigindo a resposta um do outro pode continuar rodando indefinidamente, sem nenhum limite natural que faça isso parar sozinho.
Compartilhar estado entre agentes pode significar um objeto único que todos leem e escrevem, mensagens trocadas diretamente entre eles, ou um quadro comum onde cada um publica o que descobriu, cada mo …
Human-in-the-loop introduz um ponto de pausa deliberado em fluxos automatizados, reservado para ações críticas ou irreversíveis que um agente não deveria decidir sozinho.
Um agente com dezenas de ferramentas e vários agentes especializados resolvem o mesmo tipo de problema de formas diferentes, com custos distintos em precisão de escolha de ferramenta e manutenção.
Nem toda informação de uma conversa merece virar memória permanente: a diferença está em decidir o que sobrevive à sessão e o que só existia ali por um motivo pontual.
Mudar um prompt e testar na mão umas cinco perguntas antes de subir para produção não prova nada sobre os outros cem casos que ninguém olhou. Regressão automatizada existe para isso.
Rastrear chamada de modelo, tokens consumidos e ferramenta acionada é o que separa depurar um agente de tentar adivinhar por que ele respondeu daquele jeito à uma da manhã.
Supervisor, Router e Workers é uma arquitetura clássica para sistemas multi-agente: o Router encaminha, os Workers executam e o Supervisor avalia se a entrega realmente resolveu o problema.
Orquestrar agentes de IA pode ser determinístico, com código definindo cada etapa, ou dinâmico, com um agente principal decidindo o próximo passo. A escolha muda tudo na hora de depurar.
Adicionar mais agentes a um fluxo de IA não melhora o resultado por padrão. Às vezes só multiplica erro, custo e a chance de dois agentes discordarem sem resolver nada.
Arquitetura multi-agente separa responsabilidades entre agentes especializados, mas isso custa em tokens, latência de coordenação e dificuldade de rastrear o que aconteceu.
LLM é o modelo, chatbot é a interface de conversa construída em cima dele e agente é outra coisa: um sistema com ciclo de decisão, ferramentas e autonomia delimitada.
Testar uma Skill antes de confiar nela passa por avaliação com casos reais, verificação de saída estruturada e cenários de regressão, não só por ler o arquivo e achar que faz sentido.
Granularidade no design de Skills troca precisão de acionamento por menos itens para manter, e não existe resposta única sobre qual lado desse trade-off vale mais.
Uma Skill bem projetada combina quatro componentes distintos: definição de papel, contexto relevante, autorização de ferramentas e fronteiras de segurança.
Construir uma Skill do zero passa por decisões pequenas, mas nada óbvias: definir escopo, escrever a descrição certa e decidir o que fica dentro do SKILL.md.
Uma Skill empacota instruções, contexto e recursos que um agente de IA carrega sob demanda, o que muda bastante como ela se compara a um prompt solto.
Prompt Chaining divide uma tarefa complexa em etapas sequenciais, onde a saída de um prompt vira entrada do próximo, em vez de apostar tudo numa única chamada.
Testei cinco agentes de IA diferentes na mesma tarefa de trabalho e descobri que o problema nunca foi falta de ferramenta. Fui eu não ter perguntado antes se precisava de uma.