Sistemas multiagentes explicados: como os agentes de IA trabalham juntos 

Desde o surgimento dos modelos de linguagem de grande porte (LLMs), os setores vêm explorando maneiras de otimizar processos de negócios. Entre os métodos que ganham espaço estão os sistemas multiagentes.

Os sistemas multiagentes permitem que as organizações automatizem workflows complexos usando um conjunto colaborativo de agentes de IA autônomos. Eles superam obstáculos que antes impediam as empresas de aproveitar totalmente os benefícios oferecidos pelos LLMs. 

Segundo uma pesquisa, os sistemas multiagentes representam 66,4% da participação de mercado da IA agêntica, destacando o crescimento dos negócios, a inovação e a produtividade à medida que essa arquitetura ganha espaço. 

Este guia explora os fundamentos dos sistemas multiagentes e por que eles são importantes. Além disso, detalhamos arquiteturas comuns, tipos de agentes de IA, desafios, benefícios e casos de uso, incluindo em IA de voz. 

Resumo

• Os sistemas multiagentes usam vários agentes de IA para executar tarefas complexas que um único agente não conseguiria realizar.
• Há sete tipos de agentes de IA que um sistema multiagente pode implementar, incluindo agentes reflexos simples, baseados em modelo e baseados em objetivos.
• Os agentes podem operar em uma arquitetura centralizada ou descentralizada. 
• Os principais benefícios dos sistemas multiagentes são a escalabilidade, o paralelismo e a especialização que a arquitetura proporciona.
• As organizações implementam sistemas multiagentes em diversos casos de uso, incluindo desenvolvimento de software, gestão de armazéns e distribuição de conteúdo. 
  

O que são sistemas multiagentes? 

Sistemas multiagentes são conjuntos de agentes de IA que trabalham em direção a objetivos coletivos para resolver problemas complexos que um único agente não consegue solucionar. 

Um agente de IA é uma aplicação autônoma baseada em modelos de linguagem de grande porte (LLMs), capaz de raciocinar, agir e se conectar a ferramentas externas. Embora um único agente de IA seja útil para tarefas bem definidas, ele tem dificuldade em lidar com tarefas imprevisíveis, extensas ou excessivamente complexas que abrangem vários domínios. 

Como funcionam os sistemas multiagentes 

Em uma arquitetura típica de sistema multiagente, um coordenador centralizado divide uma tarefa complexa em várias partes menores. Depois, atribui cada tarefa a agentes especializados implementados no ambiente compartilhado.

A comunicação é essencial para um sistema multiagente confiável e de alto desempenho. 

• Os agentes trocam dados entre si usando serviços proprietários de mensagens ou o protocolo A2A.
• Os agentes interagem com ferramentas externas usando APIs de terceiros e o Protocolo de Contexto de Modelo (MCP). 

Para concluir a tarefa, os agentes especializados compartilham informações, trocam mensagens e se aprimoram continuamente por meio das interações com usuários e o ambiente. 

Por que os sistemas multiagentes são importantes? 

Os sistemas multiagentes oferecem uma plataforma flexível e distribuída que amplia a janela de contexto de um LLM de agente único. Um único agente pode fazer inferências razoáveis em determinado domínio, mas forçá-lo a concluir um número substancial de tarefas em pouco tempo e com informações limitadas reduzirá sua precisão. 

Com sistemas multiagentes, você pode escalar a IA em diferentes casos de uso por meio do processamento paralelo, do controle de agentes especializados e de maior adaptabilidade.

Vamos considerar como exemplo um workflow de marketing de conteúdo. Um único agente de IA teria dificuldades para concluir a pesquisa de temas, a análise de público, a criação de conteúdo, a publicação e a geração de relatórios. Para isso, você precisaria intervir em diferentes etapas.

Já um sistema multiagente implementa agentes de IA dedicados, cada um com domínio de sua respectiva área de conhecimento, e os conecta às ferramentas necessárias para automatizar o workflow. 

Tipos de agentes de IA em sistemas multiagentes  

Existem sete tipos de agentes de IA, cada um com características próprias.

1. Agente reflexo simples

Um agente reflexo simples reage a entradas sensoriais com base em regras condicionais predefinidas. Quando recebe uma entrada, o agente produz uma saída, que pode ser uma ação, um texto, um áudio ou outro formato. Ele não retém nenhuma memória dos resultados ou do ambiente, o que significa que cada inferência começa do zero. 

2. Agente reflexo baseado em modelo

Um agente reflexo baseado em modelo tem consciência parcial do ambiente em que é implementado. Por meio de interações contínuas, o agente aprende como suas ações afetam o ambiente e usa essas informações para aprimorar as regras condicionais de inferência. 

No entanto, o agente não retém memória de suas inferências anteriores e, de certa forma, opera de modo bastante parecido com um agente reflexo simples. 

3. Agente baseado em objetivos

Um agente baseado em objetivos considera possíveis ações que o levarão a alcançar uma meta predeterminada. Em vez de agir com base em regras condicionais, o agente de IA usa algoritmos de busca e planejamento para prever resultados futuros de cada caminho mapeado. Depois, escolhe o caminho que considera mais provável de gerar resultados bem-sucedidos. 

4. Agente baseado em utilidade

Um agente baseado em utilidade é projetado para buscar um resultado que maximize a utilidade. No contexto dos agentes de IA, utilidade é o valor que você obtém do sistema. Quando implementado, o agente prevê diferentes caminhos que pode seguir e atribui um peso a cada um. Depois, considera os riscos e as recompensas potenciais antes de escolher a opção que oferece mais benefícios.

5. Agente de aprendizado

Um agente de aprendizado melhora continuamente seu desempenho com base em experiências anteriores e interações com o ambiente. Ao operar em um ciclo de feedback, o agente avalia seu desempenho segundo critérios específicos e refina seu comportamento para produzir resultados desejáveis. 

6. Agente hierárquico

Agentes hierárquicos são agentes de IA que operam por diferentes cadeias de comando entre agentes de alto e baixo nível. Os agentes de nível mais alto normalmente decompõem tarefas grandes em partes menores para os agentes de nível mais baixo. 

Enquanto isso, os agentes de baixo nível são responsáveis por implementações táticas, como ingerir dados de sensores e controlar a resposta de atuadores. Em uma configuração complexa, engenheiros de machine learning implementam agentes em várias camadas para sincronizar e distribuir melhor as tarefas. 

7. Agente colaborativo

Agentes colaborativos são agentes de IA que mantêm uma relação ponto a ponto entre si. Em vez de depender de um orquestrador central, cada agente compartilha informações, transfere o controle e trabalha de forma colaborativa para alcançar um objetivo comum. 

Arquiteturas comuns de sistemas multiagentes 

Embora os sistemas multiagentes melhorem a eficiência operacional, uma implementação bem-sucedida depende de escolher a arquitetura certa para o caso de uso. 

Veja uma comparação rápida entre diferentes arquiteturas de sistemas multiagentes. 

Vamos analisar cada arquitetura mais a fundo.

Centralizada

A arquitetura multiagente centralizada consiste em um único orquestrador central e vários agentes executores. Eles compartilham uma base de conhecimento comum, controlada pelo orquestrador. Ao receber uma tarefa, o orquestrador a divide em partes menores e especializadas e as atribui aos respectivos agentes. 

Por definição, uma arquitetura centralizada simplifica a execução. Você define objetivos, aplica políticas de segurança e supervisiona os agentes em um painel unificado. 

No entanto, o ponto único de controle do qual essa arquitetura depende também representa um risco operacional. Se o orquestrador falhar, todo o sistema falha, pois os agentes dependem dele para coordenar e compartilhar informações.

Use agentes múltiplos centralizados quando precisar proteger e propagar mudanças facilmente em ambientes de produção. 

Descentralizada

Uma rede descentralizada de agentes distribui igualmente o raciocínio, a comunicação e a ação entre todos os agentes do sistema. Ela se baseia em uma hierarquia plana, em que nenhum agente tem autoridade superior aos demais. Cada agente é uma entidade autônoma. Isso torna a arquitetura descentralizada robusta, favorável à privacidade e menos propensa a falhas. 

Diferentemente de uma rede multiagente centralizada, uma arquitetura descentralizada continua operando mesmo se um único agente falhar. Por meio de mecanismos de consenso ou compartilhamento de tarefas, outros agentes podem assumir a função do agente com problema. A desvantagem dessa arquitetura é a complexidade de distribuir mensagens e proteger as comunicações em malhas de comunicação complexas. 

Use uma arquitetura de agentes descentralizada se quiser um sistema de IA escalável e tolerante a falhas, como edge computing.

Hierárquica 

A arquitetura hierárquica consiste em agentes de IA que operam em camadas de uma cadeia de comando. Pense nela como o organograma de uma empresa, com chefes de departamento, gerentes intermediários e executivos de operações supervisionando diferentes partes da mesma campanha. Um agente de IA na camada superior planeja, um agente na camada intermediária coordena e os agentes das camadas inferiores implementam em um nível detalhado.  

Uma hierarquia clara possibilita governança e uma trilha de auditoria. Você rastreia decisões entre agentes em diferentes camadas. No entanto, pilhas de agentes acrescentam sobrecarga e podem causar latência perceptível em aplicações em tempo real.

Use uma arquitetura de IA hierárquica quando precisar de um sistema multiagente escalável que abranja vários domínios, como a gestão da cadeia de suprimentos. 

Sequencial 

Sistemas de agentes sequenciais operam passando os resultados de um agente de IA para outro em um padrão rígido. Por exemplo, o Agente A transfere para o Agente B, que transfere para o Agente C. Em uma arquitetura sequencial, cada etapa depende diretamente do resultado anterior, o que a torna adequada para workflows previsíveis. 

A previsibilidade é um grande ponto forte da IA sequencial. Ela permite rastrear erros facilmente e ajustar o agente afetado. No entanto, um pipeline sequencial perde velocidade porque os agentes posteriores não podem iniciar inferências nem operar em paralelo. 

Use agentes sequenciais quando dependências rígidas forem essenciais, como em uma triagem médica que leva a um diagnóstico. 

Principais benefícios dos sistemas multiagentes 

As equipes de operações implementam sistemas multiagentes devido aos seus benefícios comprovados. 

Veja alguns benefícios do uso de sistemas multiagentes:

• Especialização flexível
• Paralelismo aprimorado
• Melhor isolamento de falhas
• Maior escalabilidade

Vamos detalhar cada um deles.

Especialização

Em vez de atribuir uma ampla variedade de tarefas a um único agente, um sistema multiagente as atribui a agentes de IA projetados especificamente para executá-las. Isso permite que a equipe de operações desenvolva um sistema de agentes que reproduza de perto seus workflows.

Por exemplo, você usa um agente de web scraping para obter dados de produtos, um agente de análise para prever tendências de mercado e um agente de e-commerce para atualizar o preço. 

Paralelismo

Vários agentes de IA são executados simultaneamente para acelerar o resultado. Em vez de percorrer uma série de agentes, você delega tarefas independentes a diferentes agentes autônomos. Depois que eles concluem a inferência, você consolida os resultados para análise posterior. 

Por exemplo, as equipes de sucesso do cliente acionam agentes simultaneamente para recuperar dados de clientes, compilar transações anteriores e trazer à tona conversas históricas. 

Isolamento de falhas

Uma falha não necessariamente interrompe todo o sistema em um sistema multiagente. Quando um agente falha, você o corrige ou isola para evitar que afete os workflows agênticos subsequentes. Isso torna os sistemas multiagentes atraentes para aplicações críticas, que têm baixa tolerância a interrupções operacionais.

Por exemplo, robôs agênticos de armazenagem assumem as operações de um robô que falhou. 

Escalabilidade

Os sistemas multiagentes escalam facilmente quando a carga de trabalho aumenta. Em vez de reprojetar a arquitetura do zero, você adiciona mais agentes para melhorar a eficiência. Graças ao ambiente compartilhado, todos os agentes acessam o mesmo contexto, o que ajuda os agentes adicionais a fazer inferências com mais precisão. 

Por exemplo, uma startup implementa um workflow de marketing multiagente para gerenciar leads recebidos. Quando os agentes encontram um gargalo, ela adiciona mais agentes de IA à mesma plataforma. 

Desafios e limitações dos sistemas multiagentes 

Apesar dos benefícios que os sistemas multiagentes oferecem, diversos desafios ainda complicam sua implementação.

• Sobrecarga de coordenação: Os agentes precisam transmitir o contexto com precisão para garantir que alcancem os resultados desejados de forma consistente. Em uma arquitetura complexa, especialmente com centenas de agentes, a troca confiável de mensagens é difícil. Isso pode causar desvio de contexto, que exige coordenação rigorosa para ser mitigado. 
• Erro cumulativo: Os LLMs, que são a base dos agentes de IA, podem cometer erros. Qualquer imprecisão que passe por um agente será propagada para o próximo. Como consequência, as equipes podem observar variações significativas no resultado final, afetando os resultados operacionais. 
• Multiplicação de custos: Executar agentes de IA pode ser caro, sobretudo em processos complexos. Cada chamada de API a um provedor de LLM consome tokens, que podem resultar em custos substanciais. 
• Opacidade na depuração: Solucionar problemas em um sistema multiagente é desafiador. Quando vários agentes participam da produção de um resultado, encontrar a causa raiz exige mais esforço. Mesmo que você consiga rastrear a falha até um agente, reproduzir o sintoma é extremamente difícil devido à natureza probabilística dos LLMs.

Exemplos reais de sistemas multiagentes 

Os sistemas multiagentes foram além da inovação interna e passaram a solucionar desafios operacionais no mundo real.

A seguir, alguns exemplos de como os sistemas multiagentes melhoraram workflows reais. 

Woven by Toyota usa sistemas multiagentes para correções automatizadas de código

A Woven by Toyota é uma empresa moderna de mobilidade que oferece soluções de direção autônoma. O software que desenvolve precisa estar em conformidade com a MISRA, uma norma de codificação para a indústria automotiva. No entanto, cumprir a MISRA não é fácil, pois os engenheiros precisam validar seu código em relação a centenas de páginas de normas. 

Por isso, a Woven by Toyota desenvolveu um sistema multiagente para melhorar a segurança do código em escala. O sistema consiste em agentes Reviewer, Coder e Evaluator. Tanto o Reviewer quanto o Coder iteram sobre o código-fonte para encontrar e corrigir problemas de codificação. Depois, o Evaluator realiza uma verificação final e inclui a justificativa de seu veredito. 

Como resultado, a equipe de engenharia conseguiu corrigir 81,5% dos erros de conformidade com a MISRA usando o sistema multiagente.

PGA TOUR usa IA agêntica para pesquisa de mídia e produção de conteúdo 

O PGA TOUR realiza prestigiados torneios de golfe e conta com uma grande base de fãs. No entanto, tem dificuldade em produzir conteúdo que cubra adequadamente seus jogadores e distribuí-lo para ganhar visibilidade. Com centenas de jogadores em campo, a organização queria reduzir o tempo entre a criação e a publicação de conteúdo.

Ao implementar vários agentes de IA, cada um com uma função distinta, a equipe editorial cria conteúdo alinhado ao estilo da marca PGA TOUR. Quando o sistema recebe uma solicitação de conteúdo, um agente de dados realiza a pesquisa antes de passar o resultado ao agente editor. Em seguida, um agente redator e um agente de imagem criam o rascunho que, após revisão, é enviado a um agente de publicação. 

Após a implementação, o PGA TOUR aumentou sua produção de conteúdo para mais de 1.200 conteúdos por semana. Mais importante ainda, reduziu os custos em 95%.

CUADRA usa um sistema multiagente para aprimorar o suporte ao cliente

A CUADRA é uma marca mexicana premium de varejo que atende clientes em vários canais, incluindo redes sociais, site e telefone. A empresa sabe que os clientes preferem respostas ágeis e personalizadas, mas enfrenta desafios durante as temporadas de pico.

Em vez de depender exclusivamente de equipes humanas de atendimento ao cliente, a CUADRA criou um sistema multiagente para filtrar solicitações recebidas e escaloná-las conforme necessário. No centro do sistema está um orquestrador que coordena vários agentes especializados em recomendações de produtos, histórico de pedidos e interações com clientes. 

Os agentes foram um sucesso para a CUADRA, com os clientes avaliando as respostas recebidas em 95,5%, contra 57% quando o atendimento era realizado inteiramente por humanos. 

Synergy Logistics implementa múltiplos agentes para operações de armazém

As operações de armazém dependem do tempo. Por exemplo, operadores humanos podem perder prazos de envio ou correr o risco de falta de estoque, o que gera custos para as empresas. A Synergy Logistics é uma fornecedora líder de soluções de gestão de armazéns. Ela tomou a iniciativa de ajudar os operadores a melhorar a eficiência e reduzir descuidos na gestão de estoque usando sistemas multiagentes.

A fornecedora de soluções para armazéns criou um sistema centralizado de IA agêntica para prever movimentações de estoque e trazer clareza às operações do armazém. Um agente orquestrador atua como coordenador, delegando tarefas a agentes de estoque em risco, priorização de tarefas e previsão de falta de estoque. Esses agentes usam dados do WMS para fazer inferências e fornecer recomendações. 

Juntos, esses agentes conseguiram lidar com até 75% das cargas de trabalho realizadas pelos operadores. 

Sistemas multiagentes em IA de voz  

A IA de voz é uma tecnologia que escuta as pessoas, entende intenções e responde com vozes semelhantes às humanas. Você pode criar um sistema multiagente de IA de voz para possibilitar interações verbais mais inteligentes, escaláveis e eficientes, com mínima intervenção humana.

Por exemplo, você usa um sistema telefônico com IA para ampliar sua equipe de suporte ao cliente. Um sistema telefônico com IA, diferentemente de um sistema tradicional de resposta de voz interativa, sintetiza fala em tempo real em vez de usar uma biblioteca de áudios pré-gravados. Os clientes recebem a resposta que desejam sem esperar minutos para serem atendidos. 

No entanto, criar um sistema telefônico com IA exige a colaboração entre vários agentes. No workflow de agentes, um agente de triagem filtra as solicitações iniciais dos clientes, recupera os dados necessários e transfere a chamada para outro agente. O mecanismo de transferência de agente transmite o contexto e o histórico do chat, para que as conversas permaneçam fluidas e compreensíveis. 

Comece a usar o ElevenAgents para uma colaboração fluida entre agentes de IA 

ElevenAgents permite projetar, testar e implementar sistemas multiagentes de voz e chat em uma única plataforma. Aplique proteções de segurança, acompanhe o desempenho do chatbot e revise transcrições para melhorar conversas, seja internamente ou em canais voltados ao cliente. 

Saiba mais sobre sistemas multiagentes no ElevenAgents ou cadastre-se hoje para começar a criar agentes para seus workflows.

FAQ: Entenda os sistemas multiagentes