Sistemas Multi-Agentes vs. Workflows de IA: Escolhendo a Arquitetura Certa

No post anterior, exploramos quando sistemas multi-agentes fazem sentido—e quando não fazem. O argumento central foi simples: a complexidade deve ser justificada pelo problema. A maioria das aplicações de LLM não precisa de múltiplos agentes autônomos, e buscar essa arquitetura prematuramente cria pesadelos de debug, modos de falha multiplicados e latência desnecessária. Comece simples. Adicione complexidade apenas quando abordagens mais simples atingirem limites concretos.

Mas há uma questão que o post anterior deixou em aberto: mesmo quando você decide que precisa de mais do que uma única chamada de LLM, ainda enfrenta uma escolha arquitetural crítica. Você está construindo um sistema multi-agentes ou um workflow de IA? A distinção importa mais do que a maioria dos engenheiros percebe, e errar leva a uma engenharia excessiva e frágil ou a uma capacidade frustrante de menos.

Este post explora essa fronteira.

Definindo os Termos Claramente

Antes de navegar pela escolha, precisamos de definições compartilhadas. Esses termos são usados de forma vaga, então vamos ser precisos.

Workflow de IA

Um workflow de IA é um pipeline estruturado onde chamadas de LLM são etapas em uma sequência predefinida. O fluxo de controle é explícito e projetado—você, o desenvolvedor, decide o que acontece em seguida. O LLM fornece inteligência em etapas específicas, mas a lógica de orquestração vive no seu código.

Exemplos incluem:

• Pipelines de sumarização: Documento → dividir em chunks → resumir cada chunk → combinar resumos
• Pipelines RAG: Consulta → recuperar documentos → aumentar o prompt → gerar resposta
• Cadeias de classificação-então-ação: Entrada → classificar intenção → rotear para o handler apropriado → executar

Em workflows, o LLM é uma ferramenta poderosa, mas não está tomando decisões sobre o que fazer em seguida. Seu código é.

Sistema Multi-Agentes

Um sistema multi-agentes é uma arquitetura dinâmica onde agentes autônomos tomam decisões sobre o fluxo de controle, delegam tarefas a outros agentes e operam com um grau de independência. A orquestração emerge do comportamento dos agentes, não da lógica hardcoded.

Características principais:

• Agentes decidem quais ferramentas chamar e quando
• Agentes podem criar ou delegar para outros agentes
• O caminho de execução não é totalmente determinado em tempo de design
• Agentes podem iterar, tentar novamente ou explorar com base em resultados intermediários

O LLM não está apenas fornecendo inteligência—está controlando o processo.

Os Fatores Distintivos Principais

Três perguntas separam workflows de sistemas multi-agentes:

1. Quem controla o fluxo? Em workflows, o engenheiro define o caminho. Em sistemas multi-agentes, os agentes decidem dinamicamente.

2. Qual é o grau de autonomia? Workflows executam etapas predeterminadas. Agentes tomam decisões reais—incluindo quando parar, tentar novamente ou tentar algo diferente.

3. Como lida com entradas inesperadas? Workflows podem falhar ou produzir saídas ruins em casos extremos. Agentes podem se adaptar, raciocinar sobre a situação e mudar de estratégia.

A pesquisa da Anthropic coloca bem: workflows são sistemas onde LLMs seguem caminhos de código predefinidos, enquanto agentes são sistemas onde LLMs controlam dinamicamente seus próprios processos [1].

O Espectro, Não um Binário

Aqui está a mudança mental que ajuda: workflows e sistemas multi-agentes não são opostos. São duas extremidades de um espectro, e a maioria dos sistemas em produção vive em algum lugar entre eles.

Deixe-me guiá-lo por quatro pontos nesse espectro.

Nível 1: Cadeia Sequencial Simples

Entrada → Chamada LLM A → Chamada LLM B → Chamada LLM C → Saída

Isso é workflow puro. Cada etapa é predeterminada. A saída de uma chamada alimenta a próxima. Não há tomada de decisão—apenas um pipeline. Pense em uma cadeia de tradução: detectar idioma → traduzir para português → resumir.

Nível de autonomia: Zero. O caminho é fixo.

Nível 2: Workflow com Ramificação e Roteamento

Entrada → LLM Classificador → Rotear para Handler A, B ou C → Saída

Agora um LLM toma uma decisão, mas é uma decisão restrita. O classificador escolhe de um conjunto fixo de opções, e cada ramificação é um workflow predeterminado. Sistemas de atendimento ao cliente frequentemente funcionam assim: classificar a intenção, depois rotear para o pipeline de resposta apropriado.

Nível de autonomia: Mínimo. Decisões são categóricas, não abertas.

Nível 3: Workflow com Etapas Controladas por Agente

Entrada → Etapa do Workflow → Agente decide ferramentas/ações → Etapa do Workflow → Saída

Aqui é onde fica interessante. A estrutura geral ainda é um workflow—pontos de entrada definidos, checkpoints e saídas—mas uma ou mais etapas envolvem um agente que pode decidir como realizar sua subtarefa. Um pipeline de pesquisa pode ter uma estrutura fixa (coletar fontes → analisar → sintetizar), mas a etapa "coletar fontes" envolve um agente que decide quais ferramentas usar e quando tem informação suficiente.

Nível de autonomia: Moderado. Autonomia limitada dentro de fases definidas.

Nível 4: Loop Multi-Agentes Totalmente Autônomo

Agente Orquestrador ↔ Agente Especialista A ↔ Agente Especialista B ↔ ...

Nesta extremidade do espectro, agentes se comunicam dinamicamente, decidem quando envolver outros agentes e determinam quando a tarefa está completa. O caminho de execução é emergente—você não pode prevê-lo completamente em tempo de design. Um agente de codificação complexo que pode criar sub-agentes para pesquisa, testes e revisão de código opera neste nível.

Nível de autonomia: Alto. Comportamento emergente das interações entre agentes.

A maioria dos sistemas bem-sucedidos que vi opera no Nível 2 ou 3. Eles obtêm os benefícios de confiabilidade dos workflows estruturados enquanto permitem autonomia direcionada onde ela adiciona valor. Sistemas puros de Nível 4 são poderosos, mas difíceis de debugar e imprevisíveis em produção.

Comparação de Tradeoffs

Veja como as duas abordagens se comparam nas dimensões que importam em produção:

A tabela revela o tradeoff fundamental: workflows trocam flexibilidade por previsibilidade; sistemas multi-agentes trocam previsibilidade por flexibilidade.

Nenhum é universalmente melhor. A questão é qual tradeoff seu problema requer.

Como Decidir: Uma Heurística Prática

Aqui está o modelo mental que eu uso: Comece com um workflow. Adicione agência apenas onde o determinismo falha.

Não se trata de evitar complexidade—trata-se de colocar complexidade onde ela vale a pena. Agência é cara: mais difícil de testar, mais difícil de debugar, mais difícil de raciocinar. Use-a cirurgicamente.

Cenário 1: Pipeline de Processamento de Documentos

Você precisa processar contratos legais: extrair termos-chave, identificar obrigações, sinalizar riscos.

Comece com um workflow. Defina o esquema de extração. Construa um pipeline: analisar documento → extrair cláusulas → classificar cada cláusula → aplicar regras de risco → gerar relatório. Cada etapa é uma chamada de LLM focada com um prompt específico.

Onde você pode precisar de agência? Se a estrutura do documento varia muito—alguns contratos têm anexos aninhados, outros têm formatação incomum—você pode precisar de um agente para decidir como dividir e analisar. Mas comece determinístico, e adicione agência apenas quando encontrar casos que o workflow não consegue lidar.

Cenário 2: Assistente de Pesquisa de Empresas

Um usuário pergunta: "Encontre informações sobre os lançamentos de produtos recentes desta empresa e resuma o posicionamento competitivo."

Isso provavelmente precisa de alguma agência. A tarefa é inerentemente aberta. Quantas fontes você deve verificar? Quando você tem informação suficiente? O que conta como "recente"? Um workflow precisaria antecipar cada caminho, o que não é prático.

Mas limite a agência. Dê ao agente de pesquisa autonomia para decidir quais fontes consultar e quando parar, mas envolva-o em um workflow: fase de pesquisa → fase de síntese → fase de formatação. O agente opera dentro da fase de pesquisa; a estrutura geral é determinística.

Cenário 3: Tarefa de Geração de Código

Gere uma nova funcionalidade baseada em uma especificação.

Comece com um workflow. Analisar a spec → gerar código → executar testes → reportar resultados. Isso lida com a maioria dos casos bem.

Quando precisa de agência? Quando os testes falham e o sistema precisa se auto-debugar. Um workflow puro apenas reportaria a falha. Um agente pode analisar o erro, hipotetizar correções e iterar. Isso é autonomia genuína—mas note que é um caminho de fallback, não o caminho feliz.

O padrão: workflows para o caminho esperado, agência para os casos extremos que requerem adaptação.

Erros Comuns que Engenheiros Cometem

Super-Engenharia: Transformando Tudo em Agente

Vi equipes construírem sistemas multi-agentes para problemas que são fundamentalmente determinísticos. "Temos um agente de sumarização, e ele fala com um agente de formatação, e há um agente orquestrador..." Mas o processo é sempre o mesmo: resumir, depois formatar. Isso não é um sistema multi-agentes—é um pipeline de duas etapas com complexidade extra.

O sinal: Se você pode desenhar um fluxograma de exatamente o que vai acontecer, você não precisa de agentes. Você precisa de um workflow.

Sub-Engenharia: Forçando Rigidez em Problemas Adaptativos

O erro oposto: construir workflows condicionais elaborados para problemas que genuinamente requerem julgamento. Vi sistemas com centenas de ramificações if-else tentando antecipar cada situação, quando um agente com ferramentas apropriadas lidaria com a variabilidade naturalmente.

O sinal: Se você está constantemente adicionando casos especiais e seu workflow está se tornando impossível de manter, você pode precisar da adaptabilidade que agentes fornecem.

Confundindo Chamada de Ferramentas com Agência Real

Este é sutil. Um LLM que chama ferramentas não é necessariamente um agente. Se seu código diz "chame o LLM com essas ferramentas disponíveis, então pegue a saída da ferramenta e continue para a próxima etapa", isso ainda é um workflow—o LLM está decidindo como realizar uma etapa, mas a orquestração ainda é sua.

Agência real significa que o LLM decide o que fazer em seguida—incluindo se deve continuar, parar, delegar ou tentar uma abordagem completamente diferente. O trabalho de Harrison Chase no LangGraph torna essa distinção clara: você pode ter workflows que usam ferramentas e loops agênticos, e eles são arquiteturalmente diferentes [2].

O sinal: Pergunte-se quem decide quando a tarefa está concluída. Se é seu código verificando uma condição, isso é um workflow. Se o agente decide que alcançou o objetivo, isso é agência.

Para Onde Esta Série Está Indo

Agora cobrimos quando usar sistemas multi-agentes e como pensar sobre o espectro entre workflows e agentes. Mas não abordamos como realmente construir esses sistemas de forma confiável.

O próximo post desta série abordará padrões de orquestração e comunicação entre agentes—a infraestrutura prática que faz sistemas multi-agentes funcionarem em produção. Veremos como agentes passam informações, como implementar checkpoints e aprovação humana no loop, e como construir a observabilidade que você precisa para debugar esses sistemas quando (não se) algo der errado.

Construir sistemas multi-agentes é uma coisa. Operá-los é outra.

---

Referências

[1] E. Schluntz and B. Zhang, "Building Effective Agents," Anthropic, Dec. 2024. Disponível: https://www.anthropic.com/research/building-effective-agents

[2] H. Chase, "LangGraph: Building Controllable Agents," LangChain Blog, 2024. Disponível: https://blog.langchain.com/langgraph

[3] L. Weng, "LLM Powered Autonomous Agents," Lil'Log, Jun. 2023. Disponível: https://lilianweng.github.io/posts/2023-06-23-agent/

[4] A. Ng, "Agentic Design Patterns," DeepLearning.AI, 2024. Disponível: https://www.deeplearning.ai/the-batch/how-agents-can-improve-llm-performance/

[5] Q. Wu et al., "AutoGen: Enabling Next-Gen LLM Applications via Multi-Agent Conversation," Microsoft Research, 2023. Disponível: https://arxiv.org/abs/2308.08155

[6] C. Huyen, "Building LLM Applications for Production," Chip Huyen Blog, 2023. Disponível: https://huyenchip.com/2023/04/11/llm-engineering.html