Todo mundo quer construir uma equipe de agentes de IA. As demonstrações parecem irresistíveis. Um agente pesquisa, outro escreve código e um terceiro executa testes. Mas a maioria desses sistemas compartilha um segredo sujo: eles são frágeis. Eles funcionam maravilhosamente durante uma demonstração de cinco minutos e desmoronam durante uma investigação real. O ponto de falha raramente é a capacidade de raciocínio do modelo de linguagem ou o número de agentes no enxame. É o espaço entre eles. Sistemas multiagentes quebram no plano de colaboração.
A Armadilha do Supervisor
A arquitetura padrão é sedutoramente simples. Um agente supervisor recebe um objetivo, divide-o em subtarefas e as delega a agentes trabalhadores. Os trabalhadores executam, retornam os resultados e o supervisor une tudo em uma resposta final. Esse padrão funciona bem se você estiver resumindo dez artigos, transcrevendo arquivos de áudio ou extraindo dados de cem páginas da web uniformes. As tarefas são independentes. Elas não interagem.
Investigações complexas são diferentes. Quando um agente descobre uma descoberta surpreendente, toda a direção do trabalho pode precisar mudar. Se o sistema não tiver uma maneira estruturada de transmitir essa mudança, outros agentes continuarão marchando na direção errada. Você acaba com uma coleção de monólogos paralelos em vez de uma conversa. O supervisor torna-se um gargalo, não um coordenador.
O que desaparece quando a coordenação falha
Quando uma investigação se aprofunda, você precisa saber muito mais do que a resposta final. Você precisa saber quem sabia o quê e quando. Você precisa rastrear qual descoberta direcionou o trabalho. Você precisa entender por que um agente mudou seu plano há duas horas. Sem um plano de colaboração, nada disso é visível. Você tem logs. Logs são ruído cronológico. Eles registram que o Agente C de repente começou a analisar transações de banco de dados em vez de chamadas de API, mas não explicam o porquê. Você pode observar o acontecimento e tentar adivinhar.
Imagine uma resposta a um incidente de segurança. O Agente A analisa minuciosamente os logs do servidor e conclui que a violação não começou ali. Ele retorna sua saída para o supervisor. O Agente B, designado para analisar o tráfego de rede, nunca vê essa conclusão formulada como uma hipótese rejeitada. Como sua descrição de tarefa original ainda trata o servidor como o principal suspeito, o Agente B desperdiça outro ciclo procurando impressões digitais nos mesmos logs. O sistema paga pelo mesmo trabalho duas vezes e não aprende nada com a primeira execução.
O Plano de Colaboração não é Memória
Um plano de colaboração não é apenas um balde de memória para fatos. A memória armazena informações. O estado de colaboração armazena o trabalho em andamento. Um banco de dados vetorial cheio de documentos fornece material de referência a um agente. Ele não diz ao agente que o Agente X está testando uma hipótese que tornaria a tarefa atual do Agente Y redundante. A memória é um contexto estático. O estado de colaboração é o mapa em tempo real da operação.
Se você confundir os dois, construirá sistemas que conseguem recuperar cada parágrafo do manual da sua empresa, mas não conseguem dizer se outro agente acabou de provar que sua tarefa atual é irrelevante.
Os Cinco Baldes de Estado Compartilhado
Um plano de colaboração real precisa de cinco baldes específicos.
Claims. Estas são as hipóteses ativas que um agente está testando. Em uma investigação de fraude, um claim pode ser "a anomalia correlaciona-se com processos em lote de fim de semana". Cada agente deve ser capaz de ver quais claims estão abertos, quais estão sendo testados e quem é o responsável por eles. Sem