Há algum tempo, participei de um laboratório para criação de agentes de IA utilizando o Google Cloud. Nosso objetivo principal foi entender, na prática, como funciona um sistema multiagente, no qual diferentes agentes assumem papéis específicos dentro do mesmo fluxo: orquestrador, research, judge e writer.
O interessante desse tipo de experimento foi entender como é possível ter diferentes agentes colaborando entre si para gerar uma resposta final. Embora um único LLM consiga responder a perguntas com base em uma grande quantidade de dados, a complexidade do mundo real geralmente exige funções especializadas.
Divisão de tarefas entre agentes A2A
Nesse contexto, a divisão de responsabilidades entre agentes acaba sendo mais efetiva do que criar um único agente gigante tentando resolver tudo sozinho.
A ideia aqui é: em vez de um agente concentrar todas as tarefas, diferentes agentes atuam como especialistas em partes específicas do processo.
Os principais agentes utilizados neste laboratório foram:
Agente de pesquisa: usa o google_search para encontrar informações atualizadas.
Agente de avaliação: critica a pesquisa em relação à qualidade, relevância e integridade das informações.
Agente Content Builder: transforma a pesquisa em um curso ou conteúdo estruturado.
Agente de orquestração: gerencia o fluxo de trabalho e a comunicação entre esses especialistas.
Agent-to-Agent — A2A
Um pouco mais sobre o sistema multiagente.
O protocolo A2A, ou Agent-to-Agent, é um padrão de comunicação proposto pelo Google que permite que agentes de inteligência artificial conversem entre si e troquem informações dentro de um fluxo de trabalho.
Esse tipo de arquitetura é importante quando há múltiplas etapas em um processo. Nesse modelo, cada agente assume um papel especializado, como pesquisar, validar, decidir, revisar ou escrever.
Como exemplo, podemos imaginar uma arquitetura Agent-to-Agent aplicada a processos complexos e especializados.
Imagine o fluxo de uma seguradora utilizando esse tipo de arquitetura. Ela poderia ser aplicada a processos como cotação, atendimento ou análise de sinistro, por exemplo:
Cliente / Corretor / Analista
|
v
Agente Orquestrador
|
|————————-
| | |
v v v
Agente de Agente de Agente de
Apólice Documentos Risco/Fraude
| | |
———– v ———–
Agente Judge
|
v
Agente Writer
|
v
Resposta ao cliente ou analista
Nesse tipo de fluxo, os processos são divididos entre diferentes agentes, que se comunicam entre si para gerar um output final.
O orquestrador entende que se trata de uma abertura de sinistro.
O agente de atendimento coleta os dados obrigatórios.
O agente de apólice verifica se o seguro está ativo.
O agente de documentos analisa as imagens e identifica documentos faltantes.
O agente de risco verifica possíveis inconsistências.
O agente judge classifica o caso como:
- simples;
- incompleto;
- suspeito;
- precisa de análise humana.
O agente writer gera uma resposta clara para o analista ou para o cliente.
É importante deixar claro que não é recomendado utilizar esses agentes para decisões finais sem supervisão. Em contextos sensíveis, é sempre necessário que humanos validem as decisões e utilizem senso crítico para avaliar cada situação.
Quando não usar agentes
Nem todo problema precisa de uma arquitetura multiagente. Em alguns casos, esse tipo de solução pode aumentar a complexidade sem gerar ganho real.
Alguns exemplos de quando evitar o uso de agentes:
- quando a tarefa requer supervisão humana contínua;
- em contextos de alta sensibilidade a erros;
- em decisões baseadas em valores humanos ou julgamentos éticos;
- quando há falta de dados estruturados ou contexto adequado;
- quando o tempo de execução é muito crítico;
- em tarefas muito criativas ou inovadoras, nas quais a definição do caminho ainda depende bastante de intuição humana.
Voltando à construção do laboratório de que participei, o fluxo foi mais simples. Ainda assim, ele ajudou a entender a arquitetura desse tipo de sistema e como as tarefas podem ser distribuídas entre agentes especializados.
Exemplo do agente- Content-Builder
from google.adk.agents import Agent
MODEL = "gemini-2.5-pro"
# TODO: Define the Content Builder Agent
# This agent should take approved research and format it into a course module.
content_builder = Agent(
name="content_builder",
model=MODEL,
description="Transforms research findings into a structured course.",
instruction="""
You are an expert course creator.
Take the approved 'research_findings' and transform them into a well-structured, engaging course module.
**Formatting Rules:**
1. Start with a main title using a single `#` (H1).
2. Use `##` (H2) for main section headings.
3. Use bullet points and clear paragraphs.
4. Maintain a professional but engaging tone.
Ensure the content directly addresses the user's original request.
""",
)
root_agent = content_builder
Abaixo, uma visão do output desse experimento:
Laboratório feito com o GDG Cloud SP
