Radar Tech: Anthropic mapeia padrões e problemas dos sistemas multi-agente e adverte que 'mais agentes não é mais qualidade'
Um novo relatório da Anthropic consolida os padrões emergentes de orquestração de agentes de IA e os principais fracassos. O que arquitetos de software devem decidir antes de adotar multi-agente — e como evitar o histórico de loops, context bleed e custo explosivo.
Resumo do dia
No fim de semana, o grupo de pesquisa da Anthropic publicou um estudo que sintetiza como sistemas com múltiplos agentes de IA estão sendo construídos na prática e, principalmente, onde eles falham. O relatório — Patterns and problems in emerging multi-agent systems (ago/2026) — virou rapidamente tema de discussão entre arquitetos de software e engenheiros de IA aplicada.
A mensagem central é instigante e contraria o frisson do momento: adicionar agentes não adiciona qualidade automaticamente. Em várias tarefas, um único agente bem instruído com boas ferramentas ainda supera (com muito menos custo) um exército de agentes mal orquestrados.
Os padrões que estão emergindo
O relatório consolida um vocabulário comum de orquestração que o mercado vem adotando:
- Sequencial — um agente entrega a saída ao próximo, em cadeia. Simples, forte para dependências rígidas.
- Orquestrador-trabalhador (orchestrator-worker) — um coordenador divide a tarefa, delega a workers e recombina os resultados. O mais equilibrado para tarefas divisíveis.
- Hierárquico (supervisor/subagentes) — quando há muitos agentes, o supervisor subdivide em sub-supervisores por domínio.
- Paralelização — sub-tarefas independentes são processadas simultaneamente, com agregação final.
- Pipe & Filter — dados fluem por estágios de transformação com contrato em cada etapa.
Para tarefas que não se decompõem — reescrita de estilo, síntese de um único texto — a recomendação madura é agente único, e não um enxame.
Os problemas que se repetem
Se a orquestração é a novidade, os fracassos é que surpreendem pela constância:
- Loops infinitos / retry sem fim — workers reprocessam a mesma sub-tarefa sem critério de parada.
- Context bleed — informação dos domínios vizinhos vaza para o contexto de cada agente e degrada o foco.
- Goal drift (deriva de objetivo) — o subagente, no caminho, persegue um objetivo diferente do planejado.
- Custo/tokens explosivo — mais agentes significam mais chamadas; sem budget, a conta dispara.
- Deadlock — dependências circulares entre agentes que se esperam mutuamente.
A maioria não é problema de "IA fraca", e sim de arquitetura: falta de contrato entre agentes, ausência de política de contexto e nenhum guardrail de custo ou timeout.
O que os arquitetos devem fazer agora
- Não force multi-agente. Comece avaliando se um único agente resolve. Adotar multi-agente só quando há decomposição real (sub-tarefas independentes, cadeia de dependência, pressão de paralelismo).
- Defina contrato de handoff. A comunicação entre agentes deve usar schema versionado (JSON), não texto livre — é o que vira base para observabilidade e para auditar cada decisão.
- Estabeleça política de contexto. Decida explicitamente o que cada agente recebe e o que fica fora do contexto, para conter o context bleed.
- Imponha guardrails de custo e tempo. Budget de tokens por execução, timeout por agente e teto de re-tentativas são inegociáveis.
- Recuse entregar sem observabilidade. Métricas de tokens/etapa e trace-id no handoff são o pré-requisito para operar qualquer sistema multi-agente.
Para aprofundar
Na ArchPrompts, o pacote "Design de Sistemas Multi-Agente de IA" (categoria agentes) transforma esse exato aprendizado num kit operacional: um prompt principal que decide o padrão certo, guardrails anti-hallucination, exemplos few-shot de casos difíceis e um checklist PASS/FAIL para validar o resultado antes de colocar qualquer agente em produção.
