Uma equipe de suporte de IA

Este projeto compara um agente com uma equipe. Cada especialista precisa de uma responsabilidade observável.

Estas etapas referem-se aos recursos identificados no código do aplicativo. Este material não foi validado em uma instância ativa; verifique a documentação e as opções da sua versão.

Como funciona, passo a passo

Um fluxo de trabalho tem estrutura explícita

Um nó é um estágio, uma aresta é uma transição e o estado carrega resultados entre os estágios. Um fluxo de trabalho possui um caminho definido pelo aplicativo, embora o modelo possa escolher algumas ramificações. Os sistemas agênicos incluem fluxos de trabalho e agentes de ação dinâmica. Nymrio oferece ReAct, Reflexão, Sequencial, Orquestrador, Roteador, Paralelo e Planejar e Executar. Cada um muda de coordenação; isso não torna automaticamente um modelo um especialista. Mais agentes significam mais chamadas e contratos entre funções. Comece com a solução mais simples que passa nos testes.

O modelo propõe, a ferramenta executa

A chamada da ferramenta produz uma solicitação de chamada com nome e argumentos. A aplicação valida o esquema, as permissões e os limites antes da execução. O resultado retorna ao contexto para a próxima etapa. Por exemplo, get_product_stock pega um SKU e retorna uma quantidade; sua descrição deverá explicar que não reserva produtos. Distinguir resultados vazios, erros de validação, falta de acesso e tempos limite. JSON válido não prova que os argumentos estão corretos ou que a ação está autorizada. Para efeitos externos, considere também a execução duplicada.

Defina o sucesso antes de otimizar

Prepare solicitações representativas e respostas ou propriedades esperadas. Inclui casos comuns, ambiguidade, dados faltantes e erros de ferramentas. Para RAG, meça a recuperação de evidências separadamente da correção da resposta. Recall@k mede a parcela de evidências relevantes encontradas nos primeiros k resultados; Precision@k mede a parcela de resultados retornados que são relevantes. Para agentes, rastreie também ações, permissões e paradas. Um LLM como juiz pode acelerar a avaliação, mas precisa de calibração em humanos. Não altere prompt, modelo e índice simultaneamente se quiser entender o que melhorou os resultados.

O esquema explicativo

Siga as setas sólidas para o fluxo principal. As setas azuis tracejadas fornecem dados ou contexto; setas rosa tracejadas mostram feedback ou retorno de resultados. Cores e formas distinguem modelos, lojas, decisões e resultados. O roteador é a implementação ilustrada. Compare-o separadamente com um orquestrador e uma linha de base de agente único. Em telas pequenas, role na horizontal para acompanhar o esquema completo.

Um exemplo completo

Especialistas cuidam de produtos, entrega e devoluções. O roteador lida com uma intenção; O Orchestrator pode coordenar duas necessidades. Use dados e testes fictícios idênticos para ambas as configurações.

Dados fictícios de exercícios

Fonte	Informações para usar
Catálogo	LX-240 usa parte P-12; P-12 usa adaptador A-7.
Devoluções	Solicitações em até 14 dias após o recebimento; produto não utilizado na embalagem original.
Entrega	Estimativa de 2 a 3 dias úteis após o envio, não garantida.

Perguntas iniciais: “Qual adaptador o LX-240 usa?”, “Posso devolver um produto usado?” e “Quanto tempo leva a entrega?”. Adicione casos ambíguos e sem resposta. Mantenha a mesma fonte em todas as comparações.

Experimente você mesmo

1. Crie o Orchestrator com dois trabalhadores e compare com o agente de linha de base em dez solicitações.
2. Registre a entrada, a fonte e o resultado esperado antes de executar o experimento. Use apenas os dados fictícios do exemplo.
3. Siga as etapas do diagrama. A cada passo registre quais informações são recebidas e produzidas; não confunda o resultado intermediário com o resultado final.
4. Repita após remover as informações necessárias ou tornar a entrada ambígua. Verifique se o sistema esclarece, interrompe ou inventa uma resposta.
5. Compare com a solução explicada. Guarde a configuração, data, resultado e explicação das diferenças. Mude uma coisa e teste novamente.

Uma solução explicada

O relatório explica quando uma equipe melhora os resultados e quando adiciona delegações desnecessárias. Um exercício bem-sucedido permite mostrar a conexão entre entradas, etapas e resultados. Quando falta informação, uma resposta cautelosa é mais útil do que detalhes inventados. Compare mais do que estilo: verifique também as condições, fontes e operações.

Quando esta abordagem ajuda e quais são seus limites

Se a validação da função impedir o salvamento do roteador, não declare o laboratório bem-sucedido. Escolha esta abordagem quando ela melhorar uma necessidade medida. Mantenha uma linha de base simples e compare os resultados usando dados idênticos. Um exemplo de sucesso não estabelece confiabilidade em todas as situações.

Verifique o que aprendeu

O multiagente é um oitavo modelo?

Não. É uma categoria arquitetônica que pode utilizar diversos templates existentes.

Quem executa uma chamada proposta pelo modelo?

O aplicativo ou serviço de host após a validação. O modelo não obtém automaticamente acesso irrestrito.

Que resultado este exercício deve produzir?

O relatório explica quando uma equipe melhora os resultados e quando adiciona delegações desnecessárias.

Termos para lembrar

• Acenar: Um estágio em um gráfico de execução.
• Chamada de ferramenta: uma solicitação estruturada para usar um recurso externo.
• Regressão / Regressão: uma alteração que quebra um caso anteriormente correto.

Fontes e sua próxima etapa

• LangGraph — Fluxos de trabalho e agentes

Para preparar: W05 — Orquestrador: coordenador e especialistas · W06 — Roteador: envie solicitações para o especialista certo · W09 — Multiagente: escolhendo e combinando padrões · E01 — Como medir se a IA é útil