AWS recomenda começar pela arquitetura mais simples que resolva a tarefa: um fluxo determinístico quando as etapas são conhecidas e coordenação em tempo de execução quando o trabalho pode revelar novas subtarefas. Essa distinção ajuda a evitar que a complexidade de vários agentes vire um custo sem função. A classificação e as recomendações são da própria AWS.
Fluxos determinísticos e coordenação em tempo de execução
A diferença principal está em quem escolhe o próximo passo. Num fluxo determinístico, a sequência ou as condições de desvio são definidas antes da execução. Na coordenação em tempo de execução, um modelo decide como encaminhar o trabalho à medida que surgem novas necessidades.
A AWS agrupa quatro padrões em cada família. A tabela resume como o controle funciona e que custo prático considerar.
| Padrão | Fluxo de controle | Uso descrito pela AWS | Trade-off prático |
| Pipeline sequencial | Etapas fixas passam o resultado de uma para a seguinte. | Processamento de documentos, ETL e triagem de solicitações. | É previsível e mais simples de depurar; um erro pode seguir para as etapas seguintes. |
| Fluxo condicional | Ramificações predefinidas encaminham, por exemplo, uma falha para uma nova tentativa. | Processos com condições de aprovação ou reprovação. | É preciso limitar as tentativas e encaminhar falhas persistentes para análise. |
| Roteador condicional | Uma classificação escolhe um caminho especializado. | Encaminhamento por intenção, triagem de qualidade ou anomalias. | Só o caminho selecionado é executado; a classificação determina para onde vai a solicitação. |
| Paralelização com agregação | Tarefas independentes rodam ao mesmo tempo e outra etapa reúne os resultados. | Análises em várias fontes e manutenção preditiva. | A agregação ainda precisa conciliar os resultados; a latência depende do agente mais lento. |
| Orquestração baseada em plano | Um planejador define tarefas e dependências e distribui o trabalho durante a execução. | Problemas em que as subtarefas só aparecem durante a análise. | A flexibilidade aumenta custo, latência e dificuldade de depuração. |
| Transferência entre agentes | Um agente passa o controle a outro junto com o estado da tarefa. | Encaminhamento para uma especialidade diferente. | A AWS recomenda transferir estado validado, evidências e questões pendentes, não apenas um resumo de conversa. |
| Coordenação por conversa | Os agentes compartilham o histórico e alternam as falas. | Colaboração com escolha de turnos predefinida ou orientada por modelo. | O estado fica implícito no histórico, que é compartilhado entre os participantes. |
| Debate ou consenso | Avaliações independentes são reconciliadas por maioria, árbitro ou escalonamento. | Decisões de alto impacto e baixo volume. | A AWS descreve esse padrão como o mais caro e alerta que, em tarefas perceptivas, ele pode acrescentar latência sem elevar a precisão. |
Os padrões também podem ser combinados. Uma apresentação em espanhol do canal LIDR - Desarrollo potenciado por IA percorre desde agentes que usam ferramentas e roteadores até sistemas multiagentes, e aborda essa composição entre padrões.
Como escolher a arquitetura para cada tarefa
A decisão pode começar por quatro perguntas: a tarefa precisa fazer algo além de gerar texto? O caminho para a solução é conhecido? Um caminho conhecido exige conhecimentos diferentes? Se o caminho é desconhecido, a tarefa realmente pede exploração ou envolve efeitos colaterais importantes?
Se a tarefa só precisa gerar texto, uma chamada direta ao modelo pode bastar. Se precisa usar ferramentas, mas o caminho é conhecido e não exige especialidades distintas, um único agente com ferramentas pode ser suficiente. Quando o fluxo conhecido exige conhecimentos diferentes, a orientação da AWS aponta para um fluxo multiagente determinístico. Para um caminho que só se revela durante o trabalho, a coordenação autônoma faz mais sentido quando a exploração ou os efeitos colaterais justificam essa complexidade.
Uma cadeia longa de etapas também pode acumular falhas. Na ilustração da AWS, se cada etapa sequencial tiver confiabilidade de 95% e não houver novas tentativas, a confiabilidade do conjunto fica em cerca de 59,9% após 10 etapas e 35,8% após 20. É um cálculo ilustrativo para uma cadeia sem novas tentativas, não uma medição de implantação.
Use vários agentes quando a tarefa realmente precisar de conhecimentos distintos ou de trabalho independente; mais mensagens, por si só, não garantem coordenação.
Como limitar os riscos de coordenação
A AWS descreve cinco armadilhas de projeto e associa a cada uma limites ou salvaguardas:
- Agente faz-tudo: concentrar muitas ferramentas e funções num agente pode tornar as falhas difíceis de localizar. A AWS sugere separar funções especializadas e chega a recomendar cinco ferramentas ou menos por agente como orientação de projeto.
- Iteração sem limite: tentativas repetidas podem consumir recursos e ampliar falhas de coordenação. Defina limites de iteração e de tokens, com interrupção automática ao atingir o orçamento.
- Contratos em linguagem natural: instruções livres podem transformar uma observação provisória em afirmação ou ação definitiva. Prefira transferências tipadas e validadas por esquema.
- Vários agentes antes de haver necessidade: dividir o trabalho pode acrescentar coordenação onde um agente que alterna entre grupos de ferramentas daria conta das etapas. A AWS recomenda testar essa alternativa antes de separar os agentes.
- Contato com clientes sem proteção: antes de uma ação com consequências, a AWS propõe aplicar controles, validação de esquema e regras de negócio, além de aprovação humana adequada à ação.
Numa transferência entre agentes, contexto explícito importa: o próximo agente precisa receber o estado da tarefa, as evidências relevantes e o que ainda falta resolver. Uma conversa fluida não substitui esses elementos.
O que o CooperBench mostra sobre agentes de programação
Em um resumo publicado em 1º de junho de 2026, Stanford HAI descreveu o CooperBench como um conjunto de mais de 650 tarefas de programação escolhidas por seu potencial de conflito, envolvendo Python, TypeScript, Go e Rust. Os agentes podiam editar código, executar comandos locais e trocar mensagens em tempo real. Segundo o resumo, a comunicação teve pouco impacto nos resultados dessas tarefas; entre os problemas observados estavam alertas de conflito de mesclagem ignorados e tarefas prometidas que ficaram sem conclusão. Stanford HAI apresenta o resultado e o escopo do benchmark.
Esse resultado diz respeito às tarefas de programação do CooperBench. Para além da resposta final, a avaliação também importa: veja como avaliar agentes de IA além da resposta final.
O limite de controle na manufatura
Para a manufatura, a AWS recomenda manter determinísticos os sistemas PLC, SCADA e MES, que controlam processos industriais, e usar agentes para observar, analisar e recomendar. Antes que uma ação permitida chegue aos controles, a orientação é validar os dados contra o estado atual da tecnologia operacional e aplicar aprovação proporcional ao risco da ação.
A latência também pesa: a AWS recomenda orçar o percentil 99 (p99), que considera a cauda mais lenta das respostas, e prever uma alternativa determinística com resposta inferior a um segundo. Para sinais sensíveis ao tempo, a proposta é processar dados na borda, perto da operação, e usar a nuvem para análises entre turnos e entre fábricas.
A AWS também propõe organizar a memória dos agentes por turno: iniciar com a equipe, as metas e o contexto da passagem anterior; manter a memória de trabalho durante o turno; e deixar um resumo de problemas em aberto, anomalias e recomendações para a equipe seguinte.