Sistemas multiagentes: quando dividir uma tarefa entre vários agentes de IA

Um sistema multiagente divide uma tarefa entre várias instâncias de modelo de IA, cada uma com o próprio contexto, coordenadas por código ou por um agente líder. Vale a pena em três situações confirmadas pela Anthropic: quando uma subtarefa gera muito material irrelevante que poluiria o agente principal, quando há partes independentes que podem rodar em paralelo e quando agentes especializados funcionam melhor que um generalista com ferramentas demais. Fora disso, um único agente bem desenhado costuma ser mais barato e mais confiável.

O custo é real: a Anthropic relata que sistemas multiagentes usam, em geral, de 3 a 10 vezes mais tokens que um agente único na mesma tarefa. Este guia explica os padrões mais usados (orquestrador e trabalhadores, pipeline, revisor), como eles aparecem nas ferramentas da Anthropic, da OpenAI e do Google, e quando não dividir.

Resumo rápido

• Multiagente é arquitetura, não upgrade automático. Comece com um agente só e divida apenas quando houver uma restrição concreta.
• Os três motivos que justificam dividir, segundo a Anthropic: proteger o contexto, paralelizar partes independentes e especializar agentes.
• Padrões principais: orquestrador e trabalhadores, pipeline sequencial, gerador e revisor. Sistemas reais costumam combinar mais de um.
• Divida por fronteira de contexto, não por cargo. Separar “planejador, executor, testador” cria um telefone sem fio que perde informação a cada passagem.
• OpenAI Agents SDK (handoffs e agentes como ferramentas) e Google ADK (agentes de fluxo sequencial, paralelo e em loop) oferecem as peças prontas.

O que muda quando você tem mais de um agente

Se você ainda não domina o conceito de agente, comece pelo nosso guia sobre o que são agentes autônomos de IA. Aqui o foco é outro: o que acontece quando um agente passa a delegar trabalho para outros.

A Anthropic define um sistema multiagente como várias instâncias de modelo de linguagem, cada uma com uma conversa e um contexto separados, coordenadas por código. A palavra-chave é contexto separado. Cada agente só vê o que recebeu. Isso tem dois lados:

• Vantagem: o agente principal não precisa carregar páginas de resultados de busca, logs ou documentos inteiros. Recebe só o resumo.
• Desvantagem: toda informação que um agente precisa e não recebeu se perde. Cada passagem entre agentes é um ponto onde detalhes somem.

Em junho de 2025, ao descrever seu sistema de pesquisa, a Anthropic relatou que agentes usam cerca de 4 vezes mais tokens que conversas comuns, e sistemas multiagentes cerca de 15 vezes mais. No mesmo texto, a configuração com Claude Opus 4 como líder e Claude Sonnet 4 como subagentes superou um único Claude Opus 4 em 90,2% na avaliação interna de pesquisa da empresa. O resultado vale para pesquisa ampla, com muitas frentes independentes; não é uma promessa para qualquer tarefa.

Os padrões mais usados

O texto “Building effective agents”, publicado pela Anthropic em dezembro de 2024, descreve fluxos que até hoje servem de vocabulário comum: encadeamento de prompts, roteamento, paralelização, orquestrador e trabalhadores, e avaliador e otimizador. Em abril de 2026, a empresa publicou um guia específico de coordenação com cinco padrões multiagente. A tabela resume os que mais aparecem em projetos reais.

Orquestrador e trabalhadores

É o ponto de partida recomendado no guia de coordenação da Anthropic, por cobrir a maior variedade de problemas com o menor custo de coordenação. O líder recebe o pedido, quebra em partes, dispara subagentes (em paralelo, quando possível) e sintetiza. Funciona bem para pesquisa: cada subagente investiga um aspecto e devolve só o essencial.

Pipeline

No pipeline, a ordem é fixa e definida por código. É o mais previsível e o mais fácil de depurar. A própria Anthropic observa que um desenho sequencial paga o custo extra de tokens sem ganhar velocidade, então só compensa quando cada etapa precisa mesmo de um contexto ou de ferramentas diferentes.

Gerador e revisor

Um agente escreve, outro verifica. A Anthropic chama esse revisor de subagente de verificação e explica por que ele funciona: verificar exige pouco do histórico de construção, então quase nada se perde na passagem. O risco é o que a empresa chama de problema da vitória precoce: o revisor roda poucos testes e declara sucesso. A saída é dar critérios concretos e mandar rodar a verificação completa.

Quando dividir e quando não dividir

Os três casos que justificam

No artigo “Building multi-agent systems: when and how to use them”, de janeiro de 2026, a Anthropic lista três cenários em que vários agentes superam um só de forma consistente:

1. Proteção de contexto. Uma subtarefa gera muito material pouco relevante (o texto cita algo acima de mil tokens). Um subagente faz o trabalho no próprio contexto e devolve um resumo curto, mantendo o agente principal focado.
2. Paralelização. Partes independentes de uma pergunta podem ser exploradas ao mesmo tempo. Segundo a Anthropic, o ganho principal é cobertura, não velocidade: o tempo total muitas vezes aumenta.
3. Especialização. Agentes com conjuntos de ferramentas focados, instruções que conflitariam entre si ou conhecimento de domínio profundo. O texto aponta que problemas costumam aparecer quando um agente tem mais de 20 ferramentas.

Divida por contexto, não por cargo

O conselho mais útil do texto é este: separar o trabalho por papéis (planejador, implementador, testador, revisor) cria um telefone sem fio. Cada passagem perde informação, e num experimento descrito pela empresa os subagentes gastaram mais tokens coordenando do que trabalhando. A divisão que funciona segue fronteiras de contexto: o agente que constrói uma funcionalidade também escreve os testes dela, porque já tem o contexto. Boas fronteiras são frentes de pesquisa independentes, componentes com contrato de interface claro e verificação de caixa-preta.

Quando NÃO usar multiagentes

A Anthropic é explícita: a maioria das equipes não precisa de sistemas multiagentes, e fora dos três cenários acima o custo de coordenação costuma superar o benefício. Sinais de que você deve ficar com um agente só:

• Não há restrição concreta. Se o agente único não está falhando por excesso de contexto, de ferramentas ou por falta de paralelismo, dividir só acrescenta custo.
• As partes dependem muito umas das outras. O texto sobre o sistema de pesquisa cita domínios em que todos os agentes precisam do mesmo contexto ou têm muitas dependências entre si como maus candidatos, incluindo a maioria das tarefas de programação.
• Não há pontos claros de verificação. Sem como conferir o que cada agente entregou, os erros se acumulam sem aparecer.
• Existe alternativa mais simples. Antes de dividir, a Anthropic sugere testar busca de ferramentas, para agentes com muitas ferramentas, e compactação de contexto, para sessões longas.

O próprio “Building effective agents” resume a filosofia: procure a solução mais simples que funciona e só acrescente complexidade quando ela melhorar o resultado de forma mensurável.

Custos em tokens: como estimar antes de construir

Os multiplicadores publicados pela Anthropic (de 3 a 10 vezes mais tokens que um agente único, segundo o texto de 2026; cerca de 15 vezes mais que uma conversa comum, no sistema de pesquisa de 2025) vêm de três fontes: contexto duplicado em cada agente, mensagens de coordenação e resumos de passagem. Para traduzir isso em dinheiro, use a tabela de preços do modelo e o raciocínio do nosso guia sobre tokens e custo de API.

Formas práticas de conter o custo:

• Modelos diferentes por papel. No sistema de pesquisa, a Anthropic usou um modelo maior como líder e um menor nos subagentes.
• Resumos curtos e com formato definido. Peça que cada subagente devolva um formato estruturado, não um relatório livre.
• Limite de rodadas. Em pares gerador e revisor, defina um número máximo de iterações.
• Medir antes de escalar. Rode a mesma tarefa com um agente e com vários, e compare qualidade e custo no seu caso.

Como as plataformas implementam

OpenAI Agents SDK: handoffs e agentes como ferramentas

No Agents SDK, um handoff é uma delegação em que outro agente assume a conversa. Para o modelo, o handoff aparece como uma ferramenta chamada, por padrão, transfer_to_<nome_do_agente>. A documentação diferencia isso de usar um agente como ferramenta: nesse caso, um agente gerente continua dono da resposta e chama especialistas para subtarefas delimitadas. A recomendação oficial é usar agentes como ferramentas quando um agente deve consolidar a resposta final e handoffs quando o especialista deve responder direto ao usuário. O SDK também separa orquestração pelo modelo (mais flexível, para tarefas abertas) de orquestração por código (mais previsível em velocidade, custo e desempenho).

Google ADK: fluxos determinísticos

O Agent Development Kit do Google oferece agentes de fluxo que executam subagentes com lógica fixa, sem usar modelo para decidir a ordem: sequencial (um após o outro), em loop (repete até uma condição de parada) e paralelo (vários ao mesmo tempo). A documentação informa que, a partir do ADK 2.0 para Python e Go, esses modelos fixos foram substituídos por fluxos em grafo e dinâmicos, que misturam agentes e etapas determinísticas.

Em qualquer plataforma, cada agente extra é mais um ator com acesso a ferramentas. Defina o que cada um pode fazer seguindo nosso guia de permissões para agentes de IA. Os modelos e produtos da Anthropic estão reunidos na nossa página de integrações da Anthropic e do Claude.

Exemplo: imobiliária em Florianópolis

Imagine uma imobiliária em Florianópolis que quer um assistente interno para preparar dossiês de imóveis antes de reuniões com compradores. Hoje, um corretor junta ficha do imóvel, histórico de visitas, documentação pendente e informações do bairro.

A primeira versão é um agente único com quatro ferramentas: consulta ao sistema de imóveis, leitura da agenda de visitas, busca na pasta de documentos e busca na web. Ele funciona, mas a busca na web traz páginas longas que enchem o contexto, e o dossiê final às vezes mistura dados de imóveis parecidos.

A versão revisada segue as recomendações acima:

1. Proteção de contexto: a pesquisa sobre o bairro vira um subagente. Ele lê as páginas e devolve um resumo estruturado (comércio, transporte, escolas), com as fontes.
2. Agente principal mantém o resto: ficha, visitas e documentos continuam com o agente principal, porque estão interligados. Separar isso por papel criaria o telefone sem fio.
3. Revisor: um subagente de verificação confere o dossiê contra uma lista objetiva: endereço e matrícula batem com a ficha, pendências de documentação estão listadas, nenhuma informação veio de outro imóvel.
4. Testes antes de colocar em uso: a imobiliária roda os dois desenhos sobre os mesmos imóveis e compara qualidade e custo, como sugere nosso guia sobre como testar um agente de IA.

Se o teste mostrar que o ganho não paga o custo extra, a decisão certa é voltar ao agente único com uma busca mais enxuta.

Erros comuns

• Dividir por organograma. Criar um “agente gerente”, um “agente analista” e um “agente redator” porque parece uma equipe. Na prática, cada passagem perde contexto.
• Ignorar o custo. Multiplicar agentes multiplica tokens. Sem medir, a conta chega depois.
• Revisor sem critérios. Um revisor que só pergunta “está bom?” tende a aprovar tudo.
• Loops sem limite. Pares gerador e revisor, e fluxos em loop, precisam de um número máximo de rodadas.
• Permissões iguais para todos. O subagente de pesquisa não precisa de acesso de escrita ao sistema da empresa.

Perguntas frequentes

Multiagente é o mesmo que agente autônomo?

Não. Agente autônomo descreve um modelo que planeja e usa ferramentas em várias etapas. Multiagente descreve como vários desses agentes são organizados e se comunicam. Um sistema pode ter um único agente autônomo.

Quantos agentes um sistema deve ter?

O menor número que resolve a restrição que você identificou. As fontes oficiais citadas aqui não indicam um número ideal; recomendam começar com um e acrescentar só quando houver ganho mensurável.

Preciso de framework para montar um sistema multiagente?

Não necessariamente. A Anthropic sugere começar usando as APIs dos modelos diretamente. Frameworks como o OpenAI Agents SDK e o Google ADK ajudam quando você precisa de handoffs, fluxos paralelos ou rastreamento prontos.

Vários agentes respondem mais rápido?

Nem sempre. Subagentes em paralelo podem encurtar algumas tarefas, mas a Anthropic relata que o tempo total muitas vezes aumenta. O ganho principal costuma ser cobertura e foco.

Fontes e leitura recomendada

• Anthropic: Building multi-agent systems, when and how to use them (jan. 2026)
• Anthropic: Multi-agent coordination patterns (abr. 2026)
• Anthropic: How we built our multi-agent research system (jun. 2025)
• Anthropic: Building effective agents (dez. 2024)
• OpenAI Agents SDK: Handoffs
• OpenAI Agents SDK: orquestração de múltiplos agentes
• Google ADK: agentes de fluxo (sequencial, loop e paralelo)
• Google ADK: visão geral de workflows