Frameworks de Agentes e Orquestração

O Que é um Agente LLM

Um agente é um LLM que:

1. Recebe um objetivo
2. Decide quais ferramentas (tools) usar
3. Executa ações (código, buscas, APIs)
4. Observa os resultados
5. Continua até completar o objetivo

Componentes: LLM + Tools + Memory + Planning + Action

---

Taxonomia de Autonomia (L1–L5)

Framework de classificação para agentes, análogo aos níveis SAE de direção autônoma. Caracteriza um sistema por dois eixos: escopo das decisões delegadas (o que o agente decide sozinho) e duração da operação sem supervisão (quanto tempo roda sem checkpoint humano). Fonte: survey de Deli Chen / DeepSeek (ver abaixo).

Insight central: as barreiras para o L5 não são capacidade bruta, e sim (1) acúmulo persistente de conhecimento entre sessões, (2) autoavaliação confiável sem supervisão humana e (3) escala fundamentada das arquiteturas de agente sem degradação com a complexidade.

A fronteira em 2026 opera em L4 (execução autônoma multi-step em domínios limitados); L5 ainda não foi alcançado por nenhum sistema. Os limites entre níveis não são rígidos — um mesmo framework pode operar em L3 para tarefas de rotina e cair para L2 em situações novas que exigem julgamento humano.

Quatro padrões arquiteturais

Os sistemas mais poderosos combinam vários padrões.

Seis problemas fundamentais ainda abertos

1. Loops cognitivos — o agente repete estratégias fracassadas sem perceber.
2. Limitações de janela de contexto — sessões longas (>100k tokens) perdem a informação inicial.
3. Avaliação de novidade — como aferir se um resultado de IA é realmente inédito (similaridade semântica não distingue novo de obscuro).
4. Reprodutibilidade — inferência com temperatura ≠ 0 dá resultados diferentes a cada execução; alta sensibilidade ao prompt.
5. Segurança / dual-use — as capacidades que tornam o agente valioso também criam risco.
6. Custo — resolver um caso do SWE-bench custa ~US$ 5–50 em chamadas de API → barreira econômica.

Relevância para a Koder Stack

A Stack opera hoje em L3–L4: o Claude Code/Kode é canonicamente L3 (checkpoints), e o workflow engine (orquestração determinística com subagentes) instancia diretamente os padrões de orquestração hierárquica (supervisor → executores) e colaboração multi-agente (verify adversarial, judge panels). Os seis problemas mapeiam riscos reais dos nossos harnesses: loops cognitivos (loop-until-dry com contador), janela de contexto (compaction), reprodutibilidade (schemas + verificação adversarial).

Fonte: Deli Chen (DeepSeek), "From Copilots to Colleagues: A Survey of Autonomous Research Agents" (2026) — 95+ papers, 17 sistemas, matriz de 6 dimensões. PDF. Curiosidade meta: ~99% do artigo foi escrito pelo próprio framework de agente do autor (Deli AutoResearch SKILL); coautores creditados: DeepSeek-V4-Pro (texto) e GPT-Image2 (figuras). Não confundir com o paper homônimo arXiv:2508.12752 ("Deep Research: A Survey of Autonomous Research Agents"), que é outro trabalho.

---

Autopilots — agentes always-on com identidade governada

Categoria de agente formalizada pela Microsoft no Build 2026 (02062026) com o Microsoft Scout: um agente sempre ativo que opera em segundo plano de forma autônoma, sem ser reprompted a cada tarefa (agenda reuniões cross-timezone, prepara materiais, antecipa riscos). Distingue-se do chatbot/copilot reativo por dois eixos novos — persistência (always-on) e governança de identidade — e não por capacidade bruta.

O ponto arquiteturalmente relevante não é o produto, é o modelo de identidade: