O que é Mega-Agente?
Mega-Agente (Mega Agent) é um smell de IA, ou seja, um sinal de problema em sistemas com LLM, do grupo Inchaços. Um agente só faz pesquisa, escrita, revisão e publicação com o mesmo contexto e as mesmas ferramentas.
Conteúdo da trilha
Capítulos
Transcrição
Abertura
O time de marketing tem um agente que transforma um briefing num post publicado. Ele pesquisa o assunto, escreve o rascunho, revisa contra o guia da marca e publica no blog. Tudo no mesmo loop, com o mesmo contexto e as mesmas ferramentas.
Aqui está a configuração dele. Você é o agente de conteúdo. Pesquise, escreva, revise com rigor, e só publique quando estiver excelente.
E as ferramentas. Buscar na web, abrir página, ler o guia da marca, escrever e editar o rascunho, checar plágio. E também publicar o post, postar nas redes, atualizar o CRM e mandar a newsletter.
Numa sexta, o agente publicou um rascunho com números de um concorrente, copiados de uma página que ele leu na pesquisa. A etapa de revisão estava no prompt. Mas era o mesmo modelo, com o mesmo contexto cheio de páginas da web, revisando o próprio texto, com a ferramenta de publicar à mão o tempo todo. Nesta aula, você vai aprender a enxergar esse smell, e onde fazer o corte.
O diagnóstico
O formato é este. A tarefa inteira vai para um agente só.
Ele tem todas as ferramentas, e um prompt que tenta descrever todos os papéis.
Conteúdo não confiável da pesquisa entra no mesmo contexto que vai decidir se publica.
Quem revisa é quem escreveu, olhando o mesmo material.
E a ferramenta com efeito colateral está disponível desde o primeiro passo.
Como identificar? Um agente só cuida de etapas de natureza diferente. Pesquisa, produção, revisão e execução, tudo misturado.
Toda ferramenta, de leitura e de efeito colateral, está disponível em todo passo.
O prompt de sistema descreve vários papéis. Você é pesquisador, redator e revisor.
A revisão acontece no mesmo contexto que produziu o trabalho. E no fim da tarefa, esse contexto ainda carrega todo o material bruto do começo.
E um problema numa etapa obriga a mudar o prompt de todas.
Por que acontece
Começa pequeno. O agente só escrevia rascunhos. Publicar era só mais uma ferramenta.
Um agente só parece mais simples. Um prompt, um loop, um deploy. Dividir parece complexidade à toa.
Modelos bons dão conta na demo. Em tarefas curtas, o agente único funciona bem. O problema só aparece em escala, ou nos casos estranhos.
E ninguém desenha as fronteiras. Sem alguém perguntar quais etapas existem de verdade, elas se misturam.
Quanto custa
O primeiro custo é qualidade. Revisão no mesmo contexto tende a concordar com o que foi produzido. O modelo relê o próprio raciocínio, não o resultado com olhos novos.
Depois, segurança. Conteúdo não confiável lido na pesquisa fica no mesmo contexto que as ferramentas com efeito colateral. Essa é a receita do ataque em que instruções se escondem dentro das páginas que o agente lê. Um mega agente que pesquisa e publica no mesmo contexto é o alvo clássico.
Depois, contexto. O fim da tarefa carrega a bagunça do começo. Isso é context rot.
E manutenção. Mudar o jeito de revisar exige editar o prompt que também pesquisa e escreve. E cada mudança afeta tudo.
Imagine o mesmo padrão numa loja online. Um agente que responde dúvidas de entrega, consulta o pedido e faz estorno. Um simples cadê meu pacote ainda tem a ferramenta de estorno na lista. Um texto na descrição de um produto, ou um usuário criativo, empurra o modelo para o efeito colateral.
Um desafio
Uma pergunta para você. O agente de conteúdo pesquisa, escreve e publica. Você pode fazer uma mudança esta semana. Qual corte reduz mais o risco?
Tirar a ferramenta de publicar do loop do modelo, e publicar numa etapa de código, com aprovação. Uma ferramenta com efeito colateral disponível durante a pesquisa é o risco que já quebrou na sexta. Isolar o efeito é o menor corte. Pesquisa e redação podem esperar a próxima fatia.
Acrescentar um segundo papel só para revisar com rigor, no mesmo contexto e com as mesmas ferramentas, não isola nada. O revisor continua vendo as páginas, e continua podendo publicar. E mandar o agente esquecer as páginas depois do rascunho não tira um token, nem uma ferramenta.
O tratamento
São duas refatorações. Extract subagent, quando existem etapas com ferramentas e contexto próprios, como pesquisa e revisão. Cada uma vira um subagente que devolve só o resultado. E introduce router, quando o agente atende tipos diferentes de pedido, cada um precisando de ferramentas diferentes. Muitas vezes, a etapa final, publicar, pagar ou enviar, nem precisa de modelo. Ela vira código, atrás de aprovação.
Aqui está o menor corte que já reduz o estrago. A pesquisa lê a web num contexto isolado e devolve fatos citados. Não páginas cruas.
A redação recebe o briefing mais esses fatos, sem as páginas.
A revisão recebe o rascunho mais o guia da marca, sem o raciocínio de quem escreveu.
E publicar é código, com uma pessoa no meio, se o canal é público.
Mas não corrija demais. O oposto também é smell. Um pipeline de cinco agentes com cargo. Pesquisador, analista, redator, revisor, editor. Cada um pega o texto do anterior e devolve quase o mesmo texto. Custa cinco vezes mais, sem divisão real de ferramentas nem de contexto. Esse smell tem nome próprio, decorative multi-agent. Divida onde a natureza do trabalho muda, não onde o organograma quer um cargo.
É esse smell?
Três casos para afiar o olho. Um agente de atendimento responde dúvidas, consulta pedidos e faz estornos, com um prompt e um conjunto de ferramentas. Estornos acima de cem dólares vão para uma pessoa. É mega agent? É. A aprovação cobre os valores altos, mas o caminho de responder dúvida continua com a ferramenta de estorno à mão. Um roteador separaria os caminhos.
Um agente de pesquisa lê sessenta páginas e escreve um relatório. Sem efeito colateral nenhum. Mas o relatório às vezes ignora fontes lidas no começo. É uma versão mais branda, misturada com context rot. Divida a leitura em subagentes que devolvem resumos citados.
E uma engenheira usando um assistente no terminal para editar um repositório, aprovando cada mudança proposta. Ferramentas de leitura e escrita num agente só, sob supervisão contínua. Tudo bem. O smell machuca quando o mesmo loop lê a web e dispara um efeito colateral, sem ninguém olhando.
Fechamento
Então, a ideia para levar. Quando um agente pesquisa, escreve, revisa e age, cada etapa herda todos os riscos. Separe a leitura da ação, dê olhos novos para a revisão e transforme o efeito colateral final em código com aprovação. Esse costuma ser o corte que mais importa.
Na próxima aula, a gente faz o corte principal passo a passo: extract subagent. Até lá.
Mega-Agente
Mega Agent
Mega-Agente (Mega Agent) é um smell de IA, ou seja, um sinal de problema em sistemas com LLM, do grupo Inchaços. Um agente só faz pesquisa, escrita, revisão e publicação com o mesmo contexto e as mesmas ferramentas.
- Elemento
- 06/37
- Nível
- Intermediário
- Leitura
- 4 min
- Atualizado
Como reconhecer
O time de marketing tem um agente que transforma um briefing num post publicado. Ele pesquisa o tema, escreve o rascunho, revisa contra o guia da marca e publica no blog. Tudo no mesmo loop, com o mesmo contexto e as mesmas ferramentas. Trecho da configuração (anonimizado):
system: Você é o agente de conteúdo. Pesquise, escreva, revise com rigor
e publique só quando estiver excelente.
tools: web_search, fetch_page, read_brand_guide, write_draft,
edit_draft, check_plagiarism, publish_post, post_to_social,
update_crm, send_newsletterNuma sexta, o agente publicou um rascunho com dados de um concorrente copiados de uma página que ele leu na pesquisa. A etapa de revisão existia no prompt, mas era o mesmo modelo, com o mesmo contexto cheio de páginas da web, revisando o próprio texto e com publish_post ao alcance o tempo todo.
Sinais de Mega-Agente:
- Um agente só faz etapas de natureza diferente: pesquisar, produzir, revisar, executar.
- Todas as ferramentas, de leitura e de efeito, estão disponíveis em todas as etapas.
- O system prompt descreve várias funções (“você é pesquisador, redator e revisor”).
- A revisão é feita pelo mesmo contexto que produziu o trabalho.
- O contexto do fim da tarefa carrega todo o material bruto do começo.
- Um problema numa etapa obriga a mexer no prompt de todas.
flowchart TD
B(["1. Briefing"]):::io --> A(["2. Um agente, um contexto, todas as ferramentas"]):::llm
A --> W["3. Pesquisa web"]:::untrusted
W --> A
A --> D["4. Rascunho e revisão no mesmo contexto"]:::tool
D --> A
A --> P["5. publish_post"]:::tool
- A tarefa chega inteira para um agente só.
- Ele tem todas as ferramentas e um prompt que tenta descrever todas as funções.
- O conteúdo da pesquisa, não confiável, entra no mesmo contexto que vai decidir a publicação.
- Quem revisa é quem escreveu, olhando o mesmo material.
- A ferramenta com efeito está disponível desde o primeiro passo.
Por que acontece
- Começa pequeno. O agente fazia só rascunhos. Publicar foi “só mais uma ferramenta”.
- Um agente parece mais simples. Um prompt, um loop, um deploy. Dividir parece complexidade desnecessária.
- Modelos bons dão conta no demo. Em tarefas curtas, o agente único funciona bem, e o problema só aparece em escala ou em casos estranhos.
- Ninguém desenha as fronteiras. Sem uma pergunta explícita sobre quais etapas existem, elas se misturam.
Greshake et al. (2023) documentaram injeção indireta: instruções escondidas em páginas que o agente lê. Um mega-agente que pesquisa e publica no mesmo contexto é o alvo clássico. A concessionária Chevrolet de Watsonville (2023) mostrou o outro lado do mesmo desenho: o bot que conversa também executa ação comercial, e um prompt malicioso virou uma oferta de Tahoe por 1 dólar.
Quanto custa ignorar
- Qualidade. Revisão no mesmo contexto tende a concordar com o que foi produzido. O modelo revê o próprio raciocínio, não o resultado com olhos novos.
- Segurança. Conteúdo não confiável lido na pesquisa fica no mesmo contexto que tem ferramentas de efeito. É a receita da injeção indireta.
- Contexto. O fim da tarefa carrega o lixo do começo. Veja Contexto Podre.
- Manutenção. Mudar como a revisão funciona exige mexer no prompt que também pesquisa e escreve, e cada mudança afeta tudo.
Imagine o mesmo padrão num e-commerce: um agente que tira dúvida sobre prazo, consulta o pedido e emite reembolso via Pix. A pergunta “cadê minha encomenda?” ainda tem emitir_reembolso na lista. Um texto na descrição do produto, ou um usuário criativo, empurra o modelo para o efeito.
Tratamento
| Refatoração | Escolha quando |
|---|---|
| Extrair Subagente | Há etapas com ferramentas e contexto próprios, como pesquisa e revisão. Cada uma vira um subagente que devolve só o resultado. Destino: Delegação a Subagentes. |
| Introduzir Roteador | O agente atende pedidos de tipos diferentes e cada tipo precisa de ferramentas diferentes. Um roteador escolhe o especialista. |
Muitas vezes a etapa final (publicar, pagar, enviar) nem precisa de modelo: vira um passo de código atrás de aprovação. Veja Pedir Aprovação Antes do Efeito.
Corte mínimo que já reduz o dano:
- Pesquisa lê a web num contexto isolado e devolve fatos citados, não HTML cru.
- Redação recebe briefing + fatos, sem as páginas.
- Revisão recebe o rascunho + guia da marca, sem o raciocínio de quem escreveu.
- Publicar é código, com humano no circuito se o canal for público.
O oposto também é smell: cinco agentes que só passam texto adiante, sem dividir ferramenta nem contexto. Isso é Multi-Agente Decorativo. Divida onde a natureza do trabalho muda, não onde o organograma pede um cargo.
O que você ganha
- Cada etapa com um prompt curto, ferramentas mínimas e contexto limpo.
- Revisão independente, que não herda o raciocínio de quem escreveu.
- Conteúdo da web longe das ferramentas de efeito.
- Cada etapa testável e ajustável sozinha.
Quando ignorar
- Tarefas curtas e homogêneas. Um agente que só responde perguntas consultando duas ferramentas de leitura não precisa ser dividido.
- Uma pessoa supervisiona cada passo. Um assistente de código no terminal, com um humano aprovando as edições, tolera um agente amplo.
- Etapas que precisam do mesmo contexto. Se escrever e ajustar dependem de todo o material lido, dividir pode custar mais do que ajuda. Separe ao menos as ferramentas de efeito.
É esse smell?
Checagem da aula
Responda as 6 perguntas para concluir a aula. Só assistir não conclui: a checagem é o que conta para a trilha e para o certificado.
Perguntas rápidas
Como corrigir Mega-Agente?
Com Extrair Subagente e Introduzir Roteador. Cada refatoração traz o passo a passo seguro, com eval antes e depois.
Onde Mega-Agente aparece na prática?
Nos cenários reais Assistente de voz de call center, Pipeline de criação de conteúdo e Automação de back-office com execução durável.
Para ir além
Relações
- Refatorações que tratam 2
- Aparece nos cenários 3
- Aparece nas trilhas 1