Pular para o conteúdo
Caramelo Tech

Workflow ou Agente?

A autonomia se conquista pelo problema

Seção intitulada “A autonomia se conquista pelo problema”

Depois de ver ferramentas, memória, MCP e frameworks, é fácil querer transformar tudo em agente. Só que a maioria dos sistemas de IA em produção não precisa de um agente, precisa de um workflow: uma sequência de passos definida por você, com o LLM entrando em pontos específicos.

A pergunta que separa os dois casos é uma só: o modelo precisa decidir o próximo passo em tempo de execução, ou você já sabe a sequência de antemão?

A recomendação da Anthropic no artigo “Building Effective Agents” é começar pelo workflow e só adicionar autonomia quando o caminho de execução realmente não puder ser conhecido antes. Não é uma questão de um ser mais moderno que o outro. Um sistema com autonomia demais para o problema fica caro, lento e difícil de depurar sem ganhar nada em troca. O melhor sistema é o que tem exatamente a autonomia que a tarefa exige.

O que é um workflow

Seção intitulada “O que é um workflow”

Num workflow, o LLM e as ferramentas são orquestrados por caminhos de código predefinidos. Quem controla a sequência é a sua aplicação, não o modelo.

flowchart LR
    E[Entrada] --> P1[Passo 1: LLM extrai dados]
    P1 --> P2[Passo 2: valida no banco]
    P2 --> P3[Passo 3: LLM redige resposta]
    P3 --> S[Saída]

Características:

  • Os passos e a ordem são fixos, e cada passo usa uma ferramenta específica
  • A aplicação cuida da validação e do que fazer quando algo falha
  • É mais fácil de testar, observar e depurar, porque o caminho é sempre o mesmo
  • Risco menor e comportamento previsível

Serve bem para processos repetíveis e bem definidos, onde você consegue desenhar o fluxograma inteiro antes de escrever a primeira linha.

O que é um agente

Seção intitulada “O que é um agente”

Num agente, o modelo dirige o próprio processo. Ele decide qual é o próximo passo, escolhe qual ferramenta chamar naquele momento, ajusta o plano conforme avança e reage ao que descobre no meio do caminho.

flowchart TD
    O[Objetivo] --> M{Modelo decide<br/>o próximo passo}
    M -->|precisa buscar| B[Busca]
    M -->|precisa consultar| D[(Banco)]
    M -->|precisa executar| C[Código]
    B --> M
    D --> M
    C --> M
    M -->|objetivo atingido| R[Resposta]

Essa flexibilidade tem um custo:

  • Mais modos de falha e mais variação entre uma execução e outra
  • A superfície de avaliação fica muito maior, porque você não sabe de antemão quais caminhos o agente vai tomar
  • Erros se acumulam: um passo errado no começo contamina todos os seguintes (isso costuma ser chamado de compounding errors)
  • Cada rodada extra do loop custa tokens e tempo

Vale a pena quando o problema é complexo, muda a cada caso e não dá para mapear o caminho com antecedência.

Como decidir

Seção intitulada “Como decidir”

Boas candidatas a workflow:

  • Processamento de documentos
  • ETL e pipelines de dados
  • RAG estruturado, com as etapas fixas de buscar, montar contexto e responder (ver Arquiteturas de RAG)
  • Fluxos de aprovação
  • Processos de negócio repetíveis

Boas candidatas a agente:

  • Pesquisa aberta, sem um roteiro claro
  • Planejamento que precisa se adaptar durante a execução
  • Problemas que exigem combinar várias ferramentas de um jeito que muda a cada caso
  • Tarefas de longo horizonte, com muitos passos encadeados
  • Qualquer situação em que o caminho de execução é desconhecido

Antes de escolher qualquer um dos dois, considere se você precisa mesmo de um sistema com vários passos. Muitas vezes uma única chamada de LLM, com um bom contexto e alguns exemplos, já resolve o problema.

Padrões de workflow

Seção intitulada “Padrões de workflow”

Workflow não quer dizer “uma chamada de LLM atrás da outra em linha reta”. Existem alguns padrões conhecidos, catalogados pela Anthropic:

  • Prompt chaining: chamadas em sequência, cada uma processando a saída da anterior. Bom quando a tarefa se divide em etapas limpas (rascunhar, depois revisar, depois formatar)
  • Routing: uma primeira chamada classifica a entrada e manda para o fluxo especializado certo. Um suporte que separa “dúvida de cobrança” de “problema técnico” antes de responder
  • Parallelization: várias chamadas rodando ao mesmo tempo, com as respostas agregadas no final. Útil para revisar um texto sob vários critérios de uma vez
  • Orchestrator-workers: um LLM central quebra a tarefa e distribui subtarefas para outros LLMs. É o mesmo desenho do padrão supervisor/worker visto em Sistemas Multi-Agentes
  • Evaluator-optimizer: um LLM gera uma resposta, outro avalia e devolve feedback, e isso repete até ficar bom

O ponto em comum: em todos eles, é o seu código que decide o que acontece depois, não o modelo.

Esses padrões olham para como você compõe as chamadas de LLM. Uma outra forma de organizar o assunto é pela forma do loop de execução do agente, do mais simples (uma chamada só) ao mais controlado (com uma etapa de verificação antes de agir), o tema de Padrões de execução de agentes. Antes disso, porém, vem uma pergunta ainda mais básica: como quebrar a tarefa em etapas para começar, o assunto de Decomposição de Tarefas.

O que não muda

Seção intitulada “O que não muda”

Escolher workflow ou agente é decisão de arquitetura, mas as duas rodam sobre a mesma base quando vão para produção: permissões de ferramenta bem restritas, aprovação humana nas ações de risco, observabilidade, avaliação automatizada, estado durável com caminho de recuperação e controles de segurança.

Esse é o assunto de Agentes em Produção, e vale tanto para um workflow simples quanto para o agente mais autônomo.

Referências

Seção intitulada “Referências”