Audiência: Engenheiros sênior / AI builders
Formato: Opinião + padrões de arquitetura
Contexto: Sistemas simples, compostos e mantíveis
TL;DR
- Agentes monolíticos estão atingindo um limite prático
- A nova direção: skills pequenas, específicas e reutilizáveis
- Menos “inteligência centralizada”, mais composição explícita
O problema com agentes gigantes
O padrão dominante em 2024–2025 foi:
um agente que “faz tudo”
- decide
- planeja
- executa
- itera
Em teoria parece poderoso.
Na prática:
- difícil de testar
- difícil de debugar
- comportamento imprevisível
Sinais de saturação
Equipes reais estão vendo:
- workflows frágeis
- loops desnecessários
- dependência de prompts complexos
- resultados inconsistentes
O problema não é o modelo.
É a forma como estamos encapsulando lógica.
A alternativa: skills
Em vez de um agente monolítico:
divida em capacidades pequenas
Uma skill é:
- específica
- testável
- reutilizável
Exemplo:
generate_summaryvalidate_schemarun_tests
Mudança de modelo mental
Antes:
“o agente decide o que fazer”
Agora:
“o sistema compõe capacidades”
Arquitetura recomendada
1. Skills como funções
async function generateSummary(input: string) {
return llm.call({ prompt: `Resume: ${input}` });
}
2. Orquestração explícita
if (task === "summarize") {
return generateSummary(input);
}
3. Composição
const result = await runPipeline([
extractData,
validateData,
generateReport
]);
4. Observabilidade
Cada etapa:
- logs claros
- inputs/outputs visíveis
Por que isso funciona melhor
Controle
Você sabe exatamente o que está acontecendo.
Testabilidade
Cada skill pode ser validada de forma isolada.
Reutilização
Mesmo bloco → múltiplos workflows.
Manutenibilidade
Mudanças locais, não sistêmicas.
Quando usar agentes (de verdade)
Os agentes continuam sendo úteis quando:
- o problema é aberto
- não há fluxo claro
- exploração é necessária
Mas mesmo assim:
limite seu escopo
Anti-patterns comuns
- agente com acesso total
- lógica implícita em prompts
- loops autônomos sem limites
- falta de logs
Padrão híbrido
Uma arquitetura prática:
skills determinísticas + agente leve
O agente:
- seleciona
- não executa diretamente
Implicações para equipes
Isso não é apenas técnico.
É organizacional.
- melhor onboarding
- menos dependência de especialistas
- mais velocidade sem perder controle
Veredicto
O problema não é que os agentes não funcionem.
É que estamos tentando usá-los para tudo.
Reflexão final
A próxima geração de sistemas de IA não será:
- mais autônoma
Será:
- mais modular
- mais observável
- mais componível
Porque em sistemas reais:
a simplicidade escala melhor que a “inteligência”.