Um sistema multiagente (MAS) é uma forma de trabalho em que vários agentes de IA dividem os papéis e trabalham em paralelo para concluir uma única tarefa. Um agente coordenador divide o trabalho, os agentes trabalhadores (subagentes) pesquisam ou escrevem cada um no seu próprio contexto, e o coordenador junta os resultados.
Mas acrescentar agentes não deixa o sistema mais inteligente por si só. Em um experimento do Google Research e outros com seis tipos de tarefa, as configurações multiagente foram até cerca de 81% melhores do que um único agente em trabalhos que podem ser divididos, e até 70% piores em trabalhos que precisam avançar passo a passo. Este artigo explica a definição e os cinco padrões e, em seguida, usa esse experimento e o material publicado pela Anthropic, pela Cognition e por outros para que você consiga avaliar em que trabalhos ele ajuda e em quais ele piora o resultado.
Multiagente = uma equipe que divide os papéis e trabalha em paralelo
— em vez de pedir tudo a uma única IA, uma pequena equipe de especialistas divide o trabalho
Cada um tem sua própria janela de contexto e trabalha em paralelo.
O coordenador confere os resultados antes de juntá-los — nos experimentos, ter ou não esse coordenador que confere mudou muito o quanto os erros se espalhavam.
Sumário
- 1. O que é um sistema multiagente?
- 2. Por que coordenar várias IAs?
- 3. Os cinco padrões
- 4. O que os experimentos mostram: onde ajuda e onde atrapalha
- 5. Como os produtos reais usam
- 6. Custo: cerca de 15 vezes os tokens de um chat
- 7. Tabela de decisão: vale a pena usar?
- 8. Pontos-chave de projeto e tipos de falha comuns
- 9. Como cada padrão é escrito nos principais SDKs
- Resumo
- FAQ
1. O que é um sistema multiagente?
Um sistema multiagente (Multi-Agent System, MAS) é uma forma de trabalho em que vários agentes de IA cooperam para resolver uma tarefa. Cada agente tem suas próprias instruções (prompt), ferramentas e contexto, e juntos alcançam o objetivo trocando resultados.
A peça básica, um único agente, repete sozinho o ciclo “pensar → usar uma ferramenta → olhar o resultado”, como explicamos em O que é um agente de IA. A forma mais próxima de entender um sistema multiagente é esse ciclo somado à divisão de papéis e ao paralelismo.
Como ele difere de um único agente
| Aspecto | Um único agente | Multiagente |
|---|---|---|
| Estrutura | Uma IA repete o ciclo | Várias IAs trabalham juntas |
| Contexto | Tudo vai para uma única janela | Separado por papel (informações sem relação não se misturam) |
| Paralelismo | Quase sempre um passo depois do outro | Os trabalhadores podem avançar ao mesmo tempo |
| Propagação de erros | Os próprios erros se acumulam | Sem alguém que confira, o erro de um trabalhador vai direto para o resultado final |
| Custo | Menor (cerca de 4 vezes um chat) | Maior (cerca de 15 vezes um chat) |
| Bom para | Trabalho passo a passo em que cada etapa depende da anterior | Pesquisa, comparação e verificação que podem ser divididas em partes independentes |
Os multiplicadores de tokens são os números que a Anthropic publicou sobre seu próprio recurso de pesquisa (How we built our multi-agent research system, 13 de junho de 2025). Mais detalhes na seção 6.
2. Por que coordenar várias IAs?
O ponto de partida é “se um agente dá conta de tudo, use um”. Um sistema multiagente passa a ser necessário quando você esbarra em três muros que um único agente supera mal por causa da própria estrutura.
Três muros difíceis para um único agente
Como exemplo do efeito, a Anthropic relatou que, no recurso Research do Claude, uma configuração com o Claude Opus 4 como coordenador e o Claude Sonnet 4 como trabalhadores teve resultado 90,2% melhor do que o Opus 4 trabalhando sozinho na avaliação interna de pesquisa (mesma fonte). O mesmo texto diz que a quantidade de tokens usados explicava sozinha 80% da variação de desempenho (no BrowseComp, uma avaliação de pesquisa). Ou seja, a maior parte da força de um sistema multiagente vem de colocar contextos separados lado a lado para ler mais do que cabe em um único agente.
3. Os cinco padrões
Os sistemas multiagente assumem algumas poucas formas. Cada produto dá nomes diferentes, mas quase todos se encaixam nestes cinco. Quando cabe, indicamos também a categoria correspondente do experimento da seção 4 (independente, centralizada, descentralizada, híbrida).
3-1. Orquestrador–trabalhador (o mais usado)
Um coordenador (orquestrador) divide o trabalho e o distribui entre vários trabalhadores (subagentes). Cada trabalhador roda num contexto separado e devolve o resultado ao coordenador. Nos termos do experimento, é a configuração centralizada. Seguem esse padrão o recurso de pesquisa da Anthropic, os subagentes do Claude Code e a forma de “chamar um agente como ferramenta” do OpenAI Agents SDK (Agent.as_tool()).
3-2. Repasse (handoff: um revezamento de responsáveis)
Os agentes passam o controle da conversa dizendo, na prática, “daqui em diante é com você”. Na documentação do OpenAI Agents SDK, o especialista que recebe o repasse passa a ser o agente ativo pelo resto do turno. Funciona bem em atendimento, como encaminhar uma solicitação da recepção para o financeiro ou para o suporte técnico. O Swarm, antecessor experimental desse SDK, informa agora em seu repositório que foi substituído pelo Agents SDK, então projetos novos devem usar o Agents SDK.
3-3. Hierarquia (uma equipe de equipes)
Uma árvore com coordenadores intermediários abaixo do coordenador principal e trabalhadores abaixo deles. No Claude Code, os subagentes podem criar seus próprios subagentes até três níveis por padrão (documentação oficial), e o Cursor 2.5, de fevereiro de 2026, também passou a permitir que trabalhadores criem trabalhadores. Cada nível extra acrescenta tokens e espera, então defina um limite de profundidade.
3-4. Entre pares (debate e consenso)
Sem coordenador: vários agentes apresentam opiniões em pé de igualdade e repetem até chegar a um acordo. Nos termos do experimento, é a configuração descentralizada. Pesquisas sobre Multi-Agent Debate relatam ganhos de factualidade e raciocínio. Costuma se sair bem em trabalhos que exigem confrontar vários pontos de vista, como pesquisar na web (seção 4).
3-5. Pipeline (uma ordem fixa)
Cada agente é executado numa ordem fixa, como “pesquisar → estruturar → verificar → entregar”. Como é um programa, e não a IA, que decide qual agente roda em seguida, os resultados são estáveis e fica fácil ver onde algo falhou. O OpenAI Agents SDK apresenta o “encadeamento” (passar uma saída como entrada do próximo) e os “loops de avaliação” (alternar um agente que produz e outro que avalia) como padrões montados em código.
Os cinco padrões num relance
4. O que os experimentos mostram: onde ajuda e onde atrapalha
Qual padrão vence muda conforme a natureza do trabalho. O artigo que colocou números nisso é Towards a Science of Scaling Agent Systems, de pesquisadores do Google Research, do Google DeepMind e de outras instituições (versão mais recente de abril de 2026). Com três famílias de modelos — GPT, Gemini e Claude —, ele compara cinco configurações (um único agente e quatro multiagente) em seis tipos de tarefa e 260 combinações (apresentado no blog do Google Research em janeiro de 2026; as 180 configurações citadas no blog correspondem à primeira versão).
Fonte: seção 4.2 do artigo. Em corrigir código e em planejamento, todas as configurações multiagente testadas ficaram abaixo de um único agente; mostramos a que perdeu menos (corrigir código, de −2,1% a −14,9%; planejamento, de −39,1% a −70,0%).
Três pontos chamam a atenção.
- Só compensa de verdade em trabalhos divisíveis: na análise financeira, receitas, custos e mercados podem ser pesquisados separadamente e unidos no fim, então a configuração centralizada superou um único agente em cerca de 81%.
- Sai pela culatra em trabalhos que dependem da ordem: na tarefa de planejamento, em que cada passo determina o seguinte, todas as configurações foram piores que um único agente. Ao dividir o trabalho, as suposições se desencontram entre os trabalhadores e gasta-se esforço com coordenação.
- Corrigir código também não melhorou: a Anthropic também escreve que a maioria das tarefas de programação tem menos partes realmente paralelizáveis do que a pesquisa (seu texto), o que bate com esse resultado.
Um coordenador que confere segura a propagação de erros
O mesmo artigo mediu quanto os erros dos trabalhadores se propagam para o resultado final em cada configuração (como múltiplo, com um único agente = 1).
Independente (sem conversa nem conferência)
17,2×
Os resultados são apenas colocados lado a lado, então os erros ficam
Descentralizada (debate entre iguais)
7,8×
O debate corrige alguns erros, mas ninguém é responsável por conferir
Híbrida
5,1×
Coordenador mais alguma conversa entre trabalhadores
Centralizada (o coordenador confere)
4,4×
O coordenador confere os resultados antes de juntá-los
Fonte: tabela 5 do artigo (Error Amp). Na mesma tabela, o número de turnos por tarefa teve média de 7,2 com um único agente, contra 27,7 na centralizada e 44,3 na híbrida.
“Se um único agente já resolve 45% ou mais, acrescentar agentes tende a sair pela culatra.” O artigo relata que, em tarefas em que a precisão de um único agente já passa de cerca de 45%, acrescentar agentes tende a baixar a pontuação. O experimento apoia esta ordem: medir primeiro com um agente e decidir se acrescenta mais só depois de ver esse número.
5. Como os produtos reais usam
O recurso de pesquisa da Anthropic: mais trabalhadores conforme a dificuldade
O Research do Claude é um caso clássico de orquestrador–trabalhador: o coordenador divide a pergunta, os trabalhadores pesquisam em paralelo e o coordenador junta os resultados. O mais útil do projeto publicado é que o prompt diz quantos trabalhadores usar conforme a dificuldade da pergunta (seu texto).
| Tipo de pergunta | Número de trabalhadores | Chamadas de ferramentas |
|---|---|---|
| Checar um fato simples | 1 (só o coordenador) | 3–10 |
| Comparação direta | 2–4 | 10–15 cada |
| Pesquisa complexa | Às vezes mais de 10 | Cada trabalhador com uma responsabilidade claramente separada |
A Anthropic conta que, antes dessas diretrizes, as primeiras versões cometiam erros como criar 50 trabalhadores para uma pergunta simples. Ao montar o seu, o caminho mais rápido é colocar esta tabela diretamente no prompt como regra para dimensionar o trabalho. Além disso, passar a chamar a busca e outras ferramentas em paralelo reduziu o tempo de pesquisa das perguntas complexas em até 90%.
Subagentes no Claude Code e no Codex
No Claude Code, você pode entregar pesquisa, revisões e tarefas parecidas a subagentes. Cada subagente roda no próprio contexto e devolve só um resumo ao agente principal, então o contexto principal não enche. Por padrão, até 20 podem rodar ao mesmo tempo, aninhados em até três níveis. A diferença em relação às “equipes de agentes”, em que os trabalhadores conversam entre si enquanto avançam, está em Subagentes x equipes de agentes no Claude Code, e como pedir trabalho em paralelo comparando com o Codex, em Subagentes em paralelo no Codex e no Claude Code.
Devin (Cognition): de “não construa” a “coordenar”
Em junho de 2025, a Cognition publicou “Don't Build Multi-Agents”, argumentando que trabalhadores em paralelo que não conhecem as decisões uns dos outros produzem resultados conflitantes. Seus dois princípios são “compartilhar o contexto, e compartilhar o histórico completo do agente, não só mensagens soltas” e “ações carregam decisões implícitas, e decisões conflitantes trazem maus resultados”.
Em março de 2026, a mesma empresa lançou um recurso em que o Devin divide uma tarefa grande e a delega a vários Devins trabalhando em paralelo, cada um em sua própria máquina virtual. O Devin principal acompanha o andamento, resolve conflitos e reúne os resultados. Em vez de abandonar o paralelismo, ficou com um desenho em que o agente principal assume os choques entre trabalhadores — o que combina com o que a seção 4 mostrou sobre o coordenador que confere.
Cursor: seguir em frente sem esperar os trabalhadores
Na versão 2.5 (17 de fevereiro de 2026), o Cursor fez os subagentes rodarem de forma assíncrona, para que o agente principal continue trabalhando sem esperar. Os trabalhadores também podem criar seus próprios trabalhadores. A Anthropic também escreve que a execução síncrona, em que o coordenador espera os trabalhadores terminarem, cria gargalos; não fazer o agente principal esperar virou um problema comum a todos os fornecedores.
6. Custo: cerca de 15 vezes os tokens de um chat
A Anthropic escreve que agentes usam cerca de 4 vezes mais tokens que um chat, e sistemas multiagente cerca de 15 vezes (seu texto). Aplicado ao seu caso, a estimativa fica assim.
Exemplo de estimativa (multiplicadores do recurso de pesquisa da Anthropic; variam conforme o trabalho)
Uma pergunta que custa 10.000 tokens como chat → cerca de 40.000 com um agente e cerca de 150.000 tokens com um sistema multiagente.
Com 100 solicitações por dia: chat, 1 milhão; um agente, 4 milhões; multiagente, 15 milhões de tokens. Multiplique pelo preço por token da tabela oficial do modelo que você usa.
Não são só os tokens que crescem
Separe os limites que param a execução das metas orientativas
Quando trabalhadores criam trabalhadores e algo entra em loop, o custo dispara. Ao construir com o Claude, há dois tipos de limite que funcionam de forma diferente.
| Limite | Onde configurar | Para a execução? |
|---|---|---|
| Teto de gasto | max_budget_usd no Claude Agent SDK (maxBudgetUsd em TypeScript) | Sim (não cria novos trabalhadores e encerra a consulta) |
| Profundidade de aninhamento | Variável de ambiente CLAUDE_CODE_MAX_SUBAGENT_SPAWN_DEPTH (padrão 3; com 1, sem aninhamento) | Sim (os trabalhadores do último nível fazem o trabalho eles mesmos) |
| Trabalhadores simultâneos | Variável de ambiente CLAUDE_CODE_MAX_CONCURRENT_SUBAGENTS (padrão 20) | Sim (não cria trabalhadores acima do limite) |
| Orçamento de tarefa | task_budget na API do Claude (beta, mínimo de 20.000 tokens) | Não (uma meta com que o modelo dosa o próprio ritmo) |
Fontes: Subagents in the Agent SDK e Task budgets (consultado em 12 de novembro de 2026). Os três limites que param a execução valem para o TypeScript SDK v0.3.219 e o Python SDK v0.2.127 ou posteriores; em versões anteriores, alguns não existem ou têm outros padrões. A documentação descreve o orçamento de tarefa como orientativo, não obrigatório; combine-o com um teto de gasto ou com max_tokens quando precisar que a execução pare com certeza.
7. Tabela de decisão: vale a pena usar?
Juntando todo o material acima, cinco perguntas resolvem quase todas as decisões. Responda de cima para baixo; se qualquer uma cair do lado de “um único agente”, comece construindo com um.
| Pergunta | Favorece multiagente | Favorece um único agente | Base |
|---|---|---|---|
| O trabalho pode ser dividido em partes independentes? | Sim (por empresa, por documento, por ângulo) | Cada passo depende do resultado anterior | Análise financeira +80,8%, planejamento de −39,1% a −70,0% |
| Quão bem um único agente já se sai? | Precisão baixa com um agente | Um agente já resolve cerca de 45% ou mais | O artigo do Google Research e outros |
| Os trabalhadores precisam compartilhar o mesmo contexto? | A informação de cada trabalhador basta | Os resultados se chocam se nem todos virem o mesmo contexto (a maior parte da programação) | Anthropic, Cognition |
| Cabe em um único contexto? | Material demais; o contexto de um agente transborda | Cabe no contexto de um agente | O uso de tokens explicava 80% da variação de desempenho |
| O resultado vale 15 vezes os tokens? | Alto valor por solicitação (relatórios de pesquisa, auditoria e comparação) | Processamento rotineiro em massa, atendimento que exige resposta imediata | As ~15 vezes da Anthropic |
A Anthropic também recomenda, em seu guia para construir agentes, buscar a solução mais simples possível e acrescentar complexidade só quando necessário. Os passos para começar e exemplos mínimos de código estão em Como construir um sistema multiagente, e como montar seu primeiro agente, em Como criar um agente de IA.
8. Pontos-chave de projeto e tipos de falha comuns
① Dê a cada trabalhador objetivo, formato de saída, ferramentas e limites
A Anthropic escreve que, com instruções vagas, os trabalhadores entendem mal a tarefa, repetem as mesmas buscas de outros trabalhadores ou deixam de encontrar informações de que precisavam. Informe a cada trabalhador (1) o objetivo, (2) o formato a devolver, (3) as ferramentas e fontes que pode usar e (4) os limites da tarefa. Um subagente do Claude Agent SDK não recebe a conversa do agente principal; a única coisa passada a ele é o prompt com que você o chama (documentação oficial), então escreva nesse prompt os caminhos de arquivo e as decisões já tomadas.
② Diga até onde aprofundar
Os trabalhadores não são bons em decidir sozinhos até onde pesquisar. Escreva diretrizes de tamanho como a tabela da seção 5 e ajuste também a profundidade de raciocínio. O effort do Claude pode ser definido por trabalhador, e as definições de agente do Agent SDK aceitam de low a max. Manter leves os trabalhadores simples e profundos os de verificação segura o custo.
③ Faça da conferência parte do trabalho do coordenador
Como a seção 4 mostrou, a configuração centralizada, em que o coordenador confere os resultados antes de juntá-los, propagou muito menos erros que a independente sem conferência (4,4× contra 17,2×). Inclua nas instruções do coordenador uma etapa para procurar contradições entre os resultados dos trabalhadores e verificar as evidências antes de aceitá-los.
④ Conheça os tipos de falha
Pesquisadores da UC Berkeley e de outras instituições classificaram as falhas em 3 categorias e 14 tipos a partir de mais de 1.600 registros de execução de sete sistemas multiagente (Why Do Multi-Agent LLM Systems Fail?). Serve como lista de verificação ao revisar um projeto.
| Categoria | O que acontece | Solução |
|---|---|---|
| Problemas de projeto | Os agentes ignoram instruções de papel ou de tarefa, repetem os mesmos passos ou não sabem quando parar | Escrever papéis, escopo e condições de término nos prompts |
| Desalinhamento entre agentes | As suposições se chocam, informações necessárias não são repassadas, a contribuição de outros agentes é ignorada | Compartilhar o histórico completo; o coordenador resolve os choques |
| Falta de verificação | Encerrar cedo demais, não conferir ou conferir só superficialmente | Designar quem confere (o coordenador ou um trabalhador de verificação) |
⑤ Monte o registro desde o início
Se você não consegue ver o que um sistema multiagente está fazendo, não consegue consertá-lo. Registre desde o primeiro dia as entradas e saídas de cada trabalhador, o tempo, os tokens e as ferramentas chamadas. Sobre avaliação, a Anthropic conta que começou com cerca de 20 consultas que refletiam o uso real e pediu a uma IA que as pontuasse com uma rubrica. Observar como um pequeno conjunto de consultas muda, em vez de esperar um grande sistema de avaliação, é o caminho prático.
9. Como cada padrão é escrito nos principais SDKs
Cada SDK dá um nome diferente ao mesmo padrão. Para escolher entre eles (rapidez de protótipo, maturidade em produção, consumo de tokens), veja Comparativo de frameworks de agentes de IA; aqui mostramos só qual peça corresponde a cada padrão da seção 3.
| SDK | Orquestrador–trabalhador | Repasse / pipeline |
|---|---|---|
| Claude Agent SDK | Os trabalhadores são definidos com agents e chamados com a ferramenta Agent (antes Task) | Sem peça específica; o pipeline é feito chamando os agentes em ordem a partir do seu próprio código |
| OpenAI Agents SDK | Os trabalhadores são chamados como ferramentas com Agent.as_tool() | O controle é passado com handoffs; encadeamento e execução em paralelo são montados em código |
| LangGraph | Ramifica-se de um nó coordenador para nós trabalhadores | Ordem, ramificações e loops são escritos como um grafo de nós e arestas |
| Strands Agents (AWS) | Os trabalhadores são chamados como ferramentas com Agents as Tools | Com Swarm os trabalhadores repassam o trabalho entre si; com Graph ou Workflow define-se a ordem |
| Microsoft Agent Framework | Traz padrões de orquestração multiagente como peças | A ordem é definida como um fluxo de trabalho |
A Microsoft arquivou o repositório do AutoGen e não oferece mais correções de bugs nem de segurança (consultado em 12 de novembro de 2026). Para projetos novos, recomenda o sucessor, o Microsoft Agent Framework. Os exemplos mínimos de código de cada SDK estão em Como construir um sistema multiagente.
Resumo
- Um sistema multiagente divide os papéis entre várias IAs que trabalham em paralelo para concluir uma tarefa. Ele supera os muros de um único agente: contexto que transborda, falta de paralelismo e quem faz ser também quem confere.
- Os cinco padrões são orquestrador–trabalhador, repasse, hierarquia, entre pares e pipeline. O mais usado é o orquestrador–trabalhador.
- Se ajuda ou não depende do trabalho. Numa análise financeira divisível, superou um único agente em +80,8%; num planejamento que depende da ordem, perdeu de 39,1% a 70,0%; corrigir código também não melhorou.
- Com um coordenador que confere, a propagação de erros caiu de 17,2× (independente) para 4,4×.
- Os tokens ficam em torno de 15 vezes os de um chat (cerca de 4 vezes com um agente). Configure gasto, profundidade e simultaneidade como limites que realmente param a execução.
- Ordem das decisões: construa e meça primeiro com um agente. Separe em trabalhadores só as partes divisíveis em que um agente se mostrou insuficiente.
FAQ
Q1. Um sistema multiagente é sempre melhor do que um único agente inteligente?
Não. O recurso de pesquisa da Anthropic teve resultado 90,2% melhor que um único agente, mas em pesquisas que podiam ser divididas em partes independentes. No experimento do Google Research e outros, todas as configurações multiagente foram piores que um único agente na tarefa de planejamento dependente da ordem. Tudo depende de o trabalho poder ser dividido.
Q2. Multiagente ajuda em programação?
Fazer vários trabalhadores escreverem partes de uma mesma correção costuma não ajudar. No experimento, todas as configurações multiagente ficaram abaixo de um único agente ao corrigir código (SWE-bench Verified), de −2,1% a −14,9%. Por outro lado, entregar a trabalhadores tarefas independentes, como pesquisar, revisar ou rodar testes, para deixar livre o contexto principal é um uso típico dos subagentes do Claude Code.
Q3. Dá para migrar aos poucos de um único agente para multiagente?
Sim. Construa primeiro com um agente e meça precisão, tokens e tempo; quando ficar claro onde o contexto transborda ou o que poderia rodar em paralelo, separe só essas partes em trabalhadores. Se você projetar tudo como multiagente desde o início, não conseguirá medir o que realmente está ajudando.
Q4. Existe um protocolo de comunicação padrão entre agentes?
Para conectar agentes a ferramentas e dados, o MCP (Model Context Protocol) se tornou o padrão de fato. Ele se originou na Anthropic, foi doado à Agentic AI Foundation da Linux Foundation em dezembro de 2025 e é adotado por OpenAI, Microsoft, AWS e outros. Para a comunicação entre agentes existe o A2A (Agent2Agent), criado pelo Google e também transferido para a Linux Foundation. O ACP (Agent Communication Protocol) da IBM se fundiu ao A2A em agosto de 2025.
Q5. Um orçamento de tarefa impede que o custo dispare?
Não sozinho. O orçamento de tarefa da API do Claude é uma meta com que o modelo dosa o próprio ritmo, e a documentação diz que ele não é obrigatório. Para parar uma execução com certeza, configure o teto de gasto do Agent SDK (max_budget_usd) e limites de profundidade e de trabalhadores simultâneos (tabela da seção 6).
Q6. “Subagentes” e “multiagente” são coisas diferentes?
Subagentes são os trabalhadores do padrão orquestrador–trabalhador de um sistema multiagente. No Claude Agent SDK, o agente principal continua sendo um só e chama trabalhadores com a ferramenta Agent apenas quando precisa. Configurações em que os trabalhadores conversam diretamente entre si enquanto avançam (como as equipes de agentes do Claude Code) ficam mais próximas do padrão entre pares ou do híbrido.
