Ir para o conteúdo principal
Português— Escolher um idioma
Menu

Casos de Utilização Multi-Agentes

Aula 16 de 18 Atualizada a 2 de novembro de 2026 Programador
Nesta página
  1. Do Conceito à Realidade
  2. Caso 1: Apoio ao Cliente Multinível
  3. Caso 2: Pipeline de Inteligência Estratégica
  4. Caso 3: O Assistente Versátil
  5. O que Distingue um Protótipo de um Sistema
  6. Pontos-chave

Do Conceito à Realidade

Agora que compreende as transferências (handoffs), os modos de execução e o encadeamento, esta lição reúne esses blocos de construção em três sistemas completos, cada um baseado numa topologia diferente: uma cadeia de escalonamento, um pipeline e um router. À medida que lê, observe como a arquitetura flui a partir do problema, e não o contrário: a natureza da necessidade dita a forma, não a tecnologia.

Caso 1: Apoio ao Cliente Multinível

As operações de apoio funcionam por níveis: a maioria dos pedidos resolve-se no primeiro contacto, uma minoria requer diagnóstico técnico e um punhado acaba nas mãos de um humano. Esta realidade mapeia-se diretamente numa cadeia de escalonamento, onde cada nível transfere apenas para o seguinte.

from mistralai.client import Mistral
import os

client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])

# Level 1: FAQ and simple questions
level1 = client.beta.agents.create(
    model="mistral-medium-latest",
    name="support-level1",
    description="Level 1 support: FAQ, common questions, basic information.",
    instructions="""You are the first level of support.
- Answer simple questions (hours, rates, FAQ)
- If the question is technical or complex, transfer to level 2
- Be polite and professional""",
    tools=[{"type": "document_library", "library_ids": ["faq-library-id"]}]
)

# Level 2: Technical support
level2 = client.beta.agents.create(
    model="mistral-large-latest",
    name="support-level2",
    description="Technical support: diagnosis, troubleshooting, configuration.",
    instructions="""You are technical support.
- Diagnose technical issues
- Propose step-by-step solutions
- If the problem requires manual intervention, transfer to level 3""",
    tools=[{"type": "web_search"}, {"type": "code_interpreter"}]
)

# Level 3: Human escalation (simulation)
level3 = client.beta.agents.create(
    model="mistral-large-latest",
    name="support-level3",
    description="Escalation: critical issues requiring human intervention.",
    instructions="""Prepare a summary of the issue for the technical team:
- Problem context
- Diagnostic steps performed
- Solutions attempted
- Recommendation"""
)

# Chain the escalations
level1 = client.beta.agents.update(agent_id=level1.id, handoffs=[level2.id])
level2 = client.beta.agents.update(agent_id=level2.id, handoffs=[level3.id])

Duas decisões destacam-se. O Nível 1 executa no mistral-medium-latest, enquanto os níveis subsequentes usam o mistral-large-latest. O Nível 1 absorve o maior volume; atribuir-lhe o modelo mais caro significaria pagar por competências desnecessárias para perguntas sobre horários de funcionamento. O Nível 3, entretanto, não resolve nada; apenas redige um dossier do caso. É exatamente isso que se espera de um escalonamento humano: o engenheiro que assume a tarefa recebe o contexto, os passos de diagnóstico já realizados e as soluções já tentadas, em vez de reiniciar o interrogatório do zero.

Na prática, um cliente escreve: «Não consigo aceder à minha conta». O Nível 1 consulta as FAQ, não encontra nenhum caso correspondente e transfere. O Nível 2 diagnostica um problema de base de dados fora do seu âmbito e transfere novamente. O Nível 3 prepara o ticket com todo o histórico.

Caso 2: Pipeline de Inteligência Estratégica

Aqui, a ordem é fixa e conhecida antecipadamente: não se pode analisar o que ainda não foi recolhido, nem escrever o que ainda não foi analisado. Uma cadeia linear é, portanto, obrigatória, e o ponto de entrada não é um router, mas sim o primeiro elo.

# Collector — searches for raw information
collector = client.beta.agents.create(
    model="mistral-large-latest",
    name="intelligence-collector",
    description="Collects strategic information via web search.",
    instructions="""Search for information on the requested topic.
- Cover multiple sources
- Include numerical data
- Note publication dates""",
    tools=[{"type": "web_search"}]
)

# Analyst — extracts insights
analyst = client.beta.agents.create(
    model="mistral-large-latest",
    name="intelligence-analyst",
    description="Analyzes and extracts insights from raw data.",
    instructions="""Analyze the collected data:
- Identify trends
- Spot opportunities and threats
- Quantify when possible""",
    tools=[{"type": "code_interpreter"}]
)

# Reporter — produces the report
reporter = client.beta.agents.create(
    model="mistral-large-latest",
    name="intelligence-reporter",
    description="Writes structured intelligence reports.",
    instructions="""Write a professional intelligence report:
## Executive Summary (3 sentences)
## Key Facts (bullet points)
## Analysis (2-3 paragraphs)
## Recommendations (concrete actions)
## Sources"""
)

# Pipeline
collector = client.beta.agents.update(agent_id=collector.id, handoffs=[analyst.id])
analyst = client.beta.agents.update(agent_id=analyst.id, handoffs=[reporter.id])

# Launch
response = client.beta.conversations.start(
    agent_id=collector.id,
    inputs="Strategic intelligence: sovereign AI market in Europe, Q1 2026."
)

O esboço do relatório está escrito preto no branco nas instruções do agente repórter, até ao número de frases no resumo executivo. Este nível de precisão é o que torna a inteligência acionável ao longo do tempo: todos os relatórios saem no mesmo formato, permitindo comparações semana a semana e a sua distribuição sem necessidade de edição. Note também a instrução dada ao coletor para registar as datas de publicação; sem ela, um relatório de inteligência pode parecer sólido enquanto se baseia em fontes desatualizadas.

Caso 3: O Assistente Versátil

Quando os pedidos envolvem competências não relacionadas, não há escalonamento nem pipeline; existe roteamento. O router central lê o pedido e envia-o para um dos seus quatro especialistas, nenhum dos quais precisa de saber da existência dos outros.

# Specialists
web_researcher = client.beta.agents.create(
    model="mistral-large-latest",
    name="web-researcher",
    description="Searches for current information on the internet.",
    tools=[{"type": "web_search"}]
)

data_analyst = client.beta.agents.create(
    model="mistral-large-latest",
    name="data-analyst",
    description="Data analysis, statistics, and visualizations.",
    tools=[{"type": "code_interpreter"}]
)

doc_expert = client.beta.agents.create(
    model="mistral-large-latest",
    name="doc-expert",
    description="Queries and synthesizes internal documents.",
    tools=[{"type": "document_library", "library_ids": ["docs-lib-id"]}]
)

creative = client.beta.agents.create(
    model="mistral-large-latest",
    name="creative-agent",
    description="Creates visual content and illustrations.",
    tools=[{"type": "image_generation"}]
)

# Central router
assistant = client.beta.agents.create(
    model="mistral-large-latest",
    name="research-assistant",
    description="Versatile research assistant.",
    instructions="""You are a research assistant. Analyze each request and transfer to the appropriate specialist:
- Current information → web-researcher
- Calculations and data → data-analyst
- Questions about our documents → doc-expert
- Need for illustrations → creative-agent""",
    handoffs=[web_researcher.id, data_analyst.id, doc_expert.id, creative.id]
)

Cada especialista possui exatamente uma ferramenta, e as quatro descrições não se sobrepõem em lado nenhum. Esta ausência de sobreposição é o que torna o roteamento estável: se dois agentes pudessem plausivelmente tratar o mesmo pedido, a escolha variaria de uma execução para outra, e os seus utilizadores experienciariam uma qualidade inconsistente sem compreender o motivo.

O que Distingue um Protótipo de um Sistema

Estes três sistemas partilham a mesma regra de conceção: um agente, uma responsabilidade. Assim que um agente acumula duas funções, as suas instruções contradizem-se e a sua descrição torna-se demasiado vaga para que o router decida corretamente. Escreva, portanto, cada descrição tendo em mente a decisão que esta deve permitir, e redija cada conjunto de instruções para declarar tanto o que o agente não deve fazer como o que deve fazer.

A passagem para produção adiciona quatro requisitos que um protótipo ignora. Primeiro, o registo (logging): o modo cliente permite rastrear cada transferência com os seus próprios identificadores, o que será o seu único recurso no dia em que um utilizador reportar uma resposta aberrante. Segundo, os tempos limite (timeouts), essenciais em cadeias longas onde um elo bloqueado imobiliza o restante. Terceiro, os mecanismos de fallback, porque a pergunta «o que acontece se este agente falhar?» deve ter uma resposta escrita antes da entrada em produção, e não após o primeiro incidente. Por fim, o acompanhamento de custos: uma cadeia de três agentes consome tokens em cada retransmissão, e apenas um contador por conversação lhe dirá se o seu pipeline de inteligência custa alguns cêntimos ou muito mais.

Pontos-chave

  • O apoio ao cliente multinível é um caso de utilização natural para transferências (handoffs)
  • Os pipelines de inteligência (recolher → analisar → escrever) aproveitam o encadeamento linear
  • Os assistentes versáteis utilizam um router central para especialistas
  • Em produção: registo, tempos limite, mecanismos de fallback e monitorização de custos são essenciais
  • Um agente = uma responsabilidade, com uma descrição precisa para o roteamento