O padrão arquitetural que entrega resultados mais consistentes separa o sistema em duas responsabilidades: uma camada de controle determinística que gerencia a progressão do workflow, e uma camada de execução criativa onde agentes fazem o trabalho real.
Isso não é apenas um padrão emergente de early adopters. Está sendo formalizado em toolkits de produção. O Agent Development Kit (ADK) do Google, por exemplo, codifica exatamente essa separação em sua taxonomia de tipos de agente. Distingue entre agentes baseados em LLM (não-determinísticos, usando modelos como Gemini para raciocínio e trabalho criativo) e agentes de workflow (determinísticos, executando sub-agentes em sequências fixas, branches paralelos ou loops iterativos). Os tipos SequentialAgent, ParallelAgent e LoopAgent do ADK são todos primitivos de workflow determinísticos. Não raciocinam. Orquestram. O raciocínio acontece dentro dos agentes baseados em LLM que eles despacham. Quando uma grande plataforma cloud codifica o mesmo padrão arquitetural que emergiu independentemente em múltiplas equipes de produção, isso indica que o padrão cruzou da experimentação para o consenso industrial.
Num projeto numa grande mineradora, experimentamos deixar o sistema de agentes se auto-organizar. Em problemas contidos e pequenos, funcionou surpreendentemente bem. Mas quando escalamos para um codebase complexo com componentes interdependentes e várias features em paralelo? O sistema pulava para implementação antes do design estar resolvido. Criava emaranhados de dependências. Às vezes caía num loop reconsiderando a mesma questão de design repetidamente sem convergir.
Um paper de novembro de 2025 (Drammeh et al., arXiv:2511.15755) quantificou isso: em 348 experimentos controlados, a abordagem de agente único produziu saídas úteis apenas 1,7% das vezes. O sistema multi-agente orquestrado conseguiu resultados acionáveis em todos os testes. Isso não é melhoria incremental. É a diferença entre uma ferramenta confiável e uma que não é.
A Camada de Controle: Chata de Propósito
A camada de controle é deliberadamente não-inteligente. Sem modelos de linguagem, sem redes neurais. É uma máquina de estados baseada em regras que move trabalho por uma sequência de fases definidas.
Gates de fase: Requisitos devem estar completos antes de gerar tarefas. Arquitetura deve ser revisada antes de codar.
Resolução de dependências: Se Tarefa C depende de Tarefa A, a engine garante que A termina antes de C começar.
Rastreamento de estado: Cada artefato carrega um status: rascunho, em revisão, aprovado, concluído.
Despacho de agentes: Quando um requisito atinge 'aprovado', a engine dispara geração de tarefas. Gatilhos condicionais, não decisões.
Pense nisso como uma esteira numa planta industrial. A esteira não sabe nada sobre os produtos nela. Só move itens de estação em estação segundo regras fixas. A inteligência vive nas estações (os agentes), não na esteira.
A Camada de Execução
Dentro de cada fase, agentes lidam com o trabalho que requer inteligência: interpretar um requisito de negócio, propor escolhas tecnológicas com tradeoffs fundamentados, escrever código e testes. As implementações mais confiáveis designam agentes especializados para tarefas distintas. Um para requisitos. Outro para arquitetura. Um terceiro para codificação. Um quarto como serviço de conhecimento compartilhado.
Isso espelha como organizações de engenharia bem-funcionantes realmente trabalham. Seu melhor analista de requisitos não escreve código de produção. Seu melhor arquiteto não gerencia a suite de testes. Especialização permite que cada participante seja avaliado contra uma definição clara e estreita de qualidade.
Um survey de janeiro de 2026 sobre orquestração de sistemas multi-agente (arXiv:2601.13671) documentou esse padrão em múltiplas indústrias. Num caso, um grande banco aplicou uma 'fábrica digital' agêntica para modernizar software legado de centenas de aplicações. Agentes diferentes documentavam código existente, geravam novos módulos, revisavam output dos pares e rodavam testes de integração. Execução paralela com checks contínuos de qualidade cortou o tempo de desenvolvimento em mais de 50 por cento. A chave não era a inteligência de nenhum agente individual. Era a camada de orquestração gerenciando handoffs, aplicando gates de qualidade e mantendo o grafo de dependências.
Isso ressoa com algo que aprendi nos meus anos de consultoria construindo plataformas de analytics na Austrália. O modo de falha mais comum não era modelos ruins ou dados ruins. Eram handoffs ruins entre times. Engenheiros de dados construíam pipelines, times de analytics construíam modelos em cima, e os dois divergiam porque ninguém gerenciava a interface entre eles. Sistemas multi-agente enfrentam o idêntico desafio de coordenação, e a solução é a mesma: contratos explícitos, validação automatizada em cada handoff e um sistema central que garante o sequenciamento.
Este artigo é de O SDLC Agêntico por Carlos Aggio.