Glossário
74 termos de “De loops a grafos: engenharia de orquestração para sistemas de agentes”. Passe o cursor sobre a primeira ocorrência na lição para ver a definição.
| Termo | Definição | Fonte |
|---|---|---|
| fluxo de trabalho (workflow) | Um sistema em que LLMs e ferramentas são orquestrados através de caminhos de código predefinidos — as etapas são codificadas rigidamente, o modelo só é autônomo dentro de cada etapa individual. É uma metade de uma distinção arquitetural; os cinco padrões que este curso ensina pertencem todos a essa extremidade. | Building Effective AI Agents — Anthropic Engineering |
| agente | Um sistema em que LLMs direcionam dinamicamente seus próprios processos e mantêm controle sobre como realizam tarefas. A implementação geralmente é direta — tipicamente apenas LLMs usando ferramentas baseadas em feedback ambiental em um loop. | Building Effective AI Agents — Anthropic Engineering |
| encadeamento (chaining) | Quebrar um prompt monolítico em uma sequência de etapas com estados intermediários persistidos. Cada etapa é um agente completo com sua própria janela de contexto, e a saída de uma etapa alimenta a próxima. | Building Effective AI Agents — Anthropic Engineering |
| roteamento (routing) | Classificar a entrada e despachá-la para prompts ou agentes especializados. A chamada de roteamento deve ser barata (pequena, sem ferramentas), e os ramos devem ter especializações genuínas. | Building Effective AI Agents — Anthropic Engineering |
| paralelização (parallelization) | Executar múltiplos agentes simultaneamente para aumentar a capacidade (seccionamento) ou melhorar a qualidade (votação). Os resultados retornam ao orquestrador e são agregados programaticamente. | Building Effective AI Agents — Anthropic Engineering |
| seccionamento (sectioning) | Fan-out heterogêneo: dividir o trabalho em subtarefas independentes que podem ser executadas em paralelo. Cada seção pode ser diferente (módulos 1-10, 11-20, etc.). | Building Effective AI Agents — Anthropic Engineering |
| votação (voting) | Fan-out homogêneo: executar a mesma tarefa N vezes e agregar os resultados (votação majoritária, fusão de consenso). Usado para melhorar qualidade através de perspectivas independentes. | Building Effective AI Agents — Anthropic Engineering |
| orquestrador-workers (orchestrator-workers) | Um agente líder decide dinamicamente quantas subtarefas criar e como dividi-las, depois despacha para workers. A diferença-chave em relação ao seccionamento: as subtarefas não são predefinidas. | Building Effective AI Agents — Anthropic Engineering |
| evaluator-optimizer (avaliador-otimizador) | Padrão revisar-e-refinar: gerar um rascunho, avaliá-lo, revisar com base no feedback, repetir. Também chamado de 'laço de revisão'. | Building Effective AI Agents — Anthropic Engineering |
| gate (programmatic gate) | Verificação determinística entre etapas — expressões regulares, análise sintática, contadores, validação de esquema. O gate decide se a saída está pronta para a próxima etapa ou se precisa ser refeita. | Building Effective AI Agents — Anthropic Engineering |
| loop de harness | O laço fundamental de `stop_reason`: o modelo gera, você verifica stop_reason, executa ferramentas se TOOL_USE, retorna a saída da ferramenta, repete até END_TURN. Cada nó em um grafo multiagente é um desses. | Building Effective AI Agents — Anthropic Engineering |
| stop_reason | O campo que a API Messages retorna em cada turno: END_TURN (terminado), TOOL_USE (quer executar ferramenta), MAX_TOKENS (atingiu limite). Dirige a lógica do loop de harness. | Building Effective AI Agents — Anthropic Engineering |
| máximo de rodadas (max rounds) | Critério de parada para loops de revisão: pare após N rodadas mesmo se não passou no gate. Usado para evitar loops infinitos. | Building Effective AI Agents — Anthropic Engineering |
| fusível (fuse) | Salvaguarda determinística que mata o loop quando uma condição patológica é detectada — por exemplo, 10 rodadas sem mudança na saída. Mais esperto do que máximo de rodadas fixo. | Building Effective AI Agents — Anthropic Engineering |
| verificador determinístico (deterministic verifier) | Código que verifica se a saída atende aos requisitos sem usar um modelo — regex, análise sintática, esquema JSON, testes unitários. Mais rápido e mais confiável do que julgamento por LLM. | Building Effective AI Agents — Anthropic Engineering |
| pontuação em camadas (layered scoring) | Verificação em várias passagens: gates determinísticos primeiro (baratos, rápidos), depois LLM-as-judge para aspectos subjetivos. Também chamado de 'julgamento em camadas' ou 'alocação de julgamento em camadas'. | Building Effective AI Agents — Anthropic Engineering |
| comprovadamente melhorar os resultados (demonstrably improve outcomes) | O limiar para adicionar complexidade: meça uma linha de base primeiro, adicione o padrão, meça novamente, só mantenha se os números melhoraram. Do Curso 10. | Building Effective AI Agents — Anthropic Engineering |
| quem detém o plano (who holds the plan) | A distinção fundamental: workflows = plano no código (você escreveu if/else e loops), agentes = plano no modelo (o modelo decide os próximos passos). Este curso ensina a primeira. | Orchestrate subagents at scale with dynamic workflows — Claude Code official documentation |
| o script de fluxo de trabalho detém o loop, ramificações e resultados intermediários | A citação textual de fonte primária que ancora o uso de 'grafo' deste curso: o controle de fluxo vive no seu código, não nas decisões do modelo. | Orchestrate subagents at scale with dynamic workflows — Claude Code official documentation |
| dependência do caminho (path-dependent) | Trabalho onde a próxima etapa depende dos resultados da etapa anterior de forma imprevisível. Trabalho dependente do caminho é melhor com agentes; trabalho independente do caminho é melhor com workflows. | Orchestrate subagents at scale with dynamic workflows — Claude Code official documentation |
| fan-out | Despachar múltiplos agentes em paralelo. Pode ser seccionamento (tarefas diferentes) ou votação (mesma tarefa N vezes). Sempre emparelhado com merge/agregação. | Building Effective AI Agents — Anthropic Engineering |
| merge (fusão) | Agregar resultados de múltiplos agentes paralelos de volta ao orquestrador. Pode ser feito por código (concatenar, reduzir) ou por um modelo agregador. | Building Effective AI Agents — Anthropic Engineering |
| passe referências, não payloads (pass references, not payloads) | Padrão de merge: escrever saídas do worker em disco/armazenamento, repassar apenas identificadores ao orquestrador. Mantém o contexto do orquestrador leve. | How we built our multi-agent research system — Anthropic Engineering |
| teto de concorrência (concurrency ceiling) | Todos os produtos reais limitam quantos agentes podem rodar simultaneamente — 16 agentes concorrentes em produtos Anthropic. Planeje seu fan-out dentro desses limites. | How we built our multi-agent research system — Anthropic Engineering |
| pool de concorrência | Implementação que limita quantas Promises podem rodar simultaneamente. Gerencia fan-out dentro do teto de concorrência do produto. | Building Effective AI Agents — Anthropic Engineering |
| 4× (quatro vezes) | Multiplicador observado pela Anthropic: agentes usam cerca de 4× mais tokens do que interações de chat, devido ao loop de ferramentas e múltiplos turnos. | How we built our multi-agent research system — Anthropic Engineering |
| 15× (quinze vezes) | Multiplicador observado pela Anthropic: sistemas multiagente usam cerca de 15× mais tokens do que chat. Isso é a outra metade da melhora de 90,2% — ambos vêm do mesmo mecanismo. | How we built our multi-agent research system — Anthropic Engineering |
| 90,2% | Melhoria de desempenho relatada pela Anthropic no eval interno de pesquisa usando orquestrador-workers (agente líder Opus 4, workers Sonnet 4). O contexto: consultas de amplitude, não precisão. | How we built our multi-agent research system — Anthropic Engineering |
| regras de escala (scaling rules) | Instruções no prompt do orquestrador sobre quantos workers disparar e quanto cada um pode gastar. Controla custos em sistemas orquestrador-workers. | How we built our multi-agent research system — Anthropic Engineering |
| quatro elementos de um despacho | Todo despacho do orquestrador para workers precisa: (1) objetivo, (2) formato de saída, (3) orientação sobre ferramentas/fontes, (4) limites da tarefa. Omitir qualquer um leva a problemas. | How we built our multi-agent research system — Anthropic Engineering |
| execução síncrona (synchronous execution) | Fan-out onde o orquestrador aguarda todos os workers terminarem antes de prosseguir. Simples, mas pode ser um gargalo em grande escala. | How we built our multi-agent research system — Anthropic Engineering |
| execução assíncrona (asynchronous execution) | Fan-out onde workers rodam independentemente e o orquestrador consome resultados à medida que ficam prontos. Requer coordenação de resultados, consistência de estado e propagação de erros. | How we built our multi-agent research system — Anthropic Engineering |
| comportamento emergente (emergent behavior) | Sistemas multiagente exibem comportamentos que surgem sem programação específica. Pequenas mudanças no líder podem mudar imprevisívelmente como workers se comportam. | How we built our multi-agent research system — Anthropic Engineering |
| salvaguardas determinísticas (deterministic safeguards) | Lógica de retentativa, checkpoints regulares, timeouts no nível do nó — código que envolve agentes não determinísticos em comportamento previsível. | How we built our multi-agent research system — Anthropic Engineering |
| rainbow deployments | Deslocar tráfego gradualmente mantendo ambas as versões rodando, evitando perturbar agentes em execução. Específico para sistemas de agentes de longa duração. | How we built our multi-agent research system — Anthropic Engineering |
| grafo (graph) | Metáfora visual deste curso para composição de padrões: nós (agentes individuais) conectados por arestas (fluxo de dados). Não é terminologia oficial — ancorada na citação 'o script detém o loop, ramificações e resultados intermediários'. | Orchestrate subagents at scale with dynamic workflows — Claude Code official documentation |
| nó (node) | Na metáfora de grafo deste curso: um agente individual, tipicamente um loop de harness completo. Nós são conectados por arestas que representam fluxo de dados. | Orchestrate subagents at scale with dynamic workflows — Claude Code official documentation |
| aresta (edge) | Na metáfora de grafo deste curso: a conexão de fluxo de dados entre nós. A saída de um nó alimenta a entrada de outro. | Orchestrate subagents at scale with dynamic workflows — Claude Code official documentation |
| aresta de retorno (return edge) | Aresta que retorna da saída de um nó para sua própria entrada, criando um loop. Usado para representar loops de revisão no grafo visual. | Orchestrate subagents at scale with dynamic workflows — Claude Code official documentation |
| ponto de bifurcação (branch point) | Nó que despacha para caminhos diferentes com base em uma decisão. Representa roteamento ou condicionais no grafo visual. | Orchestrate subagents at scale with dynamic workflows — Claude Code official documentation |
| laço de revisão (review loop) | Padrão evaluator-optimizer: gerar rascunho → avaliar/verificar → revisar com base no feedback → repetir até passar ou atingir limite. Também chamado de revisar-e-refinar. | Building Effective AI Agents — Anthropic Engineering |
| revisar-e-refinar (revise-and-refine) | Nome alternativo para o padrão evaluator-optimizer. Mesmo padrão: gerar, avaliar, revisar em loop. | Building Effective AI Agents — Anthropic Engineering |
| verificar-corrigir-reverificar (check-fix-recheck) | Padrão mais simples que o laço de revisão: detectar erro específico → corrigir pontualmente → verificar se foi consertado. Uma rodada, não loop completo. | Orchestrate subagents at scale with dynamic workflows — Claude Code official documentation |
| nenhum progresso adicional (no additional progress) | Critério de parada: se o loop de revisão produzir saída idêntica em duas rodadas consecutivas, pare — o modelo não consegue melhorar mais. | Orchestrate subagents at scale with dynamic workflows — Claude Code official documentation |
| giro em falso (spinning) | Loop patológico onde o agente reescreve repetidamente sem melhorar — output oscila sem convergir. Fusível deve detectar e abortar. | Orchestrate subagents at scale with dynamic workflows — Claude Code official documentation |
| needs_human | Marcador de resultado quando o loop não consegue produzir saída qualificada: exit code 1 indica 'parou aqui, entregue a um humano'. | Orchestrate subagents at scale with dynamic workflows — Claude Code official documentation |
| STOP_AFTER | Switch de crash controlado do script deste curso: definir como 'merge' para antes da revisão, exit code 2, usado para verificar se o estado de fan-out/merge persistiu. Só reconhece 'merge' como valor. | Orchestrate subagents at scale with dynamic workflows — Claude Code official documentation |
| espectro de determinismo (determinism spectrum) | Eixo de controle de fluxo: totalmente determinístico (código decide tudo) ↔ totalmente autônomo (modelo decide tudo). Sistemas reais ficam em algum lugar no meio. | Building Effective AI Agents — Anthropic Engineering |
| máquina de estados (state machine) | Modelo onde o sistema move entre estados discretos baseado em transições. Mencionado na Lição 5 como alternativa conceitual a 'grafo', mas não usado como vocabulário do curso. | Orchestrate subagents at scale with dynamic workflows — Claude Code official documentation |
| rastro de execução (execution trace) | Log estruturado de cada etapa do grafo: qual nó rodou, quando, quanto custou, quantas rodadas. Escrito em run.jsonl e resumido em run-state.json. | Orchestrate subagents at scale with dynamic workflows — Claude Code official documentation |
| run-state.json | Arquivo de checkpoint do estado do grafo: quais nós completaram, resultados intermediários, onde parou. Escrito atomicamente (.tmp + rename) seguindo o Curso 9. | Create custom subagents — Claude Code official documentation |
| run.jsonl | Log de execução passo a passo em formato JSON Lines: cada linha é um evento (nó iniciado, nó completado, gate rodado). Usado para auditar e debugar. | Orchestrate subagents at scale with dynamic workflows — Claude Code official documentation |
| classificador (classifier) | Modelo ou lógica que decide o roteamento. Para roteamento por LLM, mantenha o prompt apertado (sem ferramentas, saída estruturada). | Building Effective AI Agents — Anthropic Engineering |
| fallback | Ramo padrão para quando a entrada não bate com nenhuma categoria do roteamento. Todo roteamento precisa de um fallback. | Building Effective AI Agents — Anthropic Engineering |
| specialization | Padrão de roteamento por domínio: despachar para agentes com prompts e ferramentas dedicados. Vocabulário de primeira mão atual. | Multiagent orchestration — Claude API documentation (Managed Agents) |
| escalation | Padrão de roteamento por dificuldade: consultar um agente ou modelo mais capaz para subconjunto de subtarefas complexas. Vocabulário de primeira mão atual. | Multiagent orchestration — Claude API documentation (Managed Agents) |
| conversa principal (main conversation) | A conversa do usuário onde o trabalho é solicitado. Subagentes são despachados a partir daqui e retornam resultados de volta. | Create custom subagents — Claude Code official documentation |
| 20 subagentes | Limite referenciado de quantos subagentes podem ser despachados de uma única conversa em produtos Anthropic. Planeje sua decomposição dentro desse limite. | Create custom subagents — Claude Code official documentation |
| subagentes sequencialmente (subagents sequentially) | Despachar subagentes um após o outro em vez de em paralelo. Relevante quando há dependências ou quando você quer controlar custos. | Create custom subagents — Claude Code official documentation |
| 25 threads concorrentes (25 concurrent threads) | Outro limite de concorrência mencionado em contextos de produto — varia por produto e nível de assinatura. Sempre verifique os limites atuais. | How we built our multi-agent research system — Anthropic Engineering |
| lote (batch / batching) | Agrupar múltiplos itens e processá-los juntos. Pode ser processamento de lote (todos de uma vez) ou lotes menores para controlar concorrência. | Building Effective AI Agents — Anthropic Engineering |
| Promise.all | Primitiva JavaScript para executar múltiplas Promises em paralelo e aguardar todas. Base para implementar fan-out simples. | Building Effective AI Agents — Anthropic Engineering |
| queda controlada (controlled crash) | Abortar deliberadamente com exit code específico para sinalizar estado. STOP_AFTER é exemplo: exit code 2 para parar depois do merge. | Orchestrate subagents at scale with dynamic workflows — Claude Code official documentation |
| escrita atômica (atomic write) | Padrão de escrever em arquivo .tmp primeiro, depois renomear para o nome real. Garante que crashes deixam o arquivo antigo intacto ou o novo completo, nunca corrompido. | Building Effective AI Agents — Anthropic Engineering |
| stub client (cliente stub) | Implementação falsa da API que retorna dados mockados. Usado na Lição 6 para testar o grafo sem chamar a API real e gastar tokens. | Orchestrate subagents at scale with dynamic workflows — Claude Code official documentation |
| revisão cruzada adversarial (adversarial cross-review) | Padrão de qualidade onde múltiplos agentes revisam o trabalho uns dos outros buscando problemas. Requer independência real entre revisores. | Orchestrate subagents at scale with dynamic workflows — Claude Code official documentation |
| esboçar de múltiplos ângulos e pesar (draft from multiple angles and weigh) | Padrão de votação para trabalho criativo: gerar N rascunhos independentes, depois sintetizar os melhores elementos. Requer agregação inteligente. | Orchestrate subagents at scale with dynamic workflows — Claude Code official documentation |
| separação de responsabilidades (separation of concerns) | Princípio de engenharia: cada nó/agente deve ter um trabalho claro e limitado. Facilita debug, reutilização e melhora a qualidade de cada parte. | How we built our multi-agent research system — Anthropic Engineering |
| janelas de contexto paralelas (parallel context windows) | Benefício do fan-out: cada worker tem sua própria janela de contexto, então você pode processar mais total do que caberia em uma janela. | How we built our multi-agent research system — Anthropic Engineering |
| consultas de amplitude vs. precisão (breadth vs. precision queries) | Distinção de tipos de pesquisa: amplitude = explorar território vasto, precisão = encontrar fato específico. O número 90,2% vem de consultas de amplitude. | How we built our multi-agent research system — Anthropic Engineering |
| aninhar até três camadas (nest up to three layers) | Limite de profundidade de subagentes: conversa principal → subagentes → subagentes dos subagentes → terceiro nível. Referência de produto Anthropic. | Create custom subagents — Claude Code official documentation |
| coordenação de resultados (result coordination) | Um dos três custos da execução assíncrona: rastrear quais workers terminaram, quais ainda estão rodando, e compor resultados parciais. | How we built our multi-agent research system — Anthropic Engineering |
| consistência de estado (state consistency) | Segundo custo da execução assíncrona: garantir que múltiplos workers não corrompam estado compartilhado. Requer locks, transações ou design sem estado compartilhado. | How we built our multi-agent research system — Anthropic Engineering |
| propagação de erros entre subagentes (error propagation across subagents) | Terceiro custo da execução assíncrona: decidir o que fazer quando um worker falha — abortar tudo, continuar com parciais, retentar. Requer política explícita. | How we built our multi-agent research system — Anthropic Engineering |