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 | Um sistema em que LLMs e ferramentas são orquestrados por caminhos de código predefinidos — as etapas são fixadas no código e o modelo só é autônomo dentro de cada etapa individual. É uma das metades de uma distinção arquitetural; os cinco padrões que este curso ensina pertencem todos a esse extremo. | Building Effective AI Agents — Anthropic Engineering |
| agente | Um sistema em que LLMs dirigem dinamicamente os próprios processos e mantêm o controle sobre como cumprem as tarefas. A implementação costuma ser direta — tipicamente apenas LLMs usando ferramentas com base no feedback do ambiente, em loop. | Building Effective AI Agents — Anthropic Engineering |
| encadeamento | Encadeamento de prompts: decompor uma tarefa numa sequência de etapas em que cada chamada de LLM processa a saída da anterior, com verificações programáticas inseríveis entre as etapas. Serve quando a tarefa pode ser decomposta de forma limpa em subtarefas fixas. | Building Effective AI Agents — Anthropic Engineering |
| roteamento | Classificar uma entrada primeiro e então despachar para tarefas de acompanhamento especializadas, trocando por separação de responsabilidades e prompts mais especializados. Pré-requisito: as categorias são distintas e a própria classificação pode ser tratada com precisão. | Building Effective AI Agents — Anthropic Engineering |
| paralelização | Um fluxo de trabalho em que LLMs tratam múltiplas subtarefas simultaneamente e as saídas são agregadas por código, com duas variações: seccionamento e votação. | Building Effective AI Agents — Anthropic Engineering |
| seccionamento | Quebrar uma tarefa em subtarefas mutuamente independentes e rodá-las em paralelo — como revisar 12 documentos, um por caminho. | Building Effective AI Agents — Anthropic Engineering |
| votação | Rodar a mesma tarefa várias vezes para obter saídas diversas e então agregar por código. | Building Effective AI Agents — Anthropic Engineering |
| orquestrador-workers | Um fluxo de trabalho em que um LLM central quebra tarefas dinamicamente, delega a LLMs workers e sintetiza os resultados. O ponto-chave é que as subtarefas não são predefinidas — o orquestrador as determina a partir da entrada específica. | Building Effective AI Agents — Anthropic Engineering |
| evaluator-optimizer | Um LLM gera uma resposta enquanto outro fornece avaliação e feedback em loop, repetindo até passar ou até não haver mais progresso. Serve quando os critérios de avaliação são claros e o refinamento iterativo entrega valor mensurável. | Building Effective AI Agents — Anthropic Engineering |
| gate | Uma verificação programática (não outra chamada de modelo) dentro de uma cadeia ou loop, que usa código para fazer checagens determinísticas — mesma entrada, sempre a mesma conclusão — usada para barrar resultados intermediários não qualificados. | Building Effective AI Agents — Anthropic Engineering |
| loop de harness | O while loop dirigido por stop_reason: envie a mensagem, verifique o motivo da parada, se for tool_use execute as ferramentas e devolva, caso contrário retorne. Todo ‘nó’ deste curso roda esse loop por dentro. | Building Effective AI Agents — Anthropic Engineering |
| stop_reason | O campo em cada resposta do modelo que declara ‘por que este turno parou’, do qual o loop de harness depende para decidir se continua chamando ferramentas ou se encerra. | Building Effective AI Agents — Anthropic Engineering |
| máximo de rodadas | O teto de iterações definido para um loop, um fusível — garante que o código pare sob qualquer circunstância. Ele mantém o controle, não julga qualidade. | Building Effective AI Agents — Anthropic Engineering |
| fusível | A metáfora deste curso para as condições de parada de reserva da classe ‘máximo de rodadas’: não deveria disparar normalmente, e disparar significa que os outros mecanismos de parada não pegaram o caso. | Building Effective AI Agents — Anthropic Engineering |
| verificador determinístico | Um checador capaz de julgar certo ou errado por código: se o código consegue julgar, não gaste dinheiro perguntando ao modelo. Este curso o moveu de ‘estado terminal’ para ‘entre os elos da cadeia’. | Building Effective AI Agents — Anthropic Engineering |
| pontuação em camadas | Use código para julgar primeiro o que o código consegue julgar, e só entregue ao modelo o que o código não consegue. Este curso copiou essa disciplina direto para a ordenação dos nós do loop (gate antes do juiz). | Building Effective AI Agents — Anthropic Engineering |
| comprovadamente | Só considere acrescentar complexidade quando ela comprovadamente melhorar os resultados — cada nó ou camada de padrão acrescentada precisa passar por esse gate. | Building Effective AI Agents — Anthropic Engineering |
| quem detém o plano | O eixo para julgar em qual extremo do espectro de determinismo um sistema cai: o plano está nas mãos do código (fluxo de trabalho) ou nas mãos do modelo (agente)? | Orchestrate subagents at scale with dynamic workflows — Claude Code official documentation |
| o script detém o loop, a ramificação e os resultados intermediários | A frase dos materiais primários que descreve fluxo de trabalho, e também a única âncora primária da metáfora de ‘grafo’ deste curso: o plano está no script, e o contexto do modelo guarda apenas a resposta final. | Orchestrate subagents at scale with dynamic workflows — Claude Code official documentation |
| rastrear incrementalmente | O runtime rastreia incrementalmente o resultado de cada agente conforme a execução avança. É isso que torna uma execução retomável dentro da mesma sessão; retomar entre processos ainda exige que você mesmo persista o estado em disco. | Orchestrate subagents at scale with dynamic workflows — Claude Code official documentation |
| verificar-corrigir-reverificar | A forma de produto do loop de revisão: rode um checador, corrija o que falhou, repita até passar ou até não haver mais progresso. | Orchestrate subagents at scale with dynamic workflows — Claude Code official documentation |
| nenhum progresso adicional | Um mecanismo de parada mais inteligente que o máximo de rodadas: observa se esta rodada superou a anterior (a nota não subiu, a contagem de itens reprovados não caiu) e, se não melhorou, corta as perdas. | Orchestrate subagents at scale with dynamic workflows — Claude Code official documentation |
| revisão cruzada adversarial | Fazer agentes independentes revisarem de forma adversarial os achados uns dos outros antes de reportar. É uma revisão cruzada única antes do relatório, sem aresta de retorno, sem iteração — juntá-la ao loop de revisão é a categorização desta lição, não o texto original descrevendo a mesma topologia. | Orchestrate subagents at scale with dynamic workflows — Claude Code official documentation |
| Compondo padrões | A metáfora de engenharia do próprio curso, não terminologia oficial: um sistema de visualização usado para esclarecer relações ao combinar os cinco padrões. Sua única âncora primária é ‘o script detém o loop, a ramificação e os resultados intermediários’. | Orchestrate subagents at scale with dynamic workflows — Claude Code official documentation |
| nó | Um ponto na visualização deste curso: por dentro, ou um loop runAgent completo, ou um pedaço de código puro. | Orchestrate subagents at scale with dynamic workflows — Claude Code official documentation |
| aresta de retorno | A linha que, num loop de revisão, manda a saída de volta ao nó de geração. Os quatro primeiros padrões são todos linhas retas; o loop de revisão é o primeiro com uma aresta de retorno. | Orchestrate subagents at scale with dynamic workflows — Claude Code official documentation |
| ponto de bifurcação | Um ponto na visualização deste curso para o roteamento, onde se ‘seguem arestas diferentes conforme o resultado do julgamento’ — corresponde à ramificação no código. | Orchestrate subagents at scale with dynamic workflows — Claude Code official documentation |
| 16 agentes concorrentes | O teto de concorrência do runtime de fluxos de trabalho do Claude Code, menor quando a CPU é limitada; teto total de 1.000 agentes por execução. | Orchestrate subagents at scale with dynamic workflows — Claude Code official documentation |
| 90,2% | A melhora do sistema multiagente sobre o de agente único, que só vale no contexto completo: a avaliação interna de pesquisa deles, líder Opus 4 mais subagentes Sonnet 4, com destaque especial para consultas de amplitude. | How we built our multi-agent research system — Anthropic Engineering |
| 4× | Pelos dados deles mesmos, agentes consomem cerca de 4× os tokens de interações de chat. | How we built our multi-agent research system — Anthropic Engineering |
| 15× | Pelos dados deles mesmos, sistemas multiagente consomem cerca de 15× os tokens de interações de chat; para haver viabilidade econômica, o valor da tarefa precisa ser alto o bastante para justificar essa melhora. | How we built our multi-agent research system — Anthropic Engineering |
| 90% | Depois de introduzir paralelismo em dois níveis (o agente líder sobe de 3 a 5 subagentes em paralelo, e os subagentes usam 3 ou mais ferramentas em paralelo), a porcentagem máxima de tempo de pesquisa cortada para consultas complexas. É um número de latência, não de qualidade. | How we built our multi-agent research system — Anthropic Engineering |
| prompts de delegação | A descrição de tarefa que o orquestrador entrega a cada worker. Prompts de delegação precisam ser autocontidos, com os quatro elementos completos, senão os workers vão duplicar trabalho, deixar lacunas ou não achar a informação necessária. | How we built our multi-agent research system — Anthropic Engineering |
| quatro elementos | As quatro seções que um despacho qualificado precisa escrever por completo: objetivo, formato de saída, orientação sobre ferramentas e fontes, e limites claros da tarefa. | How we built our multi-agent research system — Anthropic Engineering |
| regras de alocação | Calibragem de escala escrita no prompt do orquestrador: especificar a quantidade de subagentes e o teto de chamadas de ferramenta por subagente conforme a complexidade da tarefa, porque agentes não são bons em julgar sozinhos o esforço apropriado. | How we built our multi-agent research system — Anthropic Engineering |
| regras de escala | Os exemplos de regras de escala que eles embutiram nos prompts: levantamento simples de fatos, 1 agente com 3-10 chamadas; comparações diretas, 2-4 subagentes com 10-15 chamadas cada; pesquisa complexa, 10 ou mais subagentes com divisão clara. | How we built our multi-agent research system — Anthropic Engineering |
| execução síncrona | O modo de execução em que o orquestrador espera todos os workers terminarem antes de prosseguir. Gargalo: uma etapa emperra e o lote inteiro fica esperando, e os resultados voltam todos para o orquestrador. | How we built our multi-agent research system — Anthropic Engineering |
| passe referências, não cargas | Os workers guardam as saídas em sistemas externos e passam de volta ao orquestrador apenas referências leves (caminho do arquivo mais um resumo de uma linha), em vez de enfiar os resultados detalhados na conversa principal. | How we built our multi-agent research system — Anthropic Engineering |
| sistemas de artefatos | Fazer agentes especializados criarem saídas como coisas que persistem de forma independente (arquivos, registros externos), em vez de retransmitir tudo pelo agente líder. Passe referências, não cargas depende disso. | How we built our multi-agent research system — Anthropic Engineering |
| referências leves | O registro curto passado de volta ao orquestrador: id, caminho do arquivo, resumo de uma linha. Quem quiser o texto completo lê pelo caminho. | How we built our multi-agent research system — Anthropic Engineering |
| comportamentos emergentes | Em sistemas multiagente, o comportamento geral que não dá para prever olhando etapa a etapa, produzido pelo empilhamento das pequenas decisões de cada subagente; mudanças minúsculas se amplificam ao longo da cadeia. | How we built our multi-agent research system — Anthropic Engineering |
| separação de responsabilidades | Cada subagente carrega ferramentas, prompts e trajetórias de exploração diferentes, naturalmente sem se poluírem, o que também reduz a dependência do caminho. É isso que o fan-out compra além de velocidade. | How we built our multi-agent research system — Anthropic Engineering |
| dependência do caminho | Dentro de um loop, os julgamentos das etapas posteriores ficam enviesados pela formulação das etapas anteriores. Múltiplas trajetórias independentes não compartilham o mesmo viés, e por isso reduzem a dependência do caminho. | How we built our multi-agent research system — Anthropic Engineering |
| contexto compartilhado | Um cenário em que multiagente não é bom hoje: trabalho que exige que todos os agentes vejam o mesmo contexto ou com muitas dependências entre agentes (como a maioria das tarefas de programação), em que as porções realmente paralelizáveis são menores que em pesquisa. | How we built our multi-agent research system — Anthropic Engineering |
| salvaguardas determinísticas | Os mecanismos determinísticos que embrulham agentes não determinísticos: lógica de retentativa, checkpoints regulares. O esqueleto do grafo é determinístico, o interior dos nós é não determinístico. | How we built our multi-agent research system — Anthropic Engineering |
| sistemas determinísticos | Sistemas que produzem a mesma saída toda vez, dada a mesma entrada. Gates, verificadores e agregação escritos em código pertencem todos a essa categoria. | Writing effective tools for agents — with agents — Anthropic Engineering |
| não determinístico | A propriedade de possivelmente dar respostas diferentes mesmo com as mesmas condições iniciais — agentes são desse tipo. | Writing effective tools for agents — with agents — Anthropic Engineering |
| um loop por tarefa de avaliação | Recomendação oficial para rodar avaliações: chame a API do LLM diretamente, use while loops agênticos simples, um loop por tarefa de avaliação. Este curso a toma emprestada para ilustrar que ‘um estágio da cadeia é um loop completo’. | Writing effective tools for agents — with agents — Anthropic Engineering |
| subagente | Um agente despachado a partir da conversa principal, que trabalha na sua própria janela de contexto independente e devolve apenas o resumo. Serve para manter exploração e implementação fora da conversa principal, preservando contexto. | Create custom subagents — Claude Code official documentation |
| conversa principal | O contexto da linha principal do orquestrador. Quando os subagentes terminam, os resultados voltam para cá, então os retornos precisam ser leves ou a proteção vira fardo. | Create custom subagents — Claude Code official documentation |
| 20 subagentes | O teto de concorrência padrão do Claude Code: quando 20 subagentes estão rodando numa sessão, subir mais um falha e diz explicitamente ao modelo para não tentar de novo. | Create custom subagents — Claude Code official documentation |
| subagentes em sequência | A sugestão do Claude Code para fluxos de trabalho de várias etapas: peça ao Claude que use subagentes em sequência, cada um concluindo e devolvendo resultados, para então passar o contexto relevante ao próximo. Esta é a forma de produto do encadeamento. | Create custom subagents — Claude Code official documentation |
| Specialization | Rotear trabalho para agentes com prompts de sistema e ferramentas focados em domínio (agente de segurança, agente de documentação), em vez de enfiar todas as capacidades num agente só. É o nome do roteamento no vocabulário first-party atual. | Multiagent orchestration — Claude API documentation (Managed Agents) |
| Escalation | Consultar um agente ou modelo mais capaz para um subconjunto de subtarefas complexas. Repare que é ‘consultar’ (o coordenador ainda detém o controle), não repasse completo. | Multiagent orchestration — Claude API documentation (Managed Agents) |
| Parallelization | Na documentação atual de orquestração multiagente da plataforma Claude: abrir em fan-out subtarefas independentes em paralelo (buscar em várias fontes, analisar arquivos separados), com o coordenador sintetizando os resultados. | Multiagent orchestration — Claude API documentation (Managed Agents) |
| 25 threads concorrentes | O teto de concorrência suportado pelos Managed Agents; o coordenador pode chamar várias cópias do mesmo agente, cada uma abrindo uma thread. | Multiagent orchestration — Claude API documentation (Managed Agents) |
| pool de concorrência | Abra N pistas fixas; cada uma termina o item atual e então pega o próximo de um cursor compartilhado, sempre com N em voo. Sofre menos efeito de balde que o lote. O script deste curso chama isso de runPool. | Orchestrate subagents at scale with dynamic workflows — Claude Code official documentation |
| teto de concorrência | O limite rígido de tarefas simultâneas em voo. Três produtos reais (Claude Code 20, runtime de fluxos de trabalho 16, Managed Agents 25) definem todos um — fan-out ilimitado é acidente, não otimização. | Create custom subagents — Claude Code official documentation |
| lote | Uma abordagem de limitação de fluxo: N por lote, lotes em série. Funciona, mas tem efeito de balde: cada lote espera o mais lento daquele lote terminar antes de começar o próximo. | Orchestrate subagents at scale with dynamic workflows — Claude Code official documentation |
| Promise.all | O padrão para rodar um grupo de tarefas assíncronas concorrentemente, retornando quando todas concluem. Temperamento: se um caminho qualquer rejeitar, o todo rejeita — mesmo que os demais tenham terminado, você não consegue os resultados deles. | Building Effective AI Agents — Anthropic Engineering |
| fan-out | Espalhar um trabalho para múltiplos agentes ou nós rodarem ao mesmo tempo. Compra velocidade, perspectivas independentes e capacidade de contexto em paralelo; o custo é que os resultados voltam ao orquestrador, e todo produto real põe teto. | Orchestrate subagents at scale with dynamic workflows — Claude Code official documentation |
| merge | Depois que os resultados do fan-out voltam, o código faz filtragem, agregação e julgamento. Neste curso ele apenas lê as referências de volta dos arquivos, sem enfiar o texto completo no contexto. | Building Effective AI Agents — Anthropic Engineering |
| carga | O conteúdo detalhado da própria saída do worker. O refluxo de cargas no merge explode o contexto, e por isso se passa referências, não cargas. | How we built our multi-agent research system — Anthropic Engineering |
| classificador | A primeira etapa do roteamento: julgar a que categoria a entrada pertence, com a saída apertada a uma palavra. Pode ser um modelo ou um modelo/algoritmo de classificação tradicional. | Building Effective AI Agents — Anthropic Engineering |
| fallback | O ramo seguido quando a classificação não bate com a tabela de rótulos válidos (como cair em ‘outros’). O modelo ocasionalmente devolve uma frase inteira em vez de uma palavra, e o fallback contém esse não-determinismo em uma linha. | Building Effective AI Agents — Anthropic Engineering |
| espectro de determinismo | Formulação do próprio curso, não terminologia oficial: tratar aquele eixo de ‘quem detém o plano’, de fluxo de trabalho a agente, como uma faixa contínua do determinístico ao autônomo. | Orchestrate subagents at scale with dynamic workflows — Claude Code official documentation |
| queda controlada | Prática do Curso 9 desta série: parar o processo de propósito num ponto especificado para verificar se o estado realmente caiu no disco. O STOP_AFTER deste curso é a versão simplificada dela. | Orchestrate subagents at scale with dynamic workflows — Claude Code official documentation |
| giro em falso | O estado em que um loop faz a mesma coisa por várias rodadas seguidas sem nenhum progresso. A Válvula 3 (detecção de giro em falso) do Curso 7 desta série serve para barrar isso. | Building Effective AI Agents — Anthropic Engineering |
| escrita atômica | O método de persistência em disco de escrever primeiro um .tmp e então renomear por cima: morto a qualquer momento, o disco tem ou o estado completo anterior ou o novo estado completo, nunca meio JSON. | Orchestrate subagents at scale with dynamic workflows — Claude Code official documentation |
| run-state.json | O arquivo de rastreamento de execução do script deste curso (persistido uma vez após cada nó concluir, e de novo após cada julgamento na revisão), cuja escrita atômica garante que ele seja legível a qualquer momento. Ele registra progresso de execução, não ‘as variáveis de estado do grafo’. | Orchestrate subagents at scale with dynamic workflows — Claude Code official documentation |
| run.jsonl | O log estruturado do script deste curso: um evento JSON por linha, carregando ts e run_id, registrando apenas id, categoria, nome de arquivo e contagens, nunca o corpo da resposta. | Orchestrate subagents at scale with dynamic workflows — Claude Code official documentation |
| cliente stub | Um substituto de teste que usa uma fila fixa de respostas para se passar pela API real: client.messages.create() devolve respostas predefinidas em ordem, deixando a orquestração inteira rodar sem dependências e de forma reproduzível. | Writing effective tools for agents — with agents — Anthropic Engineering |
| STOP_AFTER | A chave de queda controlada do script deste curso: definida como merge, ela para antes da revisão, com código de saída 2, e serve para verificar se o estado do fan-out e do merge realmente persistiu. Só reconhece merge como valor. | Orchestrate subagents at scale with dynamic workflows — Claude Code official documentation |
| needs_human | O marcador de desfecho para quando o loop não consegue produzir saída qualificada: com código de saída 1, os chamados param aqui e são entregues a um humano. | Orchestrate subagents at scale with dynamic workflows — Claude Code official documentation |