O quê

Multi-agent orchestration é o padrão de design em que vários LLMs com papéis distintos colaboram para resolver uma tarefa complexa — em vez de um único modelo tentar tudo. Os papéis típicos: um planner (decompõe o problema), um ou mais executors (fazem o trabalho), e um critic (revisa e corrige). Eles conversam, passam resultados adiante e iteram.

A premissa: para tarefas complexas, especialização supera generalismo. Um agente focado em escrever código + outro focado em revisá-lo + outro em testar tende a superar um único modelo fazendo as três coisas de uma vez. Frameworks como AutoGen (Microsoft), CrewAI, LangGraph e OpenAI Swarm disputam a API padrão dessa orquestração.

Em Magik LLM Gathering, é tratada como technique da trilha agents-tools — o esquadrão de modelos no lugar do herói solitário.

Como funciona

Papéis, mensagens e estado

Cada agente é um LLM com um system prompt que define seu papel, suas ferramentas (Function Calling / Tool Use) e suas permissões. A orquestração define quem fala com quem e quando: conversas em grupo (AutoGen), grafos de estado explícitos (LangGraph), ou handoffs leves entre agentes (Swarm). O estado compartilhado (memória, artefatos) circula entre eles.

Padrões recorrentes

• Planner-executor: um agente decompõe; outros executam subtarefas.
• Generator-critic (reflexão): um produz, outro critica, o primeiro revisa — laço que melhora qualidade ao custo de mais chamadas.
• Debate: múltiplos agentes argumentam e um juiz decide, reduzindo erros idiossincráticos.
• Sociedade de agentes: papéis colaborativos emergentes (CAMEL).

O trade-off central

Especialização tem preço: latência (muitas chamadas em série), custo (cada chamada gasta tokens) e coordenação (mais agentes = mais pontos de falha, loops improdutivos, propagação de erro). Orquestração mal desenhada queima dinheiro sem ganhar qualidade — daí o esforço por frameworks que controlem o fluxo.

Por que importa

Estende o que um LLM faz sozinho. Tarefas longas e multi-etapa (pesquisar → escrever → revisar → publicar) cabem mal num único prompt; dividir entre agentes torna o pipeline gerenciável e auditável.

É o substrato dos “agentes” de produto. Assistentes de código autônomos, automações de pesquisa e fluxos de trabalho empresariais frequentemente são, por baixo, orquestrações multi-agente — conectando-se ao tema mais amplo de LLM Agents.

Ecoa a Mixture of Experts (MoE) em outro nível. MoE especializa dentro de um modelo (roteando tokens a sub-redes); multi-agent especializa entre modelos (roteando subtarefas a agentes). Mesma intuição — divisão de trabalho — em escalas diferentes.

Estado em 2026

• Guerra de frameworks. AutoGen, CrewAI, LangGraph e Swarm competem por se tornar o padrão; nenhum venceu definitivamente.
• Ceticismo saudável. Cresceu a percepção de que muitos problemas não precisam de multi-agent — um único modelo forte com boas ferramentas costuma bastar, e orquestração adiciona custo/fragilidade. Usar agentes virou decisão de engenharia, não default.
• Confiabilidade é o gargalo. Erros se acumulam ao longo de cadeias longas; controle de fluxo, checkpoints e verificação são onde mora a dificuldade real.
• Convergência com protocolos. Padrões como MCP — Model Context Protocol e Function Calling / Tool Use dão aos agentes acesso uniforme a ferramentas, facilitando orquestração interoperável.

Tratamento de carta — proposta

Multi-Agent Orchestration Técnica · Foundry

Escolha 3 Modelos seus. Atribua um papel a cada (Planner: compra 1 carta; Executor: ataca com +1; Critic: anula 1 efeito inimigo). Eles agem em sequência neste turno — mas você paga 1 ⚡ de “coordenação” por agente envolvido.

“Um planeja, um faz, um revisa. E todos cobram a hora.”

A mecânica encena especialização por papel e o custo de coordenação que vem junto.

Veja também

Function Calling / Tool Use · LLM Agents · Mixture of Experts (MoE) · MCP — Model Context Protocol