--- type: Article title: "Multi-agent Architecture Search" description: "Seja bem-vindo(a) a mais uma exploração no universo da Inteligência Artificial, vamos falar aqui de um conteúdo sensacional publicado por Zhang e equipe (2025), chamado MaAS…" resource: https://felipecferreira.com.br/biblioteca/multi-agent-architecture-search/ generated: { by: process:okf-bridge, at: 2026-09-03T02:36:19Z } status: stable sources: - id: canonical-html resource: https://felipecferreira.com.br/biblioteca/multi-agent-architecture-search/ title: "Página oficial em HTML" last_modified: 2026-07-28T17:33:28Z --- # Multi-agent Architecture Search ## A Revolução Adaptativa na Criação de Sistemas de IA Multiagentes Seja bem-vindo(a) a mais uma exploração no universo da [Inteligência Artificial](https://felipecferreira.com.br/biblioteca/o-que-e-inteligencia-artificial/), vamos falar aqui de um conteúdo sensacional publicado por Zhang e equipe (2025), chamado **MaAS (Multi-agent Architecture Search)**. Isto é, como construir sistemas de IA onde múltiplos "[agentes](https://felipecferreira.com.br/biblioteca/o-que-sao-agentes-de-ia/)" (modelos de linguagem como o GPT-4o, por exemplo) **colaboram de forma eficaz** e, principalmente, **eficiente**? Imagine montar uma equipe de especialistas para resolver um problema..  *Você não usaria todos os especialistas disponíveis para uma tarefa simples, certo!? * Da mesma forma, no mundo da IA, usar sistemas multiagentes supercomplexos e caros para qualquer tipo de consulta é como **usar um supercomputador para fazer uma conta de somar**.. 🤣 Zhang et al (2025), perceberam que as abordagens atuais, sejam manuais (exigindo muito esforço humano) ou automatizadas, muitas vezes criam sistemas de "tamanho único" (one-size-fits-all).  Essas soluções robustas podem até funcionar bem para tarefas complexas, mas desperdiçam um poder computacional (**e dinheiro!**) imenso em tarefas mais simples. Para resolver isso, o MaAS propõe algo diferente: em vez de buscar UMA arquitetura perfeita, ele otimiza o que os cientistas chamaram de **"super-rede agêntica" (Agentic Supernet)**.  Pense nisso como um mestre construtor que não tem apenas uma planta, mas um catálogo flexível de possíveis equipes e fluxos de trabalho. Neste artigo, vamos desvendar o MaAS (Multi-agent Architecture Search: entender o problema que ele resolve, como a "super-rede agêntica" funciona na prática e por que essa abordagem pode ser o futuro da inteligência artificial colaborativa e eficiente.  *Então, vamos lá!!* Se quiser consultar o paper na íntegra, é só [clicar aqui](https://arxiv.org/abs/2502.04180). ## **O Dilema dos Sistemas Multiagentes: Complexidade vs. Eficiência** A ideia de fazer várias IAs trabalharem juntas é poderosa.  Sistemas multiagentes podem combinar diferentes "habilidades" para resolver problemas que um único agente teria dificuldade.  Pense em um agente especializado em analisar dados, outro em escrever código e um terceiro em pesquisar na web – juntos, eles podem realizar **tarefas complexas de forma colaborativa**. O problema?  Montar essas equipes de IA não é fácil. 1. **Design Manual:** Criar esses sistemas manualmente exige um profundo conhecimento técnico, muito tempo e experimentação. É um processo artesanal, caro e difícil de escalar ou adaptar para novos desafios. 2. **Automação Atual:** Já existem ferramentas que tentam automatizar esse processo. O problema é que muitas delas buscam encontrar a "melhor" arquitetura única para um conjunto de dados ou tipo de tarefa. O resultado? Frequentemente, sistemas superdimensionados. Eles podem ser ótimos para os problemas mais difíceis daquele conjunto, mas acabam sendo excessivamente complexos e "gastadores" (como chamadas de [API](https://felipecferreira.com.br/biblioteca/o-que-e-uma-api/) de [LLMs](https://felipecferreira.com.br/biblioteca/o-que-sao-llms-large-language-models/) e [tokens](https://felipecferreira.com.br/biblioteca/o-que-sao-tokens/) processados) para as tarefas mais corriqueiras. É como ter uma equipe de Fórmula 1 completa, com engenheiros, mecânicos e pilotos de ponta, apenas pra levar teu filho na escola.. rsrs Funciona! Mas o custo seria Enorme..  Esse é o dilema que o MaAS busca resolver: como ter a **equipe certa, para a tarefa certa, no momento certo**? ## **MaAS e a Super-Rede Agêntica: Inteligência Sob Medida** Aqui está a grande mudança de paradigma proposta pelo MaAS: em vez de procurar desesperadamente pela única "receita de bolo" perfeita para um sistema multiagente, ele se concentra em criar e otimizar um "**cardápio de receitas**".  Esse cardápio é a "super-rede agêntica". Imagine essa super-rede como uma estrutura flexível que contém diversas possibilidades de arquiteturas de agentes.  Ela inclui diferentes "operadores agênticos" – que são como blocos de construção representando diferentes formas de usar a IA. Alguns exemplos desses blocos incluem: * **CoT (Chain-of-Thought):** Um agente que pensa "passo a passo" para resolver um problema. * **ReAct (Reasoning and Acting):** Um agente que pode usar ferramentas (como buscar na web ou executar código). * **Debate:** Vários agentes que "discutem" entre si para chegar a uma solução melhor. * **Self-Consistency:** Um agente que gera várias respostas e escolhe a mais comum. * **I/O Simples:** Um agente que apenas recebe uma entrada e dá uma saída direta (para tarefas fáceis). * **Early Exit:** Um operador especial que diz "ok, para esta tarefa, já temos o suficiente, não precisamos de mais complexidade". A super-rede não é uma arquitetura fixa, mas sim uma **distribuição probabilística**.  Isso significa que ela aprende qual combinação de operadores (qual "receita" do cardápio) tem maior probabilidade de funcionar bem para diferentes tipos de tarefas ("bolos"), considerando tanto a **qualidade da resposta quanto o custo computacional**. O objetivo do MaAS não é encontrar a arquitetura única e definitiva, mas sim dominar a arte de *escolher* a arquitetura mais adequada (a equipe de IA sob medida) para cada desafio específico que aparece. ## **Como o MaAS Escolhe a Equipe Certa para Cada Tarefa?** Então, como o MaAS faz essa mágica de escolher a arquitetura ideal dinamicamente? O processo envolve alguns componentes inteligentes: 1. **Análise da Consulta:** Quando uma nova tarefa (uma "query") chega, o MaAS primeiro a analisa. Ele tenta entender a complexidade e o domínio da tarefa. É um problema simples de matemática? Requer pesquisa na web? É uma tarefa complexa de geração de código? 2. **Amostragem da Super-Rede:** Com base nessa análise, um "controlador" dentro do MaAS consulta a super-rede agêntica. Ele começa a "montar" uma arquitetura camada por camada, selecionando os operadores (os blocos de construção) que parecem mais promissores para aquela tarefa específica. 3. **Adaptação Dinâmica:** O interessante é que esse processo é flexível. Se a tarefa parece simples, o MaAS pode escolher uma arquitetura curta, talvez com apenas um ou dois operadores, e até mesmo acionar o operador "Early Exit" para parar o processo de construção rapidamente. Se a tarefa é complexa, ele pode continuar adicionando camadas e operadores mais sofisticados (como Debate ou ReAct com ferramentas) até montar uma equipe mais robusta. A ideia é usar apenas os recursos necessários. 4. **Execução e Feedback:** A arquitetura montada sob medida é então executada para resolver a tarefa. O MaAS observa o resultado: a resposta foi boa? Quanto custou (em termos de tokens, chamadas de API, tempo)? 5. **Aprendizado Contínuo:** Esse feedback (qualidade vs. custo) é usado para refinar a própria super-rede. Através de técnicas como Monte Carlo e o inovador "gradiente textual" (onde a própria IA ajuda a sugerir melhorias nos operadores e suas conexões), a super-rede aprende a fazer escolhas ainda melhores no futuro, favorecendo arquiteturas que entregam bons resultados com baixo custo. É um ciclo virtuoso: analisar, escolher a equipe sob medida, executar, aprender com o resultado e aprimorar as escolhas futuras.  Vamos analisar a imagem abaixo: *Fonte: Zhang et al (2025).* Do **lado esquerdo**, temos os diferentes 'operadores agênticos' (como agentes que pensam passo-a-passo, usam ferramentas ou debatem) que o sistema pode usar. **No meio**, a 'Super-Rede Agêntica' funciona como um catálogo dessas habilidades. O mais **importante está à direita**: dependendo da complexidade da tarefa (desde uma conta simples até programação complexa), o MaAS 'monta' uma arquitetura (um fluxo de trabalho) diferente e apropriada, usando apenas os recursos necessários. Isso permite que o sistema se adapte continuamente, tornando-se mais eficiente e eficaz ao longo do tempo. **Resultados na Prática: Mais Inteligência, Menos Custo** Tudo isso parece promissor na teoria, mas e na prática?  Os pesquisadores testaram o MaAS extensivamente em diversos benchmarks (conjuntos de testes padronizados) cobrindo diferentes áreas, como: * **Raciocínio Matemático:** (GSM8K, MATH, MultiArith) * **Geração de Código:** (HumanEval, MBPP) * **Uso de Ferramentas e Tarefas Gerais:** (GAIA - que inclui navegação web, leitura de arquivos, etc.) Os resultados foram impressionantes e destacam os benefícios da abordagem adaptativa: 1. **Desempenho Superior:** Em média, os sistemas multiagentes criados dinamicamente pelo MaAS superaram tanto os sistemas criados manualmente quanto os gerados por outras ferramentas de automação. As melhorias variaram de **0.54% a 11.82%** em termos de precisão e qualidade das respostas, dependendo do benchmark. 2. **Economia Drástica de Recursos:** Esta talvez seja a vantagem mais notável. Durante a inferência (o momento de realmente usar a IA para resolver um problema), os sistemas MaAS precisaram, em média, de apenas **6% a 45% dos custos** (tokens, chamadas de LLM) dos sistemas concorrentes, incluindo os mais avançados como o AFlow. No benchmark MATH, por exemplo, o MaAS alcançou desempenho ligeiramente superior ao AFlow, mas com apenas **25% do custo de inferência**! 3. **Eficiência no Treinamento:** O processo de otimização da super-rede também se mostrou eficiente. No mesmo benchmark MATH, o MaAS precisou de cerca de **15% do custo de treinamento** do AFlow. 4. **Flexibilidade e Transferibilidade:** A super-rede otimizada pelo MaAS demonstrou boa capacidade de funcionar bem mesmo quando se troca o modelo de linguagem base (transferência entre LLMs como GPT, Qwen, Llama) e também ao aplicar uma super-rede treinada em um tipo de tarefa para outra (transferência entre datasets). Esses resultados mostram que a abordagem de "inteligência sob medida" do MaAS não só funciona, como oferece vantagens significativas, especialmente em um cenário onde o custo computacional da IA é uma preocupação crescente.  Ele permite obter respostas de alta qualidade de forma muito mais econômica e adaptável. ## **Conclusões: O Caminho para Sistemas de IA Mais Inteligentes e Econômicos** O MaAS e o conceito de super-rede agêntica representam um passo importante na evolução dos sistemas de IA multiagentes.  Ao abandonar a busca pela arquitetura única e perfeita e abraçar a flexibilidade e a adaptação, essa abordagem abre caminho para IAs colaborativas que são não apenas mais inteligentes, mas também significativamente mais eficientes em termos de recursos. A capacidade de montar dinamicamente a "equipe de IA" certa para cada tarefa, usando apenas a complexidade e o custo necessários, tem um potencial transformador.  Isso pode democratizar o acesso a soluções de IA mais avançadas, tornando-as viáveis para uma gama maior de aplicações e empresas que antes poderiam ser impedidas pelos altos custos computacionais. Estamos testemunhando o surgimento de uma nova geração de IA: uma inteligência coletiva que aprende não apenas a resolver problemas, mas também a se auto-organizar da maneira mais eficiente possível.  O MaAS é um vislumbre fascinante desse futuro adaptativo. O que você pensa sobre essa nova forma de construir IAs colaborativas?  Acredita que a adaptabilidade é a chave para o futuro da inteligência artificial? ## Referência Zhang, G. et al. (2025). Multi-agent Architecture Search via Agentic Supernet. arXiv:2502.04180v1.