Phase 16: Multi-Agent & Swarms

Modelo de supervisor / orquestrador-trabalhador

Um agente principal planeja e delega; trabalhadores especializados executam em contextos paralelos e relatam. Este é o padrão por trás do sistema de pesquisa da Anthropic (Claude Opus 4 como chumbo, Sonnet 4 como subagentes), medido em +90,2% sobre o Opus 4 de um único agente em avaliações internas de pesquisa. O post de engenharia da Anthropic relata que 80% da variância no BrowseComp é explicada pelo uso de tokens sozinho multi-agente ganha em grande parte porque cada subagente recebe uma janela de contexto fresca. Esta lição constrói o padrão de supervisor a partir dos primitivos e abrange as lições de engenharia de 2026 das implantações de produção.

Type: Learn + Build

Languages: Python (stdlib, threading)

Prerequisites: Phase 16 · 04 (Primitive Model)

Time: ~75 minutes

Problemas

A pesquisa é a tarefa prototípica que os sistemas de agente único falham. Você pergunta "o que mudou nos sistemas de agentes múltiplos entre 2023 e 2026?" Um agente único lê cinco artigos sequencialmente, preenche metade do seu contexto com seu texto, e depois tem que raciocinar sobre todos eles juntos. Esquece o primeiro artigo quando chega ao quinto. Não pode paralelalizar.

O padrão de supervisor corrige isso: um agente principal planeja a pesquisa, delega cada sub-question para um trabalhador e sintetizou. Cada trabalhador recebe sua própria janela de 200k-token para uma pergunta estreita. O líder nunca vê os trabalhos brutos apenas os resumos dos trabalhadores.

O sistema de pesquisa de produção da Anthropic relata +90,2% sobre avaliações internas de pesquisa versus um único Opus 4.

Conceptos

O padrão

                 ┌──────────────┐
                 │   Lead       │  plans, decomposes,
                 │  (Opus 4)    │  synthesizes
                 └──┬────┬───┬──┘
                    │    │   │
            ┌───────┘    │   └───────┐
            ▼            ▼           ▼
      ┌─────────┐  ┌─────────┐  ┌─────────┐
      │ Worker1 │  │ Worker2 │  │ Worker3 │
      │(Sonnet) │  │(Sonnet) │  │(Sonnet) │
      └─────────┘  └─────────┘  └─────────┘
         fresh       fresh        fresh
         context     context      context

O chumbo nunca lê as matérias-primas, os trabalhadores nunca veem o trabalho uns dos outros até que o chumbo se sintetize, cada flecha é uma entrega com um artefato estreito.

Por que ganha

Três mecanismos:

Fresh context per subagent.Um trabalhador que explora "herança da FIPA-ACL" não carrega os 40 mil tokens que o líder gastou no planejamento.
Specialization via prompt.A ordem do líder é "decompor e sintetizar", não "investigar". A ordem de cada trabalhador é estreita: "encontrar o que mudou em X". As instruções focalizadas produzem resultados focados.
Parallelism.Os trabalhadores correm simultaneamente.max(worker_times) + plan + synthesisNão , não .sum(worker_times)- Não .

Lições de engenharia (Antropic 2025)

O post Anthropic lista várias lições de produção que ainda são relevantes para 2026:

Scale effort to query complexity.Queries simples: um agente, 3-10 chamadas de ferramentas. Queries complexas: 10+ agentes. O líder deve estimar isso, não o chamador.
Broad then narrow.Decompor em sub-perguntas amplas primeiro, e depois gerar mais trabalhadores por sub-perguntas se a resposta justificar profundidade.
Rainbow deployments.Os agentes são de longa duração e estado. O azul-verde tradicional não funciona.
Token usage dominates.Multi-agente é ~ 15 × os tokens de um agente único. só executá-lo quando o valor da tarefa justifica o custo.

A curva gráfica-nativa

A LangGraph originalmente enviou um langgraph-supervisorBiblioteca com um nível elevado create_supervisorEm 2025, a LangChain mudou a recomendação para a implementação do padrão de supervisor através de chamadas de ferramentas diretamente, porque as chamadas de ferramentas dão mais controle sobre o que o supervisor vê* (engenharia de contexto).

Os modos de falha

Lead hallucinates the plan.Se o lead gera subquestions que não descompõem a verdadeira pergunta, os trabalhadores fazem pesquisas precisas sobre o alvo errado.
Workers over-explore.Sem limites explícitos de âmbito, os trabalhadores desviam para além da subquestionaria atribuída e poluem a fase de síntese.
Synthesis conflicts.Dois trabalhadores retornam fatos contraditórios. O líder deve perguntar novamente (agrega uma rodada) ou notar explicitamente o desacordo.

Quando o supervisor está errado

Sequential tasks.Se o passo 2 precisa literalmente da saída do passo 1, o paralelismo não compra nada. Use um pipeline (CrewAI Sequential, LangGraph linear graph).
Simple queries.O agente único trata-os mais rápido e mais barato.
Strict determinism.O supervisor usa delegação selecionada pelo LLM. Os gráficos estáticos são melhores quando a auditoria/replay é mais importante do que a adaptabilidade.

Construí-lo

code/main.pyImplementa um supervisor de três trabalhadores paralelos utilizando threadingO lead decompõe uma consulta em subquestions, os trabalhadores executam simultaneamente em cada subquestion e o lead sintetizes.

Estrutura chave:

Lead.plan(query)Divide uma consulta em 3 subperguntas.
Worker.run(sub_q)Retorna um resumo falso (poderá ser qualquer agente que utilize ferramentas na produção).
Lead.run(query)Desliga os trabalhadores em fios, juntas e sintetizas.

Correr .

python3 code/main.py

A saída mostra o plano, os trabalhadores paralelos rastream com timestamps de início/final e a síntese final.

Usá-lo

outputs/skill-supervisor-designer.mdO sistema de supervisão é um sistema de supervisão que permite a criação de um modelo de supervisão.

Envia-o

Lista de verificação antes de implantar um padrão de supervisão:

Model pairing.O plomo em um modelo de raciocínio (classe Opus, o3Os trabalhadores de um modelo mais rápido e mais barato (Sonnet, o4-mini)).
Worker timeout.Qualquer trabalhador que exceda 2x o tempo de execução médio é morto; o líder ou re-espanha com um escopo mais estreito ou prossegue sem ele.
Token cap per worker.O limite duro (por exemplo, 10x a entrada de síntese esperada) impede que um trabalhador fugitivo estrague o orçamento.
Observability.Rastrear o plano do líder, as chamadas de ferramentas de cada trabalhador e a síntese.
Rainbow rollout.Os agentes de longa data do Estado precisam de transição gradual, não de troca de troca.

Exercícios

Corra .code/main.pyEm que número de trabalhadores a despesa de criação excede as economias paralelas nesta demonstração?
Implementar um tempo de trabalho para os trabalhadores: matar qualquer trabalhador que corre mais de 0,5 segundos e ter o lead sintetizar os resultados restantes. Que observabilidade você precisa para saber que um trabalhador foi cortado?
Adicione um passo de detecção de conflitos à síntese do líder: se dois trabalhadores retornam respostas contraditórias, o líder nota a discórdia em vez de escolher uma.
Leia o artigo de engenharia de sistemas de pesquisa da Anthropic.
Comparar com o de LangGraph create_supervisorO que lhe dá um melhor controle sobre o que o supervisor vê? Por que a Anthropic só passa explícitamente sub-respostas e não conteúdo de trabalhador bruto para a síntese?

Termos-chave

Term	What people say	What it actually means
Supervisor	"Lead agent"	An orchestrator agent that plans, delegates, and synthesizes. Does not do the work itself.
Worker	"Subagent"	A focused agent invoked by the supervisor with narrow scope and its own context window.
Orchestrator-worker	"Supervisor pattern"	Same thing, different name. The 2026 literature uses both.
Fresh context	"Clean window"	A worker's context starts from its system prompt and assigned question, not the lead's history.
Rainbow deployment	"Gradual rollout"	Long-running stateful agents need versioned drain-and-replace, not blue-green.
Token dominance	"Context is the variable"	80% of research-eval variance comes from total tokens used, not model choice, per Anthropic.
Scale effort	"Match agent count to complexity"	Lead estimates query difficulty, spawns 1 vs 10+ workers accordingly.
Synthesis conflict	"Workers disagree"	Two workers return contradictory facts; the lead must surface disagreement, not silently pick one.

Mais leitura

Anthropic engineering — How we built our multi-agent research system a referência de produção para o modelo de supervisão
LangGraph workflows and agents Supervisor de chamada de ferramentas é agora o formulário recomendado
LangGraph supervisor reference o auxiliar legado, ainda utilizado na produção de 2026
OpenAI cookbook — Orchestrating Agents: Routines and Handoffs Variante de supervisor baseada em transferência

This free lesson is part of the AI Engineering from Scratch curriculum. Read the full explanation, run the lesson code, and verify the result in the interactive reader or from the repository source.

Browse the complete course catalog or open this lesson on GitHub.