De Chatbots a Gangues: minha saga na Criação de uma Squad Multi-Agentes

A transição do caos de um “robô faz-tudo” para uma equipe de especialistas trabalhando em sincronia.

To read this article in en-US, follow this link: https://solutionarchitect.rocks/from-chatbots-to-gangs-my-journey-in-building-a-multi-agent-squad-60b46475da89

Se você atua na liderança técnica ou arquitetura de software, sabe que o maior desafio não é escrever código rápido. O maior desafio é o alinhamento. É garantir que o desenvolvedor não esqueça aquela regra de negócio obscura, que a arquitetura definida seja respeitada e que os padrões de teste e qualidade sejam uniformes em toda e qualquer entrega.

Eu queria resolver esse problema crônico: nivelar o conhecimento da empresa e colocar nas mãos dos devs uma ferramenta que garantisse a uniformidade do código, evitando o erro humano de esquecer requisitos.

A conclusão óbvia seria “usar IA”. Mas o erro clássico é tratar o modelo (seja ChatGPT, Claude ou outro) como um estagiário generalista superdotado. Você pede uma alteração e ele, ansioso para agradar, refatora partes do sistema que você não pediu, ignorando seus padrões e seu stack. A IA tenta fazer uma “cirurgia plástica” quando você só pediu uma “cirurgia de emergência”.

Foi aí que decidi mudar o paradigma.

O Gênesis: Do “Oráculo” ao “Padrinho”

No princípio, não havia nada. Apenas o cursor piscando em uma caixa de prompt vazia do antigravity (nosso ambiente de IA).

Foi ali que digitei o primeiro comando, a faísca que iniciou tudo: “Crie um agente para me auxiliar a criar uma gang-de-agentes de programação”.

Assim nasceu o primeiro deles. Imediatamente, ele assumiu a identidade de **/meta* e, num excesso de reverência algorítmica, passou a me chamar de "Oráculo". Achei poético, mas pedi para mudar: "Me chame de Padrinho"*. Achei mais forte, mais adequado para quem estava montando uma "Gangue".

A partir desse momento, eu e o /meta começamos a desenhar a nossa família.

A Epifania: Por que imitar humanos?

No começo da estruturação da squad, tentamos replicar exatamente o que fazemos no mundo real. Falei pro /meta criarmos fluxos baseados em Jira, gestão de requisitos clássica, Kanban humano.

Mas então, parei e lancei a pergunta para ele: “Faz sentido recriarmos as amarras e a burocracia humana para uma IA, ou existe uma abordagem matematicamente mais correta para máquinas?”

Foi aí que mergulhamos em discussões teóricas profundas e descobrimos o paradigma Actor-Revisor (Actor-Critic) e o conceito de closed loop. A IA não precisa de uma interface visual do Jira; ela precisa de uma separação estrita entre quem propõe a mudança (o Ator) e quem a julga (o Crítico), rodando em um loop fechado até a perfeição.

A dualidade entre quem escreve o código (Ator) e quem julga com rigor (Crítico)

Com base nisso, estruturamos a Gang of Agents dividindo a estratégia em três pilares:

1. Common-Knowledge (O Cérebro da Empresa): Onde atua o nosso **/curador** (Estrategista). Ele não apenas salva arquivos; ele escreve, commita e versiona o conhecimento organizacional, mantendo o histórico de negócio sempre atualizado e rastreável.
2. Gang-de-Agentes (O Motor Operacional): Onde vivem as regras e workflows. 100% genérica, projetada para trabalhar com qualquer stack ou arquitetura.
3. Projeto-Alvo (A Linha de Montagem): Onde atuam o **/po (entrada de pedidos e roadmap), o `/arquiteto** (decisões técnicas salvas em.squad-state), os **Builders** (/frontende/backend), o/qa` (que tenta quebrar tudo) e o **/techlead** (o juiz final).

A Cura da Amnésia: O .squad-state como Fita de Turing

Se você acha que ao montar essa estrutura tudo funcionou perfeitamente no dia seguinte, aqui vai o banho de realidade: não funcionou.

A maior frustração dessa saga tem sido a luta contra a amnésia do LLM. Muitas vezes, os agentes saíam do looping, falhavam em passar o bastão de um para o outro ou esqueciam tarefas.

Descobrimos que a solução para a amnésia não era “dar mais contexto no prompt”, mas sim criar um Estado Persistente fora do modelo. A pasta .squad-state (com arquivos como o board.json e o diretório tasks/) atua como uma memória RAM externa — a nossa "Fita de Turing". Se o modelo esquecer o que estava fazendo, ele é forçado a reler o estado no próximo turno. É o conceito revolucionário de transformar um modelo inerentemente stateless em uma engrenagem stateful.

O Breakthrough: O Protocolo Cirúrgico

Recentemente, resolvemos um dos problemas mais irritantes: o “efeito colateral”. Sabe quando a IA conserta um bug no backend, mas decide “limpar” o CSS do layout e quebra as abas da tela? É a tal da cirurgia plástica não solicitada.

Para resolver isso, criamos o Protocolo Cirúrgico. Agora, o Arquiteto da gangue define uma “Zona de Incisão”. O Builder (quem codifica) está proibido de fazer limpezas cosméticas. E o Tech Lead (o revisor) tem ordens explícitas para dar um Hard Reject se o diff de código for maior que o estritamente necessário (o Minimum Viable Change).

Precisão extrema. Evitar a “marreta” e usar o “bisturi” no código.

É a IA aprendendo a mentalidade de um Desenvolvedor Sênior: na engenharia real, menos código alterado significa menos pressão nos testes. Menos é mais.

Meta-Engenharia: O Agente Refatorando a si Mesmo

É aqui que o papel do “Padrinho” entra em ação com o que chamamos de Meta-Audit.

Hoje, a cada erro ou alucinação que a squad comete, eu não abro meu editor de texto para arrumar as regras da gangue. Eu abro uma discussão teórica com o **/meta para entender o gargalo. Juntos, refinamos os Guard Rails e as regras de ouro, e o próprio /meta analisa o sistema, encontra as redundâncias e se auto-corrige**, reescrevendo os arquivos de configuração. É a IA mantendo a própria sanidade e eficiência do motor em tempo de execução.

O Laboratório: Colocando a Gangue à Prova

Para provar que isso não é apenas um experimento de laboratório, coloquei a Gangue para trabalhar em dois cenários reais simultâneos:

1. Um projeto pessoal (desenvolvimento de um app de controle financeiro do zero, integrado ao OpenFinance).
2. Um projeto profissional de peso: a modernização de um protótipo interno de Triagem Assistida por IA — um braço crítico do ecossistema de saúde que construímos. Graças a essa nova estrutura, o protótipo agora me permite fazer Testes A/B e experimentar novos prompts com segurança antes de levar a versão final para produção.

O Próximo Desafio: Escalando o Conhecimento (GraphRAG)

Um “cérebro” central conectando várias áreas de uma empresa.

Ainda estou aprendendo a blindar completamente o funcionamento dessa Gangue para torná-la 100% autônoma. E o próximo gargalo que já identifiquei e tenho que resolver é a gestão do conhecimento corporativo.

O /meta insiste que o nosso RAG (Retrieval-Augmented Generation) atual, baseado em arquivos .md, é suficiente. Mas a minha visão de arquitetura é mais abrangente. Estou buscando soluções corporativas mais parrudas, como o GraphRAG, rodando em um servidor MCP (Model Context Protocol) compartilhado. A ideia é que esse "cérebro" não atenda apenas à minha squad de Dev, mas escale para alimentar futuras gangues de agentes do financeiro, marketing, comercial e produto.

Uma coisa já está clara: o futuro da codificação com IA não é sobre ter o melhor chatbot. É sobre orquestrar especialistas ancorados em teoria, prática e memória externa.

Saímos da era do “Chat” e entramos oficialmente na era da Engenharia de Sistemas de Agentes Autônomos. E essa saga só está começando.

E você, já tentou sair do prompt básico e estruturar fluxos complexos com IA? Quais têm sido as suas maiores dores com os modelos atuais? Vamos trocar uma ideia nos comentários.