.webp){kind=small}
À medida que as bases de código corporativas se expandem, os agentes de IA responsáveis por analisá‑las enfrentam tarefas de longo prazo que exigem múltiplas interações e chamadas de ferramentas. Dividir o trabalho entre uma equipe de agentes parece a solução óbvia, porém a maioria dos sistemas multiagentes não foi projetada para que os agentes se coordenem entre si durante a execução, em tempo real.
Em ambientes empresariais reais, onde as subtarefas são altamente interdependentes, a arquitetura possibilita correções imediatas, evitando que os agentes sigam caminhos sem saída até uma revisão formal. Em um teste com repositórios de produção, a equipe de agentes alimentada pelo AgentRadio quase dobrou a taxa de acerto em comparação com quatro instâncias independentes do Claude Code. O desempenho também superou o de agentes únicos executados em modelos mais avançados, demonstrando que a coordenação correta pode superar a simples ampliação de capacidade computacional.
O desafio da compreensão da base de código
Os agentes baseados em LLM vêm aprimorando sua capacidade de lidar com tarefas de longo horizonte que demandam interação com diferentes ferramentas e ambientes. A compreensão de uma base de código representa a forma mais extrema desse desafio, exigindo que o agente construa o software, o execute, rastreie caminhos de execução em múltiplos arquivos e sintetize evidências ao longo de períodos extensos. Nessas condições, sistemas de agente único costumam falhar por causa de um “problema de cobertura”. “Um único agente segue um caminho sequencial pelo repositório”, explicam Xinxing Ren, Caelum Forder e Peter Carroll, co‑autores do artigo AgentRadio, ao VentureBeat.
À medida que o contexto cresce, “o plano inicial torna‑se mais difícil de revisar e as descobertas feitas mais tarde na investigação nem sempre se propagam”. O modelo pode executar etapas individuais, mas “a parte difícil consiste em manter ativas todas as obrigações, dependências e evidências contraditórias durante uma investigação prolongada”. Um benchmark que mede o desempenho da IA em grandes bases de código é o SWE‑Atlas QnA, composto por questões de linguagem natural de longo horizonte sobre repositórios de produção ativos. As tarefas exigem execução do software e múltiplos comandos para encontrar as respostas.
Segundo os experimentos da equipe, uma única instância do Claude Code na versão Opus 4.6 resolve apenas 32,3 % das questões, enquanto a atualização para Opus 4.8 eleva a taxa de sucesso para 57,2 %. Distribuir a carga de trabalho entre vários agentes parece um remédio natural, pois cada um opera com um contexto menor e mais limpo. Quando as tarefas são decomponíveis de forma limpa, as soluções multiagentes podem gerar ganhos substanciais de desempenho. Contudo, a compreensão de bases de código raramente se presta a uma decomposição limpa; as subtarefas são altamente interdependentes. Um arquivo de configuração crítico ou um bug descoberto por um agente pode reescrever ou redirecionar completamente o caminho de exploração de outro agente.
Por isso, os agentes precisam coordenar, negociar e compartilhar descobertas intermediárias em tempo real. A comunicação multiagente assíncrona ainda é escassa. Os sistemas existentes costumam se enquadrar em três padrões problemáticos: * Paralelo, mas isolado – agentes operam simultaneamente sem comunicação. * Paralelo, mas sincronizado por rodada – agentes só trocam mensagens ao final de rodadas rígidas, obrigando‑os a parar e aguardar.
Essa suposição custa caro quando descobertas importantes não podem esperar. * Assincronia limitada – oferecem recursos assíncronos restritos, como envio de tarefas de cima para baixo, sem canais peer‑to‑peer ou memórias compartilhadas que permitam atualizações em tempo real. Os pesquisadores ressaltam que o gargalo principal consiste no fato de que “um agente que está trabalhando não pode também estar ouvindo”. Até o momento, nenhum sistema oferece aos agentes em execução consciência passiva uns dos outros por meio de um canal lateral de linguagem natural.
Como funciona o AgentRadio
O AgentRadio cria um estado de “consciência passiva” nos agentes, permitindo que continuem suas tarefas principais enquanto enviam mensagens e atualizam seus conhecimentos em segundo plano. O código está disponível sob a licença Apache 2.0 no GitHub e foi desenvolvido para ser leve, sem exigir modificações nos componentes subjacentes, como Claude Code ou Codex CLI. A arquitetura divide‑se em duas partes principais: * Servidor de mensagens – processo independente que atua como hub central, armazenando todos os threads, mensagens e menções ativas para o grupo de agentes. * Integração do lado do agente – os agentes interagem com o servidor por meio de três scripts de shell simples, correspondentes a cada operação primária de envio, leitura e atualização de mensagens. Com
Essa estrutura, os agentes podem coordenar descobertas, corrigir hipóteses e ajustar estratégias sem interromper o fluxo de trabalho, elevando significativamente a eficácia em projetos de codificação empresarial.
| ℹ️ | Nota do editor: O AR NEWS 24H publica conteúdos baseados em fontes externas. As informações e opiniões presentes no material original são de responsabilidade de seus respectivos autores. Este conteúdo foi traduzido e adaptado para o português do Brasil com o auxílio de ferramentas automatizadas. |
