Comparar loop de agente único versus loops de múltiplos agentes para fluxos de trabalho complexos em Azure Logic Apps (versão preliminar)

Aplica-se a: Aplicativos Lógicos do Azure (Standard)

Importante

Esse recurso está em versão prévia e está sujeito aos Termos de uso suplementares para versões prévias do Microsoft Azure.

Para soluções de integração de IA que lidam com cenários complexos ou tarefas sofisticadas, que geralmente excedem os recursos de um loop de agente único, os Aplicativos Lógicos do Azure dão suporte nativo a padrões de orquestração de loop multiagente comuns e comprovados que vão desde fluxos de trabalho simples e compostos até sistemas autônomos complexos. Vários loops de agente ajudam a distribuir as funções, as responsabilidades e as cargas de trabalho em um fluxo de trabalho complexo que deve executar tarefas sofisticadas.

Às vezes, sua solução de integração de IA precisa lidar com um cenário complexo ou tarefas sofisticadas que podem exceder a capacidade, o desempenho ou a eficiência de um único loop de agente. Nesses cenários, considere adicionar e usar vários loops de agente para distribuir as funções, as responsabilidades e a carga de trabalho em seu fluxo de trabalho. Os Aplicativos Lógicos do Azure dão suporte nativo a padrões de orquestração de loop multiagente comuns e comprovados que vão desde fluxos de trabalho simples e compostos até sistemas autônomos complexos.

Para ajudá-lo a criar sistemas de loop multiagentes mais eficazes, este guia ajuda você a aprender e entender os seguintes conceitos:

  • Comparação entre fluxos de trabalho de loop multiagente e de agente único, abordando as limitações dos loops de agente único e os benefícios dos loops multiagentes.
  • Padrões de orquestração de loop multiagente compatíveis, que são listados do mais simples ao mais complexo.
  • Considerações a serem consideradas ao escolher o melhor padrão para seu cenário.
  • Quando e como aplicar cada padrão.

Limitações de loop de agente único versus benefícios de loop multiagente

A tabela a seguir lista os desafios quando um único loop de agente executa todo o trabalho em uma solução complexa, desde interpretação, processamento e raciocínio até a tomada de decisões e a execução.

Limitation Description
Carga cognitiva Tarefas complexas exigem que o loop do agente gerencie várias questões ao mesmo tempo, o que leva à diminuição do desempenho em cada aspecto individual.
Propagação de erro Um erro pode inviabilizar todo o processo sem mecanismo de recuperação.
Sem especialização Você não pode otimizar um loop de agente igualmente bem para todos os tipos de tarefas.
Restrições de escalabilidade Quando você adiciona recursos a um loop de agente monolítico, a complexidade aumenta exponencialmente.

As arquiteturas de loop multiagente superam as limitações dos loops de agente único ao decompor problemas complexos em componentes especializados e gerenciáveis. Quando você projeta e cria sua solução usando padrões simples e redigiráveis, sua implementação tem maior sucesso em comparação com o uso de estruturas complexas. Esse princípio de simplicidade e capacidade de composição existe no núcleo do design de loop multiagente.

Vários loops de agente podem assumir funções especializadas, responsabilidades e distribuir a carga de trabalho em um fluxo de trabalho. A tabela a seguir lista os principais benefícios do loop multiagente em relação à confiabilidade, à manutenção, à especialização e à escalabilidade:

Benefício Description
Preocupações separadas Cada loop de agente pode se concentrar em uma área de conhecimento específica.
Otimização independente Você pode ajustar cada loop de agente para uma tarefa específica.
Identificar e isolar falhas Erros em um loop de agente não necessariamente se propagam para outros loops de agente.
Capacidade de reutilização Você pode reutilizar loops de agente especializados em fluxos de trabalho diferentes.
Humanos no loop Você tem pontos de verificação naturais para revisão e intervenção humana.
Desenvolvimento escalonável As equipes podem trabalhar separadamente e independentemente em diferentes loops de agente.

Os Aplicativos Lógicos do Azure ajudam você a criar sistemas de loop multiagentes fornecendo os seguintes recursos:

Capability Description
Design visual Fornece uma representação gráfica clara que mostra interações de loop do agente e pontos de decisão.
Gerenciamento de estado integrado Inclui suporte nativo para manter o contexto entre chamadas de loop de agente.
Tratamento de erros Oferece mecanismos robustos de tratamento de erros e tentativa novamente.
Monitoramento e observabilidade Fornece registro em log e monitoramento abrangentes para fluxos de trabalho multiagentes.
Recursos de integração Integra-se facilmente com serviços e serviços externos do mundo real, permitindo que você crie ferramentas de agente apoiadas por ações de mais de 1.400 conectores nos Aplicativos Lógicos do Azure.
Escalabilidade Escala automaticamente com confiabilidade empresarial.

Para obter mais informações, consulte os seguintes artigos:

Padrão de encadeamento de prompt

Esse padrão de fluxo de trabalho divide uma tarefa em etapas sequenciais. Cada etapa corresponde a uma chamada de loop de agente específica. Cada chamada de grande modelo de linguagem (LLM) processa a saída do LLM anterior. Nos Aplicativos Lógicos do Azure, esse padrão se traduz em uma cadeia de vários loops de agente em que a saída de cada loop de agente se torna a entrada para o próximo loop do agente.

  • Nível de baixa complexidade

  • Use quando o fluxo de trabalho atender aos seguintes critérios:

    • Tarefas complexas exigem processamento sequencial.
    • Você pode decompor tarefas de forma limpa em subtarefas fixas que seguem uma sequência linear.
    • Você precisa de verificações de validação entre as etapas.
    • Cada etapa se beneficia de uma atenção específica e focada.
    • A qualidade é mais importante do que a velocidade.

  • Exemplos

    • Gerar texto publicitário → Traduzir para outras línguas
    • Criar a estrutura do documento → Validar a estrutura → Escrever o documento completo
    • Extrair dados → validar dados → formatar dados

  • Principais atributos e benefícios

    • As etapas predeterminadas seguem uma progressão linear.
    • Cada loop de agente se concentra em uma única tarefa bem definida, que promove maior precisão.
    • Cada etapa pode incluir pontos de verificação programáticos ou "portões" de validação para controle de qualidade.
    • Mais fácil de depurar e identificar onde os problemas ocorrem na cadeia.
    • A modularidade permite otimizar cada etapa de forma independente.
    • Sacrifique a latência por maior precisão e melhores resultados.

Para obter mais informações, consulte os seguintes recursos:

Padrão de roteamento

Esse padrão de fluxo de trabalho classifica e direciona a entrada para uma tarefa subsequente especializada. Esse comportamento permite separar preocupações e permite prompts especializados que você pode otimizar para tipos de entrada específicos.

  • Nível de complexidade baixa a média

  • Use quando você tiver categorias de entrada distintas que precisam de tratamentos diferentes ou especializados.

  • Exemplos

    • Rotear consultas de atendimento ao cliente, por exemplo:

      • Loop do agente de cobrança → Loop de cobrança
      • Suporte técnico → loop do agente de suporte técnico

    • Classifique o conteúdo, por exemplo:

      • Fluxo de trabalho prioritário urgente →
      • Rotina → Fluxo de trabalho de rotina

    • Selecione uma LLM, por exemplo:

      • Questões básicas → ciclo básico do agente
      • Perguntas avançadas ou complexas → loop avançado de agentes

  • Atributos de chave

    • A etapa de classificação inicial determina para onde rotear.
    • Categorias diferentes obtêm loops de agente especializados.
    • Evite conflitos de otimização entre diferentes tipos de entrada.
    • Você pode usar algoritmos de classificação tradicionais ou roteamento baseado em LLM.

Para obter mais informações, consulte Laboratório: Implementar o padrão de roteamento.

Padrão de entrega

Esse padrão de fluxo de trabalho cria transições perfeitas entre loops de agente, preservando o contexto e o estado. Esse comportamento é eficaz para cenários que exigem escalonamento humano ou transferência de experiência.

  • Nível de complexidade média

  • Use quando precisar transferir o controle entre loops de agente com diferentes especializações, mantendo a continuidade da conversa.

  • Exemplos

    • Cenários de atendimento ao cliente, por exemplo, suporte geral → especialista técnico → cobrança
    • Fluxos de trabalho de criação de conteúdo, por exemplo, Pesquisa → Gravação → Editar
    • Resolução de problemas complexos, por exemplo, analisar → projetar solução → implementar solução

  • Principais atributos e benefícios

    • Cada loop de agente se concentra em especialização em domínios específicos.
    • As entregas têm critérios e gatilhos claros.
    • Os mecanismos de transferência têm o contexto adequado.
    • Os agentes em loop escolhem quando e onde entregar tarefas com base no fluxo da conversa.
    • Preserva estados ou o histórico completo das conversas durante as entregas do loop de agente.
    • Imita padrões de escalonamento de atendimento ao cliente humano.
    • Isola erros ou problemas em um loop de agente de outros loops de agente.
    • Existem ações de inicialização para preparar o loop do agente destinatário.

Para obter mais informações, confira Laboratório: Implementar o padrão de entrega.

Padrão de paralelização

Esse padrão de fluxo de trabalho tem as seguintes variações primárias:

  • Seção: divide tarefas em subtarefas paralelas independentes.

  • Votação: executa a mesma tarefa várias vezes para saídas diversas.

  • Nível de complexidade média

  • Utilize quando as subtarefas puderem ser processadas de forma independente para aumentar a rapidez, ou quando múltiplas perspectivas puderem aumentar a confiança.

  • Exemplos

    • Seccionamento

      • Conteúdo moderado, por exemplo, um agente verifica o conteúdo, enquanto outro verifica se há violações da política.
      • Examine o código, por exemplo, diferentes loops de agente verificam se há segurança, desempenho, estilo e assim por diante.

    • Votação

      • Vários loops de agente avaliam a adequação do conteúdo usando limites diferentes.
      • Avalie as vulnerabilidades com a tomada de decisões baseada em consenso.

  • Principais características

    • Velocidade aprimorada com execução simultânea.
    • Resultados agregados programaticamente.
    • Melhor desempenho resultante da atenção focada em aspectos específicos.

Para obter mais informações, consulte Laboratório: Implementar o padrão de paralelização.

Padrão de orquestrador e trabalhadores – loops de agentes aninhados como ferramentas

Esse padrão de fluxo de trabalho trata ciclos de agentes como ferramentas sofisticadas que outros ciclos de agentes podem utilizar. Uma LLM divide dinamicamente as tarefas, delega o trabalho a outras LLMs e sintetiza seus resultados.

  • Alto nível de complexidade

  • Use quando não for possível prever as subtarefas necessárias com antecedência e precisar de decomposição de tarefa dinâmica.

  • Exemplos

    • Tarefas de codificação que exigem alterações em quantidades imprevisíveis de arquivos.
    • Tarefas de pesquisa que coletam informações de várias fontes dinâmicas.
    • Tarefas de análise complexas que exigem diferentes funcionalidades especializadas.

  • Principais diferenças da paralelização

    • O Orchestrator determina dinamicamente as subtarefas necessárias.
    • Mais flexível, mas também mais imprevisível.
    • Requer uma lógica de coordenação sofisticada.

Para obter mais informações, consulte Lab: Implementar o padrão orchestrator-workers.

Padrão avaliador-otimizador

Esse padrão de fluxo de trabalho tem uma chamada LLM para gerar uma resposta, enquanto outra chamada LLM fornece a avaliação e os comentários em um loop, o que imita processos de melhoria iterativa humana.

  • Alto nível de complexidade

  • Use quando existirem critérios de avaliação claros e quando o refinamento iterativo fornecer valor mensurável.

  • Exemplos

    • Traduza o conteúdo literário com análise e refinamento detalhado.
    • Execute tarefas de pesquisa complexas que exigem várias rodadas para análise.
    • Crie conteúdo, avalie a qualidade e faça melhorias em várias iterações.

  • Atributos de chave

    • Executa loops de refinamento iterativo.
    • Requer critérios de avaliação claros.
    • Usa funções de loop de agente do gerador e do avaliador.
    • Impede loops infinitos usando condições de encerramento.

Para obter mais informações, consulte Laboratório: Implementar o padrão avaliador-otimizador.

Conteúdo relacionado

  • Last updated on