Abra Espaço, Engenharia de Loops: A Engenharia de Grafos Chegou
CChase AI
Computing/SoftwareInternet Technology
Transcript
00:00:00Mês passado era engenharia de loop, antes disso era engenharia de contexto, e hoje a nova
00:00:05sensação é a engenharia de grafos. Mas isso é algo que você realmente precisa entender ou é só
00:00:11o hype da IA fazendo o de sempre e dando um nome bonito para um assunto sem sentido? Bem, neste
00:00:17vídeo nós vamos responder a essa pergunta. E alerta de spoiler: este não é um assunto sem sentido. Agora,
00:00:23engenharia de grafos não é algo que se aplica a qualquer coisinha que você vá construir,
00:00:28mas é um conceito que você vai querer entender, especialmente se você é alguém que usa
00:00:33loops complexos. Então, se é o seu caso ou se vai ser em um futuro próximo, vale a pena
00:00:38ficar até o final. A engenharia de grafos é basicamente uma extensão ou evolução da engenharia de loop.
00:00:43Então, bem rapidamente, vamos revisar o que é a engenharia de loop para ficarmos na mesma
00:00:47página. Todos os loops têm basicamente três partes. A primeira é o gatilho. Como essa
00:00:54coisa realmente começa? Idealmente de forma autônoma: roda todo dia em determinado horário ou por evento.
00:01:00O passo dois é a tarefa. O que ela realmente faz? E o passo três é ter algum tipo de critério de
00:01:07sucesso. Mandamos ela fazer algo, mas como sabemos se ela fez corretamente? Porque
00:01:13se não fez certo, quero que rode de novo do começo. E, idealmente, tudo roda e os dados
00:01:19são salvos em algum lugar para podermos adicionar algo como autoaperfeiçoamento. Mas no básico do
00:01:25básico, precisamos de um gatilho, a execução da tarefa e um teste para ver se funcionou, tudo
00:01:30de forma automática. No nosso exemplo aqui, temos um loop que gera um relatório matinal
00:01:35todos os dias. Temos este agente de IA que roda todo dia às 7h. Esse é o gatilho.
00:01:42A tarefa dele é olhar várias redes sociais — YouTube, Twitter e Reddit — para encontrar
00:01:47informações sobre IA para nós, o que está em alta, e checar meus e-mails. Depois de fazer isso,
00:01:54Quero que ele consolide as informações e gere um relatório para mim. Essa é a tarefa. Agora, o sucesso neste
00:02:00caso é meio vago. Como definimos se o relatório foi feito certo? Bem, neste caso,
00:02:05dissemos ao loop que o relatório precisa ter certas informações e ter determinado tamanho.
00:02:11Ele precisa incluir links. Definimos alguns critérios de avaliação. Então, esse é o nosso
00:02:17loop. Bem simples, executado por um único agente. Agora, como transformaríamos isso num grafo? Como
00:02:25passaríamos da engenharia de loop para a engenharia de grafos mantendo essa exata tarefa? Eu ainda quero
00:02:30o relatório matinal pronto todos os dias. Vamos dar uma olhada, porque aqui à direita está a
00:02:35versão em engenharia de grafos dessa mesma tarefa. Queremos o mesmo relatório, mas
00:02:40aumentamos a quantidade de agentes trabalhando. Especificamente, passamos de um agente fazendo
00:02:46tudo para vários agentes fazendo tarefas específicas e conectados entre si. Nós
00:02:53continuamos com o mesmo gatilho — toda manhã às 7h isso vai rodar —, mas agora temos um agente
00:02:58olhando o YouTube, um olhando o Twitter, um no Reddit e um cuidando dos
00:03:04e-mails, e assim por diante. Cada agente pega as informações necessárias, faz a síntese
00:03:09por conta própria e depois envia esse resumo para o agente
00:03:17do relatório. Ele junta todos os dados e sintetiza no relatório final. Podemos
00:03:23ir além e ter também um agente revisor, que vai analisar
00:03:30o relatório gerado, comparar com a nossa definição de relatório bem-feito e decidir:
00:03:36precisamos rodar tudo de novo ou já podemos mandar para produção? E isso
00:03:41é a engenharia de grafos em resumo. Vamos detalhar isso, porque você deve estar pensando:
00:03:48“A gente só colocou um monte de agentes, não entendi o que mudou.”
00:03:51Sim, nós adicionamos mais agentes, e há um motivo para isso. A engenharia de grafos é
00:03:58mais complicada não porque queremos complicar as coisas, mas porque
00:04:03pegamos cada tarefa individual e a transformamos em um agente rodando sua própria
00:04:09versão de engenharia de loop. Antes, o que tínhamos? Tính tínhamos a engenharia de loop fazendo tudo,
00:04:14checando os critérios de sucesso, mas num nível muito macro e lidando com
00:04:18várias coisas ao mesmo tempo. Já na engenharia de grafos,
00:04:22nós focamos em uma tarefa específica. Agora este agente cuida só da análise e pesquisa
00:04:29do YouTube. Transformamos isso numa estrutura de engenharia de loop também. Pense
00:04:34bem: reduziu-se a uma tarefa, mas continua sendo engenharia de loop. Temos o gatilho, certo? Às
00:04:397h da manhã. Temos a tarefa: ele precisa achar informações de IA no YouTube e sintetizar.
00:04:46E temos os critérios de sucesso. Mas por termos transformado isso numa estrutura de
00:04:51grafos, podemos ser muito específicos sobre como é o sucesso em cada
00:04:57etapa do processo. Para nós, pode ser: “Preciso de pelo menos cinco fontes.” Ou:
00:05:03“A síntese precisa ter pelo menos dois parágrafos.” Ou: “Para cada fonte e cada informação
00:05:09encontrada, me diga qual é o impacto disso.” Em vez de o processo de verificação
00:05:16processo de verificação ser muito abrangente e tentar colocar tudo isso em um tipo de, tipo,
00:05:22isso funcionou, ou isso não funcionou, nós o dividimos em seções bem definidas. E por que você deveria se importar
00:05:27com isso? Primeiro, aumenta a qualidade. Em vez de um agente fazendo tudo,
00:05:33tenho um agente focado em uma única coisa. Pensando só na degradação de contexto,
00:05:40o espaço da janela de contexto estará bem mais limpo comparado a um agente tentando
00:05:44fazer 10 coisas ao mesmo tempo. O resultado será bem melhor. Além disso, é mais rápido.
00:05:51Em vez de um agente fazendo 10 coisas, tenho quatro agentes trabalhando em paralelo.
00:05:56É mais rápido, mais eficiente e mais fácil identificar falhas. Consigo ver
00:06:03rapidamente se é um problema no YouTube ou no Reddit. No modelo único, às vezes é difícil
00:06:08separar o sinal do ruído e entender em qual ponto erramos para o relatório
00:06:15não ter ficado bom e precisar ser refeito. Isso porque os critérios de sucesso
00:06:20podem ser definidos para cada subtarefa. Isso é a engenharia de grafos e o porquê de
00:06:27importar. Não temos apenas um agente, temos vários conectados de diferentes
00:06:33maneiras. Dividimos as tarefas de forma individual e atômica. Por ser
00:06:38uma tarefa atômica, podemos detalhar o que cada uma deve fazer e o que
00:06:44é considerado sucesso. Cada agente se torna sua própria estrutura de
00:06:48engenharia de loop. Conectamos vários loops. A próxima pergunta que surge é:
00:06:54quando devo usar engenharia de grafos em vez de engenharia de loop? Porque,
00:06:58sejamos honestos, nem sempre você precisa criar uma estrutura multiagente supercomplicada como essa.
00:07:04Não precisa. Na maioria das vezes, um loop simples resolve. Mas há três casos em que
00:07:09vale a pena considerar a engenharia de grafos. O primeiro cenário é quando
00:07:15começamos a ter problemas de contexto, especificamente a degradação de contexto. Se eu
00:07:20peço para um agente rodar em loop várias vezes e, em cada loop, ele executa umas
00:07:25quatro, seis, oito tarefas, a janela de contexto a cada execução chega
00:07:29a 300, 400, 500 mil tokens. Aí faz sentido dividir o trabalho.
00:07:36Não há razão para aceitarmos uma qualidade menor por causa de uma janela de contexto
00:07:41lotada sem necessidade. O cenário número dois é quando precisamos de uma revisão independente.
00:07:48Ao falar de loops adequados, em algum momento precisamos avaliar o sucesso, aquela questão dos
00:07:55critérios de avaliação. Você deve se perguntar: o próprio agente que criou o conteúdo, no caso o relatório,
00:08:01deve avaliar a si mesmo e dizer se ficou bom ou não? No caso de um relatório matinal,
00:08:07provavelmente sim. Não é algo tão complexo ou crítico para dizer que
00:08:13o relatório está razoável, além de ser algo subjetivo. Mas se for um processo
00:08:18crítico e quisermos uma segunda opinião, vale a pena recorrer à engenharia
00:08:24de grafos e trazer um agente totalmente diferente para revisar o que foi criado.
00:08:28Pode nem ser um agente de código em nuvem, mas algo como o GPT-5.6.
00:08:32De qualquer forma, é um cenário de orquestração multiagente onde a engenharia de grafos
00:08:37faz todo sentido. E o terceiro ponto é o tempo: quão rápido precisamos do resultado? Nesse caso,
00:08:44faz todo sentido usar automação com engenharia de grafos, pois por que colocar um
00:08:48único agente para olhar o YouTube, depois o Twitter, o Reddit e só então o Gmail?
00:08:52Nem os sistemas de código em nuvem fazem isso. Ao rodar uma pesquisa aprofundada,
00:08:57eles pesquisam as fontes de forma sequencial, uma por uma? Não, eles lançam uns cem
00:09:02subagentes de uma vez só. Na verdade, quase tudo criado em plataformas de automação com
00:09:08fluxos dinâmicos usa alguma forma de engenharia de grafos, com múltiplos agentes
00:09:13coletando dados, vários fazendo a síntese
00:09:17e outros fazendo a revisão crítica das informações. Nesses fluxos
00:09:23complexos, nunca dependemos de um único loop. É uma conexão de agentes em
00:09:28loop. Mas como eu disse no início, a maioria das coisas que você vai fazer não se encaixa nessas
00:09:34três categorias. E se não se encaixa, não há razão para usar engenharia de grafos. É apenas mais uma
00:09:39ferramenta. Às vezes precisamos, às vezes não, mas há vantagens em usar.
00:09:44Por outro lado, há desvantagens quando adicionamos etapas e infraestrutura
00:09:48complexas a algo simples. Vou encerrar a explicação sobre engenharia de grafos
00:09:52por aqui. Espero ter trazido uma boa noção do que realmente é esse conceito.
00:09:57Vocês ainda vão ouvir falar bastante sobre isso.
00:10:01Mas se você entende a engenharia de loop, pense assim: são múltiplos agentes rodando
00:10:07engenharia de loop juntos, se comunicando, o que aumenta a qualidade,
00:10:12deixa o processo mais rápido e facilita achar onde está o erro. E se você
00:10:17não sabe se precisa disso para a sua tarefa, a resposta provavelmente é não. Como sempre,
00:10:24me digam o que acharam. Confiram o Chase AI Plus se quiserem acessar a minha
00:10:27Masterclass de código em nuvem. Vou deixar o link aqui embaixo. No mais, até a próxima.