{"id":17343,"date":"2025-07-23T10:37:43","date_gmt":"2025-07-23T17:37:43","guid":{"rendered":"https:\/\/www.couchbase.com\/blog\/?p=17343"},"modified":"2025-07-23T15:00:21","modified_gmt":"2025-07-23T22:00:21","slug":"polaris-multi-agent-conversational-ai","status":"publish","type":"post","link":"https:\/\/www.couchbase.com\/blog\/pt\/polaris-multi-agent-conversational-ai\/","title":{"rendered":"Polaris: Intelig\u00eancia de dados de conversa\u00e7\u00e3o com tecnologia de IA para a empresa por meio de uma arquitetura multiagente"},"content":{"rendered":"

No ambiente acelerado de hoje, a capacidade de acessar, entender e agir rapidamente com base nos dados n\u00e3o \u00e9 mais um luxo, \u00e9 uma necessidade. No entanto, muitas organiza\u00e7\u00f5es descobrem que, embora sejam ricas em dados, a obten\u00e7\u00e3o de insights oportunos e acion\u00e1veis continua sendo um desafio significativo, principalmente para usu\u00e1rios corporativos n\u00e3o t\u00e9cnicos.<\/p>\n

Al\u00e9m disso, os usu\u00e1rios t\u00e9cnicos precisam entender seus dados para saber quais consultas construir para obter os resultados, o que exige tempo e esfor\u00e7o significativos e n\u00e3o est\u00e1 a um clique de dist\u00e2ncia, permitindo que o usu\u00e1rio pergunte o que tem em mente em linguagem natural simples.<\/p>\n

Al\u00e9m disso, o usu\u00e1rio ainda precisa dedicar tempo para entender os dados, mesmo com as visualiza\u00e7\u00f5es implementadas. Muitas vezes, h\u00e1 uma quest\u00e3o de \"por que\" quando os dados est\u00e3o sendo apresentados, e os dados sem o \"por que\" crucial deixam uma lacuna entre a apresenta\u00e7\u00e3o dos dados e a verdadeira compreens\u00e3o. Essencialmente, a an\u00e1lise de neg\u00f3cios de autoatendimento continua sendo ilus\u00f3ria.<\/p>\n

O que \u00e9 Polaris?<\/h2>\n

Polaris<\/b> \u00e9 uma interface de conversa\u00e7\u00e3o baseada em IA de v\u00e1rios agentes criada para analisar dados em nosso banco de dados operacional Couchbase. O Polaris utiliza uma arquitetura multiagente que permite que os usu\u00e1rios interajam com seus dados corporativos por meio de uma interface de conversa\u00e7\u00e3o intuitiva, transformando a an\u00e1lise de dados complexos em um di\u00e1logo simples. Por exemplo, se uma empresa tiver dados de vendas corporativas globais em v\u00e1rias regi\u00f5es e linhas de produtos, e um analista de neg\u00f3cios quiser entender \"Por que as vendas do segundo trimestre diminu\u00edram na regi\u00e3o nordeste para o Produto X?\"<\/em>Se o nosso aplicativo for um aplicativo de an\u00e1lise, ele poder\u00e1 executar de forma aut\u00f4noma todo o fluxo de trabalho de an\u00e1lise.<\/p>\n

Ele recupera e filtra os dados de vendas relevantes por regi\u00e3o, produto e per\u00edodo de tempo, compara as tend\u00eancias de desempenho em regi\u00f5es ou produtos compar\u00e1veis, visualiza os principais padr\u00f5es e anomalias e gera um relat\u00f3rio narrativo que resume as causas principais, como redu\u00e7\u00e3o de gastos promocionais, problemas de disponibilidade de estoque ou uma mudan\u00e7a no comportamento do cliente. Para torn\u00e1-lo ainda mais interessante, o analista de neg\u00f3cios pode fazer uma pergunta de acompanhamento para entender, em detalhes, alguma parte do relat\u00f3rio ou talvez solicitar mais visualiza\u00e7\u00f5es etc., permitindo assim uma r\u00e1pida tomada de decis\u00e3o orientada por dados.<\/p>\n

Agora, vamos abordar o elefante na sala: os agentes de IA.<\/p>\n

O que s\u00e3o agentes de IA e quais s\u00e3o seus recursos?<\/h2>\n

Os agentes de IA s\u00e3o sistemas aut\u00f4nomos alimentados por intelig\u00eancia artificial, geralmente envolvendo M\u00f3dulos de Linguagem Grandes (LLMs) que podem executar tarefas, tomar decis\u00f5es e interagir com ambientes do mundo real, muitas vezes sem supervis\u00e3o humana constante. Diferentemente dos chatbots tradicionais ou dos programas baseados em regras, os agentes de IA tamb\u00e9m aprendem com sua experi\u00eancia. O objetivo de um agente \u00e9 que ele fa\u00e7a tudo o que um operador humano faz de forma aut\u00f4noma e autom\u00e1tica. Ainda \u00e9 uma meta rebuscada, mas o setor de IA est\u00e1 progredindo em dire\u00e7\u00e3o a ela. Agora, vamos dar uma olhada nos recursos dos agentes de IA:<\/p>\n

\"What<\/p>\n

 <\/p>\n

Plano do agente: Solu\u00e7\u00e3o de problemas passo a passo<\/b>
\n<\/b> Os agentes de IA dividem tarefas complexas em etapas claras e gerenci\u00e1veis - identificando o problema, executando cada fase e ajustando conforme necess\u00e1rio. Em sistemas multiagentes, cada agente pode se apropriar de uma tarefa espec\u00edfica, permitindo a solu\u00e7\u00e3o eficiente e coordenada de problemas.<\/p>\n

Conscientiza\u00e7\u00e3o de contexto: Gerenciamento de mem\u00f3ria e rastreamento de estado<\/b>
\n<\/b> Os agentes mant\u00eam o contexto entre as intera\u00e7\u00f5es, lembrando-se de entradas anteriores e adaptando-se aos fluxos de trabalho em andamento. Esse rastreamento de estado cria experi\u00eancias de usu\u00e1rio mais naturais, consistentes e inteligentes.<\/p>\n

Uso da ferramenta: Amplia\u00e7\u00e3o dos recursos do agente<\/b>
\n<\/b> Os agentes podem interagir com ferramentas externas - APIs, bancos de dados, scripts - para executar a\u00e7\u00f5es reais, e n\u00e3o apenas oferecer sugest\u00f5es. Isso os transforma de assistentes passivos em executores ativos nos fluxos de trabalho.<\/p>\n

Aprenda com os dados anteriores: Adapta\u00e7\u00e3o ao longo do tempo<\/b>
\n<\/b> Ao analisar os dados hist\u00f3ricos e o comportamento, os agentes melhoram com o tempo - antecipando as necessidades do usu\u00e1rio, refinando as respostas e otimizando os fluxos de trabalho com base nos padr\u00f5es de uso.<\/p>\n

O que \u00e9 um sistema multiagentes (MAS)?<\/h3>\n

A arquitetura multiagente \u00e9 um projeto de sistema em que v\u00e1rios agentes independentes trabalham juntos para resolver problemas ou executar tarefas. Cada agente tem sua pr\u00f3pria fun\u00e7\u00e3o, como coletar dados, analisar informa\u00e7\u00f5es ou tomar decis\u00f5es. Esses agentes se comunicam e colaboram para atingir um objetivo comum, tornando o sistema mais organizado. \u00c9 como uma equipe em que cada membro faz um trabalho espec\u00edfico, mas todos trabalham para o mesmo resultado! Usamos a arquitetura multiagente para o Polaris.<\/p>\n

Por que a mudan\u00e7a da arquitetura de agente \u00fanico?<\/h3>\n

Um \u00fanico agente de IA opera de forma independente, lidando com tarefas espec\u00edficas de forma aut\u00f4noma. Isso funciona bem para aplica\u00e7\u00f5es simples, como um sistema RAG (Retrieval-Augmented Generation), em que um agente responde \u00e0s consultas do usu\u00e1rio com base em um LLM e um conhecimento. Entretanto, em aplica\u00e7\u00f5es pr\u00e1ticas, as intera\u00e7\u00f5es com o usu\u00e1rio raramente s\u00e3o simples. Elas geralmente envolvem l\u00f3gica complexa, racioc\u00ednio em v\u00e1rias etapas e a necessidade de trabalhar com modelos de dados din\u00e2micos e requisitos comerciais em constante evolu\u00e7\u00e3o. Nesse ponto, os sistemas de agente \u00fanico come\u00e7am a atingir os limites de desempenho e escalabilidade. Eles podem falhar ao encadear v\u00e1rias opera\u00e7\u00f5es, adaptar-se \u00e0s mudan\u00e7as de esquema ou coordenar fluxos de trabalho diferenciados.<\/p>\n

Por que as arquiteturas multiagentes (MAS) funcionam?<\/h3>\n

A separa\u00e7\u00e3o de preocupa\u00e7\u00f5es inerente ao design do MAS resulta em sistemas mais robustos e de f\u00e1cil manuten\u00e7\u00e3o. Cada agente se concentra em sua tarefa espec\u00edfica, reduzindo a complexidade e facilitando a identifica\u00e7\u00e3o e a resolu\u00e7\u00e3o de problemas. Essa abordagem se destaca em cen\u00e1rios como o controle de ve\u00edculos aut\u00f4nomos, em que agentes separados lidam com a navega\u00e7\u00e3o, a detec\u00e7\u00e3o de obst\u00e1culos e a din\u00e2mica do ve\u00edculo, permitindo o desenvolvimento e a solu\u00e7\u00e3o de problemas focados em cada \u00e1rea.<\/p>\n

Sistemas Multiagentes Supervisor vs. Rede<\/h4>\n

\"Why<\/center>Um supervisor central controla a atribui\u00e7\u00e3o de tarefas e monitora os subagentes, que t\u00eam autonomia limitada, o que permite um gerenciamento mais f\u00e1cil, decis\u00f5es otimizadas e resolu\u00e7\u00e3o de conflitos. No entanto, \u00e9 propenso a falhas em um \u00fanico ponto e tem dificuldades com a escalabilidade. A flexibilidade \u00e9 limitada em ambientes din\u00e2micos ou que mudam rapidamente.<\/p>\n

Arquitetura multiagente descentralizada (ponto a ponto)<\/h4>\n

\"Decentralized<\/center>Os agentes agem de forma independente, e todos os agentes t\u00eam a capacidade de interagir uns com os outros. Ele \u00e9 bem dimensionado e resistente a falhas, mas n\u00e3o tem supervis\u00e3o centralizada. Isso leva a uma coordena\u00e7\u00e3o complexa, maior sobrecarga de comunica\u00e7\u00e3o e desafios na resolu\u00e7\u00e3o de conflitos, al\u00e9m de ser mais dif\u00edcil garantir a coer\u00eancia global.<\/p>\n

N\u00f3s escolhemos: Arquitetura baseada em supervisor<\/h3>\n

Nosso aplicativo faz uso do Agente supervisor LangGraph<\/b><\/a>:<\/p>\n

    \n
  1. \n
      \n
    1. Racioc\u00ednio centralizado, consist\u00eancia e coer\u00eancia\n