> For the complete documentation index, see [llms.txt](https://weekly-essay.mikey.wang/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://weekly-essay.mikey.wang/pt-br/2025/w42-an-evolving-understanding-of-agents-and-llms.md).

# W42-Uma compreensão em evolução sobre agentes e LLMs

Tenho dedicado tempo a estudar tecnologias de agentes e também formei novas ideias sobre os grandes modelos.

Recomendo primeiro [Fazendo a IA funcionar em bases de código complexas](https://github.com/humanlayer/advanced-context-engineering-for-coding-agents/blob/main/ace-fca.md). Depois de tanto explorar programação com IA, vejo esse texto como uma síntese orientadora. Pretendo usá-lo como base para a equipe construir consenso aos poucos.

A importância das tecnologias de agentes está ficando mais clara. Elas permitem aproveitar de fato a “inteligência” dos grandes modelos, fazendo-os passar de “saber tudo” a “poder fazer tudo”. É preciso distinguir duas direções: construir agentes e usar agentes. A fronteira pode se tornar cada vez menos nítida; para fazer algo bem, talvez seja necessário unir construção e uso. Ainda assim, devemos saber de qual dos dois estamos falando. Na programação com IA, por exemplo, a maior parte do que vejo é uso de agentes, não construção de agentes novos.

No início, eu entendia o MCP como algo semelhante a RPC, um protocolo de aplicação para chamadas de serviços. Hoje, prefiro vê-lo como um protocolo de transporte, como TCP. O MCP reproduz mais o paradigma tradicional de chamadas de serviços do que nasce para colaboração entre vários agentes. As aplicações de fato deveriam ser construídas sobre ele, com relações complexas de estratégia entre agentes: divisão e consolidação do trabalho, escalonamento e orquestração. É assim que se aproveita ao máximo a capacidade dos modelos. Entre agentes, não pode haver apenas chamadas simples. Como HTTP em relação a TCP, é preciso uma semântica de protocolo mais rica, como negociação de políticas de cache. Por isso, vale acompanhar uma nova camada sobre o MCP, como o Agent2Agent, hoje em desenvolvimento.

Não devemos pensar nos grandes modelos como meras ferramentas. O cérebro não é um disco rígido, mas uma rede neural; todas as saídas são geradas em tempo real. Um grande modelo também não é um banco de dados, mas um conjunto de pesos obtidos por treinamento. Em uma compreensão simples, quanto maior o modelo, maior a inteligência. Nossos sistemas de desenvolvimento e entrega foram projetados em torno de pessoas. Agora precisamos repensar a estrutura e a divisão do trabalho em torno dos grandes modelos. A mudança central é que o ponto de alavancagem humana se deslocou. Devemos concentrar a atenção em research e planning, as duas etapas de maior impacto, e antecipar o padrão de “manutenibilidade para humanos”, transformando-o em um padrão de “capacidade de colaboração entre agentes”.

Também é preciso reconhecer os limites dos grandes modelos. Sutton continua alertando que não escapamos de *The Bitter Lesson*: os modelos não têm inteligência no sentido pleno. Não conseguem explorar autonomamente um ambiente desconhecido como um esquilo, nem produzir conhecimento fora do domínio que receberam. O que conseguem é demonstrar planejamento, raciocínio e decisão dentro do conhecimento existente.