Como funciona um agente de IA: as camadas ao redor da LLM e onde procurar a origem de um bug

Um desenvolvedor com background em ML publicou no Habr, em julho de 2026, uma análise da arquitetura interna dos agentes de IA: no centro de qualquer esquema agêntico fica uma única LLM, e ao redor dela cresce uma «cebola» de camadas de encapsulamento. A maioria das falhas acontece justamente nessas camadas, e não no próprio modelo.

O que se esconde por trás da palavra «agente»

Um agente de IA não é a rede neural em si, mas várias camadas de código ao redor dela. Os frameworks mudam, surgem servidores MCP, plataformas de nuvem prometem o «agente pronto», mas o núcleo é sempre o mesmo: um grande modelo de linguagem (LLM), que lê o contexto e propõe o próximo passo. Tudo o que está do lado de fora é a infraestrutura que prepara a entrada e processa a saída do modelo.

O autor lista os níveis típicos usados para montar um agente sobre o modelo:

• LLM — o núcleo, que prevê as probabilidades do próximo token
• Camada de prompt e contexto — o que exatamente vai para a entrada do modelo
• Orquestração e chamada de ferramentas — como a resposta do modelo se transforma em ação
• Servidores MCP — acesso padronizado do agente a dados e funções externas
• Frameworks e wrappers de nuvem — o «agente pronto» sobre tudo isso

Cada nível acrescenta sua própria lógica: um monta o contexto, outro decide qual ferramenta chamar, um terceiro conecta dados externos. O modelo em si não executa nenhuma dessas etapas — ele apenas prevê texto.

Por que o bug, com mais frequência, não está no modelo

A origem de uma falha no agente normalmente não está na LLM, mas em uma das camadas externas: na forma como o prompt foi montado, como o contexto foi repassado, como a chamada de ferramenta foi tratada. O modelo, nas palavras do autor, faz exatamente uma coisa — prevê o próximo token; todo o resto é acrescentado pelas camadas ao redor dele.

«O modelo em si apenas prevê as probabilidades do próximo token; por fora, cresce uma cebola de camadas», — autor do artigo no

Habr.

Por isso, observa o autor, entender toda a construção é importante na depuração: se o agente não é montado a partir de um construtor pronto, conhecer as camadas ajuda a localizar o problema mais rápido. Verificar o modelo primeiro é um erro comum: se a resposta do agente parece errada, o mais frequente é que o contexto que chegou ao modelo estava incorreto, ou que a resposta dele foi interpretada de forma errada por um nível vizinho. O modelo, nesse caso, funcionou normalmente.

Por que olhar do modelo para fora

A análise é construída do núcleo para a periferia — da LLM para as camadas externas — porque o autor chegou aos agentes vindo do ML, onde cada nova camada se apoia sobre algo já conhecido. Essa ordem, segundo ele, deixa o quadro mais claro: primeiro, o que o modelo faz; depois, o que faz cada camada sobre ele. O caminho inverso — do «agente pronto» para dentro — esconde onde exatamente passa a fronteira de responsabilidade de cada camada.

O motivo do artigo é prosaico: as anotações nasceram depois de mais uma busca de bug em conjunto com uma equipe técnica. O autor as reuniu em uma única visão geral para que, da próxima vez, fique mais fácil explicar aos colegas onde cada coisa está na arquitetura do agente e para onde olhar quando algo falha. Na prática, é um mapa de níveis ao qual se pode recorrer durante a depuração.

O que isso significa

Por trás da palavra da moda «agente» há uma pilha de várias camadas, e entender essa estrutura é uma habilidade prática de depuração: quando o agente se comporta de forma inesperada, o melhor é começar a investigação não pela LLM, mas pelas camadas ao redor dela, onde se escondem a maioria dos erros.