Как устроен AI-агент: слои-обёртки вокруг LLM и где искать источник бага

Um desenvolvedor com formação em ML publicou no Habr, em julho de 2026, uma análise do funcionamento interno dos agentes de IA: no centro de qualquer esquema de agente permanece um único LLM, enquanto ao redor dele cresce uma "cebola" de camadas de encapsulamento, e a maioria das falhas acontece justamente nessas camadas, 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 seu redor. Os frameworks mudam, surgem servidores MCP, plataformas em nuvem prometem um "agente pronto para uso", mas o núcleo é o mesmo em todo lugar: um modelo de linguagem grande (LLM) que lê o contexto e propõe o próximo passo. Tudo o que está por fora é a estrutura de suporte 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, 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 — um "agente pronto para uso" por cima de tudo isso

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

Por que o bug geralmente não está no modelo

A origem de uma falha no agente geralmente não está no LLM, mas em uma das camadas externas: em como o prompt foi montado, como o contexto foi passado, como a chamada de ferramenta foi processada. O próprio modelo, segundo a formulação do autor, faz exatamente uma coisa — prevê o próximo token; tudo o mais é adicionado pelos encapsulamentos ao seu redor.

«O próprio modelo apenas prevê as probabilidades do próximo token; por fora cresce uma cebola de encapsulamentos», — o autor do artigo no

Habr.

É exatamente por isso, observa o autor, que ao depurar é importante entender toda a construção: se o agente não é montado a partir de um kit 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 incorreta, a causa costuma estar no fato de que chegou ao modelo um contexto errado, ou que um nível vizinho interpretou mal sua resposta. O modelo, nesse meio tempo, funcionou normalmente.

Por que olhar do modelo para fora

A análise é construída do núcleo para a periferia — do LLM para os encapsulamentos externos — porque o autor chegou aos agentes vindo do ML, onde cada nova camada se apoia sobre algo já conhecido. Essa ordem, segundo ele, torna o quadro mais claro: primeiro o que o modelo faz, depois o que cada encapsulamento acima dele faz. O caminho inverso — de um "agente pronto para uso" para dentro — esconde exatamente onde passa a fronteira de responsabilidade de cada camada.

O motivo do artigo é corriqueiro: as anotações nasceram depois de mais uma busca conjunta por um bug com a equipe técnica. O autor as reuniu em uma única visão geral para que da próxima vez fosse mais fácil explicar aos colegas onde, no esquema do agente, cada coisa está e para onde olhar em caso de falha. No fundo, é um mapa de níveis útil para consultar 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 um agente se comporta de forma estranha, a análise deve começar não pelo LLM, mas pelos encapsulamentos ao seu redor, onde se escondem a maioria dos erros.