Bayer lança mecanismo multiagente no AgentCore: 80% das dúvidas sem engenheiros

A Bayer Crop Science mostrou como é uma camada agêntica de nível industrial sobre uma plataforma corporativa de ML. O sistema Agentic Decision Engine (ADE) responde a perguntas de melhoristas, analistas e engenheiros de dados sobre workflows, modelos e resultados. Na primeira fase, ele resolve cerca de 80% das solicitações sem engenheiro. O diagnóstico de falhas, que antes exigia mais de uma hora de busca manual em logs e espera por ajuda, agora leva menos de 10 minutos. Por baixo, estão 22 agentes especializados no Amazon Bedrock AgentCore.

Por que a plataforma precisou de uma camada de agentes

Primeiro, a Bayer construiu a Connected Decision Engine (CDE), um sistema para implantação, orquestração, monitoramento e reaproveitamento de workflows de ML. Os dados de melhoramento genético são heterogêneos: genômica, ensaios de campo, imagens, condições ambientais, saídas de modelos. Centenas de configurações rodam por cultura, região e equipe, e cada execução precisa ser reproduzível e controlável.

Com o crescimento do uso, o gargalo deixou de ser a execução e passou a ser a compreensão. Para explicar um resultado, era preciso reunir contexto de APIs, documentação, repositórios de metadados, dashboards e logs. O usuário tinha que saber em qual sistema olhar. O ADE elimina essa exigência: o supervisor classifica a pergunta e a encaminha a um agente especialista, que busca o contexto no sistema certo.

Arquitetura e cinco decisões que vale lembrar

O front-end é em React, e as requisições passam por um proxy de identidade do Microsoft Entra ID. O GitHub Actions gera as imagens dos agentes, grava no Amazon ECR e faz o deploy no AgentCore Runtime. A orquestração usa LangGraph, escolhido pelo grafo de controle explícito e pelos checkpoints em cenários de várias etapas. Os dados foram separados por responsabilidade:

• Amazon DynamoDB: checkpoints do LangGraph;
• Amazon Aurora PostgreSQL: sessões, feedback, analytics;
• Amazon ElastiCache: cache de respostas dos agentes com TTL;
• Amazon S3 + Titan Text Embeddings V2 + OpenSearch Serverless: RAG sobre conteúdo de domínio;
• Amazon CloudWatch: telemetria do runtime e da aplicação;
• AgentCore Gateway: APIs de back-end como ferramentas MCP, com autenticação e autorização fora do código dos agentes.

Entre os 22 agentes estão o Domain Expert (perguntas conceituais via RAG), o Operational Agent (status em tempo real e resultados da CDE), o Troubleshooting Agent (análise de telemetria) e o Visualization Agent (gráficos ou dashboards prontos). O padrão Models as Skill transforma o código e a documentação do modelo em descrições de skills num registro central. Assim, o agente responde com base na implementação real, e não em conhecimento genérico.

As cinco decisões de projeto foram tomadas em conjunto com o gerente técnico de conta e um engenheiro de IA generativa da AWS Unified Operations:

• Estado fora do runtime. A sessão do AgentCore guarda o contexto durante seu tempo de vida, mas não é um armazenamento confiável. Os checkpoints vão para o DynamoDB, para que o grafo seja retomado após escalonamentos e reinícios.
• Um mecanismo separado em cada fronteira de confiança. O Entra ID identifica o usuário, o IAM cobre as chamadas entre serviços, a autorização de saída do Gateway dá acesso à CDE, e um interceptador Lambda valida e repassa atributos. A equipe não usou um único token para atravessar todas as fronteiras.
• O modelo como contrato de interface. A nova versão com modo de reasoning não funcionou bem com tool use e saída estruturada na implementação dos agentes, então a equipe manteve o modelo atual.
• Controle do conjunto de ferramentas. Com mais de 500 configurações, um servidor MCP separado para cada API significaria deploys e versões em excesso. Em vez disso, as especificações OpenAPI são registradas no Gateway, e as ferramentas são distribuídas por agente. Cada descrição consome tokens de entrada.
• De ferramenta a agente. A visualização cresceu: passou a precisar de busca de dados própria, lógica de escolha do gráfico, retries e uma decisão entre montar o gráfico ou devolver um dashboard pronto. Ela virou um agente, com matplotlib e Plotly no AgentCore Code Interpreter (troca de dados via S3), e os ativos prontos são devolvidos pelo Amazon Quick ou pelo Power BI.

Observabilidade, custo e lançamento

A principal armadilha dos sistemas multiagente é a requisição HTTP bem-sucedida com resposta errada. No ADE, os tratadores de exceção capturavam erros dos agentes e devolviam respostas que o monitoramento contava como bem-sucedidas. A equipe adicionou métricas próprias do CloudWatch dentro dos caminhos de falha e alertas para erros de chamada de ferramentas, throttling, timeouts de modelos e falhas de validação da saída estruturada.

O custo é atribuído por três mecanismos: application inference profiles no Bedrock, metadados de requisição com log de invocações de modelos e atribuição por principal do IAM. Os agentes Visualization e Operational consomem mais tokens, por fazerem muitas chamadas a ferramentas MCP. A telemetria expôs uma carga com prefixo longo e repetitivo, sem cache de prompt. O cache de instruções estáveis e de descrições de ferramentas reduziu o custo dos tokens de entrada em 20–30%.

A segurança segue o princípio do menor privilégio: o Troubleshooting Agent lê dados operacionais, mas não altera workflows, e o Domain Expert não chama APIs da CDE alheias à sua função. O acesso às ferramentas é somente leitura, a saída é validada, e as respostas se baseiam em dados da CDE e na telemetria. A Bayer planeja avaliar o Amazon Bedrock Guardrails como camada adicional. Antes do lançamento, a AWS realizou um Critical Workload Review e um Well-Architected review com o Generative AI Lens. Entre as descobertas estavam lacunas de visibilidade de falhas entre o supervisor e os agentes especialistas.

A conclusão prática para quem constrói algo parecido: manter o estado fora da sessão, definir issuer, audience e scopes em cada transição de identidade, limitar o catálogo de ferramentas por agente, medir o sucesso da tarefa e não do transporte, e olhar desde o início para o cache de prefixo. Foram esses pontos que deram à Bayer economia e controle.