Intensivo Grátis 21–22/11Intensivo gratuito de 2 dias em Vibecoding (21–22/11 às 16:00 MSK) · Turma 3 começa 23/11Inscrever-se grátis →Turma 3 (23/11)

Cadeia de agentes condensa 32 GB de dados de uma empresa em um relatório, abrindo 30 mil tickets

Como fazer uma IA analisar 32 GB de documentos de uma empresa se tudo isso não cabe no contexto? O autor do canal «LLM под капотом» distribuiu pedaços dos dados entre agentes no esquema Map Reduce, e tickets, como os de uma equipe comum, ajudaram a coordenar o trabalho. O sistema abriu mais de 30 mil tickets, rodou por mais de um dia e entregou um relatório curto para os executivos. A prática recomendada: manter a memória dos agentes em arquivos legíveis, que podem ser conferidos.

Processado por IA de TG: @llm_under_hood (LLM под капотом); editado por Hamidun News
Cadeia de agentes condensa 32 GB de dados de uma empresa em um relatório, abrindo 30 mil tickets
Fonte: TG: @llm_under_hood (LLM под капотом). Colagem: Hamidun News.
Ouvir artigo
Ficha técnica e números-chave
ParâmetroDados
Fonte originalTG: @llm_under_hood (LLM под капотом) ↗
Editor-chefe
Dado-chave #1Agentes no Codex buscaram casos, montaram o mapa de processos e identificaram as distâncias em relação ao modelo ideal
Dado-chave #2Cada agente começava o trabalho com o contexto geral do «Company Brain» do autor
Dado-chave #3Em seguida, o autor quer rodar os dados pelo olhar de um especialista em RH e de um profissional de segurança

Imagine receber 32 GB de exportações de dados de uma empresa (texto misturado com JSON) e ter de dizer à diretoria, de uma só vez, o que consertar primeiro no negócio. Nenhuma janela de contexto de modelo comporta tudo isso, e um chat comum não serve para essa tarefa. O autor do canal de Telegram «LLM под капотом» resolveu o problema na semana passada: montou uma cadeia de agentes que abriu mais de 30 mil tickets, trabalhou por mais de um dia e condensou tudo em um relatório enxuto, como se tivesse sido escrito por consultores muito caros. Se você constrói sistemas de agentes para trabalho real, e não para demonstração, o esquema merece atenção.

Como funcionou na prática

Os agentes rodavam em sequência, e cada um tinha uma etapa própria. As primeiras etapas ficaram com o Fable 5.2 em modo de pesquisa. A tarefa dele era encontrar as melhores práticas para uma empresa daquele tipo e reuni-las em um relatório com links para casos e estudos. Esse era o «modelo ideal» usado depois como régua para comparar com a realidade.

Em seguida entraram os agentes no Codex. Eles vasculharam todo o conjunto de dados, reuniram casos, montaram o mapa de processos da empresa e fizeram a análise de lacunas (gap analysis): em que o processo real difere do ideal. O resultado foi um relatório priorizado para os executivos: o que corrigir primeiro e por quê.

Antes de começar, cada agente carregava no início da janela de contexto a descrição do projeto e o contexto geral do «Company Brain» (nome que o autor dá à sua base de conhecimento). Ele compara isso ao carregamento do kernel: primeiro o agente vê o panorama geral, depois parte para a sua tarefa.

Como encaixar 32 GB em janelas de poucas páginas

O autor criou um formato otimizado de representação dos dados e dividiu o trabalho pelo princípio Map Reduce. Em termos simples, cada agente pega a sua fatia do conjunto e os resultados são consolidados depois. Para ilustrar: um agente lê os documentos de vendas e deixa a nota «os contratos divergem de como o processo está descrito no regulamento»; outro pega essa nota e procura divergências semelhantes em compras. É uma ilustração do princípio, não um exemplo do caso em si.

Os dados ficavam no Company Brain como arquivos, nos moldes de um sistema operacional pessoal. O agente não lê tudo em sequência: ele vai do geral ao particular (progressive disclosure) e usa os scripts docs/tools/tree.py e outline.py, que mostram a estrutura de pastas e documentos. Para coordenar o trabalho e passar contexto entre os agentes, o autor adicionou uma nova ferramenta de tickets.

Bancos de dados vetoriais e outras caixas-pretas semelhantes não tiveram lugar no esquema. O pipeline e a sua linha de raciocínio precisaram ser ajustados continuamente às prioridades dos executivos que leriam o relatório. Para isso, o autor reestruturou o próprio processo de análise de modo que ele pudesse ser otimizado. Tickets e arquivos de texto podem ser lidos, corrigidos e reorganizados à mão. O conteúdo de um índice vetorial não pode ser depurado assim.

O que saiu disso e os próximos passos

A conclusão final foi interessante. Além da lista de prioridades com justificativa e links para as fontes, o agente recomendou enviar uma lista curta de perguntas a pessoas específicas, coletar as respostas e carregá-las de volta. Ou seja, a própria máquina percebeu que faltavam dados e quem deveria ser consultado sobre eles.

O próximo passo, na visão do autor, é mudar o ângulo. Em vez de um único «consultor caro», passar o conjunto de dados por vários: o especialista em RH mais perspicaz, o profissional de segurança mais paranoico, o maior especialista em operações. Para cada um é possível montar uma metodologia a partir dos melhores livros e estudos.

Segundo o autor, as metodologias podem ser montadas por conta própria. Basta apontar o ChatGPT ou o Claude para artigos públicos e vídeos de empresas fortes, da OpenAI e da Anthropic a integradoras, e pedir que os sistematizem em uma base de conhecimento. Tudo isso está em acesso aberto.

Ressalvas. Este é um relato pessoal, não um estudo. O autor não informa o custo da execução, não compara o relatório com o trabalho de consultores humanos e não explica como verificou a precisão das conclusões. Ele mesmo escreve «vamos ver o que acontece», e a reação dos executivos ao relatório ainda é desconhecida.

A conclusão prática para desenvolvedores e gerentes de produto é esta. Se os dados excedem a janela de contexto, divida o trabalho com Map Reduce, guarde a memória em arquivos legíveis, coordene os agentes por meio de tickets e dê a cada um o contexto geral no início. E planeje de antemão como uma pessoa poderá verificar as etapas intermediárias.

História

Perguntas frequentes sobre a notícia

Como funcionou na prática?

Os agentes rodavam em sequência, e cada um tinha uma etapa própria. As primeiras etapas ficaram com o Fable 5.2 em modo de pesquisa. A tarefa dele era encontrar as melhores práticas para uma empresa daquele tipo e reuni-las em um relatório com links para casos e estudos. Esse era o «modelo ideal» usado depois como régua para comparar com a realidade. Em seguida entraram os agentes no Codex.

Como encaixar 32 GB em janelas de poucas páginas?

O autor criou um formato otimizado de representação dos dados e dividiu o trabalho pelo princípio Map Reduce. Em termos simples, cada agente pega a sua fatia do conjunto e os resultados são consolidados depois. Para ilustrar: um agente lê os documentos de vendas e deixa a nota «os contratos divergem de como o processo está descrito no regulamento»; outro pega essa nota e procura divergências semelhantes em compras. É uma ilustração do princípio, não um exemplo do caso em si.

O que saiu disso e os próximos passos?

A conclusão final foi interessante. Além da lista de prioridades com justificativa e links para as fontes, o agente recomendou enviar uma lista curta de perguntas a pessoas específicas, coletar as respostas e carregá-las de volta. Ou seja, a própria máquina percebeu que faltavam dados e quem deveria ser consultado sobre eles. O próximo passo, na visão do autor, é mudar o ângulo.

ZK
Zhemal Khamidun — CPO da Alpina Digital, gerente de produto do AlpinaGPT. Cria produtos de IA desde 2019. O Hamidun News é um projeto pessoal que virou um agregador em produção com mais de 6.000 leitores.
✦ Hands-On AI Engineering · Hamidun Academy

Build & Ship Production AI Agents Without Boilerplate Code

Start your free 72-hour trial at Hamidun Academy (academy.hamidun.com) — interactive lessons on Claude Code & Cursor, live Tech Radar, and production agent templates.

Start 72h Free Trial →Vibe-Coding Intensive
O que você acha?
Carregando comentários…