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)
LançamentoAnálise · No radarAWS Machine Learning Blog→ original

Torneio de agentes na Cisco: 1200 engenheiros, e venceu quem escreveu 1220 tokens em vez de 1430

A Cisco transformou o aprendizado de agentes de IA em competição: em 2026, 1200 engenheiros participaram do torneio AWS AI League. Na qualificação, os quatro melhores agentes completaram o mapa inteiro, e venceu quem escreveu menos: 1220 tokens de saída contra 1430 do segundo lugar, uma diferença de 16 pontos em quase 16 000. É como ter dois bots de suporte com respostas igualmente corretas: o que ganha não é o mais falante. Quando todos resolvem a tarefa, vale contar os tokens que o próprio agente escreve.

Processado por IA de AWS Machine Learning Blog; editado por Hamidun News
Torneio de agentes na Cisco: 1200 engenheiros, e venceu quem escreveu 1220 tokens em vez de 1430
Fonte: AWS Machine Learning Blog. Colagem: Hamidun News.
Ouvir artigo
Ficha técnica e números-chave
ParâmetroDados
Fonte originalAWS Machine Learning Blog ↗
Editor-chefe
Dado-chave #1O prompt de sistema e as respostas das ferramentas não entravam na conta, mas o texto do agente entrava
Dado-chave #2Cada chamada de ferramenta adicionava cerca de 52 tokens de overhead fixo
Dado-chave #3Venceu um único agente, sem subagentes, com 27 008 pontos na final

O problema é conhecido de qualquer empresa que adota agentes de IA: todo mundo tem acesso à tecnologia, mas poucos sabem construir produtos sólidos em cima dela. Slides e gravações de webinars quase não reduzem essa distância. A Cisco tentou outro caminho: transformou o treinamento em um torneio com placar de líderes ao vivo. Em 2026, 1200 engenheiros participaram. De quebra, o evento rendeu uma análise útil de como é um agente vencedor.

Imagine que você tem dois bots de suporte que respondem de forma igualmente correta. Um escreve uma frase curta; o outro, três parágrafos e um resumo dos próprios passos. Com um grande volume de requisições, a diferença em tokens vira dinheiro de verdade. Foi exatamente esse efeito que decidiu o torneio. Se você constrói agentes, vale ler pelas conclusões práticas: calcule o custo de cada mensagem, não multiplique agentes sem necessidade e não obrigue o modelo a fazer o que um código comum faz. O material foi publicado no blog da AWS, então o viés publicitário é evidente, mas as conclusões técnicas valem mesmo sem vínculo com a nuvem.

Como funciona o torneio AWS AI League

O AWS AI League tem formato de três etapas. Primeiro, um workshop de duas horas com especialistas da AWS; depois, a montagem da solução por conta própria, com envio ao leaderboard, onde um avaliador automático dá o resultado após cada tentativa; por fim, uma final no palco, no estilo de programa de TV. Na Cisco houve duas trilhas: construção de agentes no Amazon Bedrock AgentCore (a plataforma da AWS para criar e executar agentes com quaisquer modelos e frameworks) e fine-tuning de modelos no Amazon SageMaker Studio.

Na trilha de agentes, o programa percorre um labirinto quadriculado até um baú de tesouro. No caminho, encontra tarefas parecidas com as do trabalho real: filtrar conteúdo impróprio, executar código, buscar informações na web, extrair dados estruturados. A segurança ficou por conta do Amazon Bedrock Guardrails, e a memória do agente, do AgentCore memory.

A escala foi esta: no Cisco Transformation Fest 4.0, a qualificação ocorreu em quatro turmas. Os cinco melhores de cada uma foram para a semifinal, e dos 20 semifinalistas, três chegaram à final, composta por três rodadas ao vivo. O vencedor, Nishant Aluhonnu, engenheiro da Cisco, foi o primeiro colocado em todas as etapas. Na final, somou 27 008 pontos e ganhou uma vaga na AWS re:Invent 2026. Um ano antes, o engenheiro da Cisco Hemant V. havia vencido a final global na re:Invent 2025, e o Transformation Fest, desde 2022, já alcançou cerca de 2000 engenheiros.

O que o agente vencedor mostrou

Você paga pelo que o modelo escreve. A pontuação incluía um bônus por tokens: 1000 menos a quantidade de tokens de saída dividida pelo número de tarefas visitadas. Tokens de saída são tudo o que o próprio agente gerou.

Na qualificação, os quatro melhores agentes resolveram o mapa inteiro, e venceu quem escreveu menos: 1220 tokens de saída contra 1430 do segundo lugar. A diferença foi de 16 pontos em quase 16 000. Nishant montou nove variações do mesmo agente, alterando um parâmetro por vez.

Descobriu que as respostas das ferramentas e o prompt de sistema não afetam a pontuação, mas tudo o que o agente escreve, inclusive os argumentos das chamadas de ferramentas, afeta. Cada chamada adicionava cerca de 52 tokens de overhead fixo. Na vida real, a lógica é a mesma: a geração é sequencial e costuma custar várias vezes mais que a leitura, e no loop de um agente os custos se acumulam a cada passo.

Um prompt longo e estruturado, que ainda por cima pode ser cacheado, sai barato. Um agente falante sai caro.

Um agente em vez de cinco. O esquema típico para a tarefa é um agente supervisor principal no AgentCore delegando navegação, cálculos e busca na web a subagentes especializados. Para muitos produtos, é uma abordagem sensata. O vencedor se virou com um único agente, sem subagentes. No início do prompt dele havia uma tabela curta: tipo de tarefa e o método de solução adequado em um único turno. Toda passagem entre agentes é uma mensagem que o modelo precisa escrever e, portanto, pagar em tokens. A conclusão não é que subagentes sejam ruins. A arquitetura deve ser escolhida pelo custo de coordenação, e quando ele é alto, um esquema plano pode vencer.

A final e as conclusões práticas

Na final, não era permitido mudar código, ferramentas nem prompts; só se permitia uma dica curta antes da rodada. Por isso, o que decidiu foi a qualidade das decisões em mapas que o agente nunca tinha visto. Nishant perdeu a primeira rodada, mas venceu a segunda por larga margem: ignorou o campo cheio de moedas baratas e foi atrás de uma única tarefa valiosa. Ou seja, o sistema não é infalível, mas sua lógica de valor funcionou onde o hábito de coletar tudo pelo caminho teria perdido.

O que levar para a prática. Antes de adicionar um novo agente ao esquema, calcule quantos tokens custa cada passagem entre eles. Mova para código comum o que é determinístico e mantenha no prompt uma tabela curta de roteamento. As ressalvas também importam: a métrica do torneio, com bônus por tokens, é artificial, e em produção um erro numa tarefa complexa costuma custar mais que 200 tokens a mais. Além disso, este é um relato de um parceiro da AWS, sem medições independentes. Já para elevar rapidamente a habilidade de uma equipe, o formato "monte, quebre, conserte e compare no leaderboard" é claramente mais eficaz que palestras. A Cisco o tornou anual.

História

Perguntas frequentes sobre a notícia

Como funciona o torneio AWS AI League?

O AWS AI League tem formato de três etapas. Primeiro, um workshop de duas horas com especialistas da AWS; depois, a montagem da solução por conta própria, com envio ao leaderboard, onde um avaliador automático dá o resultado após cada tentativa; por fim, uma final no palco, no estilo de programa de TV.

O que o agente vencedor mostrou?

Você paga pelo que o modelo escreve. A pontuação incluía um bônus por tokens: 1000 menos a quantidade de tokens de saída dividida pelo número de tarefas visitadas. Tokens de saída são tudo o que o próprio agente gerou. Na qualificação, os quatro melhores agentes resolveram o mapa inteiro, e venceu quem escreveu menos: 1220 tokens de saída contra 1430 do segundo lugar. A diferença foi de 16 pontos em quase 16 000. Nishant montou nove variações do mesmo agente, alterando um parâmetro por vez.

O que se sabe sobre A final e as conclusões práticas?

Na final, não era permitido mudar código, ferramentas nem prompts; só se permitia uma dica curta antes da rodada. Por isso, o que decidiu foi a qualidade das decisões em mapas que o agente nunca tinha visto. Nishant perdeu a primeira rodada, mas venceu a segunda por larga margem: ignorou o campo cheio de moedas baratas e foi atrás de uma única tarefa valiosa. Ou seja, o sistema não é infalível, mas sua lógica de valor funcionou onde o hábito de coletar tudo pelo caminho teria perdido. O que levar para a prática.

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.
✦ Private AI Builders Community · Vibe Club

Ship AI Faster with Founders, Engineers & Weekly Architecture Reviews

Inside Vibe Club (hamidun.com/club) — weekly live masterminds with Zhemal Khamidun, Tech Radar, full LMS access, and 370+ production Claude Code skills.

Join Vibe Club →Explore Hamidun Academy
O que você acha?
Carregando comentários…