Google AI Ultra: como transformar uma assinatura em um pool de agentes paralelos e consenso entre modelos

Google AI Ultra pode ser visto não como uma cara assinatura do Gemini, mas como a base para seu próprio ambiente multi-agente. A ideia é distribuir tarefas rotineiras entre workers de fundo, enquanto usa o agente principal como orquestrador e revisor de soluções.

Assinatura como Infraestrutura

A tese principal desta análise é simples: o preço do Ultra parece alto, mas pode ser justificado não pelo número de chats, mas pela arquitetura do trabalho. Em vez de colocar um modelo em refatoração infinita, a proposta é uma combinação de Antigravity IDE, Claude como agente principal e Gemini CLI como um pool de executores quase ilimitado. Se o limite diário de um modelo acabar, o cenário não desaba: o orquestrador muda para outro modelo e as tarefas de fundo continuam separadamente.

Esta abordagem resolve dois problemas de uma vez. O primeiro é o custo de tokens em cenários de API clássicos, onde cada agente auxiliar consome orçamento. O segundo é o gargalo de uma única sessão IDE: mesmo que o ambiente possa chamar sub-agentes, é difícil gerenciar, atribuir papéis e construir processos repetíveis.

Aqui é apresentado como uma transição de uma janela inteligente para um time completo de agentes, onde alguns lidam com pesquisa, alguns com código e alguns verificam a solução proposta.

Como Funciona o Pool

Para isso, propõe-se um servidor MCP customizado chamado Agent-Pool-MCP. Funciona em um modelo de pull: a sessão principal não espera que o executor de fundo termine uma tarefa, apenas recebe um task_id e segue adiante. Antes de uma mudança complexa, você pode primeiro enviar pesquisa em modo somente leitura, depois perguntar separadamente um segundo modelo via consult_peer e apenas depois iniciar o refactoring. Em vez de um cenário linear—pense, faça, verifique—você tem um pipeline onde diferentes estágios rodam em paralelo e não se bloqueiam mutuamente.

• o agente IDE principal define tarefas e coleta resultados
• workers de fundo no Gemini CLI realizam análise, código e verificações
• consult_peer oferece uma segunda opinião de outro modelo antes de mudanças de código
• diretório compartilhado `.agent/delegation/` roteia artefatos entre agentes
• skills e workflows definem papéis, checklists e pipelines padrão

A regra-chave aqui é extremamente rígida: agentes não devem editar os mesmos arquivos simultaneamente. Um escreve conclusões em um arquivo markdown separado, outro as lê e formula uma proposta arquitetônica, um terceiro audita templates. Isso elimina a maioria das colisões e transforma o sistema de agentes em algo como um time de desenvolvimento com lanes separados de responsabilidade. O princípio é afirmado de forma direta:

Ninguém toca nos arquivos um do outro.

Consenso e Controle

A parte mais interessante é o consenso entre modelos. Como o pool de workers é construído no Gemini CLI, outro modelo assume o papel de agente IDE principal para obter não auto-concordância, mas validação externa real da ideia. No exemplo, Claude propõe uma solução arquitetônica e Gemini busca pontos cegos e retorna um veredicto como AGREE ou SUGGEST_CHANGES antes de alguém mudar a base de código. Por cima disso há orquestração fractal, onde o orquestrador pode gerar novos times e sub-times aninhados quase como gerentes de engenharia e desenvolvedores em uma estrutura regular.

O comportamento de agentes em espera é discutido separadamente. Sem ajuste adicional, eles ou sondagem o status de uma tarefa de fundo sem sentido, ou correm para fazê-la eles mesmos e duplicam trabalho. Para isso, uma dica chamada on_wait_hint é adicionada ao sistema: ela diz ao modelo quando mudar para outra tarefa útil e quando, ao contrário, apenas esperar pelo resultado. A ênfase final é segurança: qualquer servidor MCP deve ser considerado um ponto potencial de injeção de prompt; travar versões, restringir acesso ao sistema de arquivos e não passar segredos em prompts.

O Que Isso Significa

Esta análise ilustra bem um novo deslocamento no mercado de ferramentas de IA: o valor de uma assinatura agora é medido não apenas pela qualidade do modelo, mas também por quão facilmente você pode construir uma infraestrutura de agentes funcional a partir dela. Se esta abordagem pegar, planos de IA caros venderão não mais respostas, mas um ambiente completo para desenvolvimento paralelo, pesquisa e revisão de IA interna.