Um agente parece simples até precisar explicar como chegou a uma resposta, controlar custo e se recuperar de uma falha.
O artigo Building an Advanced Agentic Harness, da Data For Science, usa uma boa metáfora: há diferença entre um piloto isolado e uma operação aérea. O modelo continua sendo quem decide em cada passo; o harness é a estrutura que torna o conjunto observável e controlável.
A proposta combina alguns blocos que merecem atenção:
- ferramentas tipadas, para validar argumentos antes de chamadas caras ou com efeitos externos;
- um plano em DAG, que explicita dependências e libera tarefas independentes para execução paralela;
- memória em camadas, com recuperação seletiva e um limite claro de contexto;
- orçamentos e rastreamento, para enxergar custo, concorrência, falhas e decisões;
- verificação, para não tratar uma resposta plausível como uma tarefa concluída.
O ponto não é montar a maior arquitetura possível. É fazer o agente parar, checar, registrar evidências e voltar a um caminho seguro quando algo sai do esperado.
Para quem está saindo de um loop de ferramenta e resposta, o fluxograma abaixo ajuda a separar o que é raciocínio do modelo do que deve ser responsabilidade da engenharia ao redor dele.
Leitura que inspirou esta análise: Data For Science — Building an Advanced Agentic Harness.