Como criar seu próprio time de agentes de IA com Claude

Fala, comunidade tech!

Na Imersão em Claude, eu e o Osvaldo mostramos como sair de um agente isolado e estruturar um time de agentes de IA capaz de dividir tarefas, colaborar e validar entregas dentro de um projeto.

Esse é um passo importante para quem trabalha com tecnologia. Um agente individual consegue executar tarefas com autonomia, mas muitos projetos exigem conhecimentos diferentes, etapas encadeadas e critérios claros de revisão. É nesse ponto que os sistemas multiagentes começam a fazer sentido.

Durante a live, explicamos os componentes dessa arquitetura, apresentamos três modelos de comunicação entre agentes e demonstramos aplicações práticas no My Agent Studio e no Claude Code.

Uma LLM e um agente de IA cumprem papéis diferentes

Uma LLM funciona como o cérebro do sistema. Ela interpreta o contexto e gera respostas com base nos padrões que aprendeu durante o treinamento.

Um agente acrescenta uma estrutura capaz de agir. Ele recebe uma missão, utiliza ferramentas autorizadas, observa o resultado de cada ação e decide qual deve ser o próximo passo.

Se a missão for desenvolver uma funcionalidade, por exemplo, o agente pode dividir o trabalho em tarefas menores, acessar os arquivos do projeto, escrever código, executar testes e analisar o retorno do ambiente antes de continuar.

Essa capacidade vem do harness, a estrutura que conecta o modelo às ferramentas e controla o ciclo de execução. É o que permite ao agente acessar arquivos, navegar na web, consultar APIs ou rodar scripts dentro dos limites definidos pelo usuário.

O humano continua participando do processo. Com o Human-in-the-Loop, decisões críticas e entregas importantes podem exigir uma validação antes que o sistema avance.

Todo agente precisa de uma função clara

Antes de montar um time, cada agente precisa ter uma identidade operacional bem definida.

O nome facilita a referência no código e a comunicação entre agentes. A missão determina o resultado que ele deve buscar. A personalidade e o tom de voz orientam a maneira como ele conversa e apresenta suas entregas.

A soul reúne princípios de operação e regras de comportamento. Já os guardrails estabelecem limites estritos sobre o que o agente pode fazer, quais decisões exigem confirmação e quais ações estão fora do seu escopo.

As ferramentas definem as capacidades práticas. Um agente pode receber acesso à web, ao terminal, a arquivos ou a planilhas, mas cada permissão precisa estar relacionada ao trabalho que ele realmente vai executar.

Também é possível fornecer conhecimento específico por meio de documentos e sistemas de RAG. Isso reduz respostas genéricas e ajuda o agente a trabalhar com informações do projeto ou da empresa que não faziam parte do treinamento original da LLM.

A memória completa essa estrutura. A memória de curto prazo mantém o contexto da sessão ativa. A memória persistente pode ser armazenada em arquivos, bancos de dados ou documentos como o CLAUDE.md para continuar disponível em interações futuras.

Três modelos para organizar um sistema multiagente

Não existe uma única arquitetura que funcione para todos os projetos. Na live, mostramos três modelos que podem ser escolhidos de acordo com o tipo de tarefa, o nível de controle necessário e a forma como os agentes precisam trocar informações.

Modelo liderado por um coordenador

Nesse formato, um agente atua como gerente do time. Ele recebe a missão principal, divide o trabalho, escolhe os especialistas e acompanha a execução.

Quando um agente termina sua parte, o coordenador analisa o resultado e decide se a entrega deve seguir para a próxima etapa, voltar para correção ou ser apresentada ao usuário.

Esse modelo funciona bem quando existe uma sequência clara e alguém precisa manter a visão completa do projeto.

Modelo colaborativo ou de ordem direta

Aqui, os agentes compartilham a missão e colaboram diretamente. O trabalho pode seguir como uma linha de montagem, na qual cada especialista recebe a entrega anterior e adiciona sua contribuição.

Também pode funcionar como uma malha de colaboração, com diferentes agentes trocando informações sem depender de um coordenador central em todas as etapas.

Esse formato é útil quando os papéis possuem autonomia e a troca entre especialistas faz parte da execução.

Modelo de dupla revisão

Algumas entregas exigem uma camada adicional de controle. No modelo de dupla revisão, o trabalho de um agente precisa ser validado por um revisor ou auditor antes de chegar ao usuário.

Se houver um erro ou uma divergência em relação aos critérios definidos, a entrega retorna para correção. O fluxo só avança depois da aprovação.

Esse padrão é especialmente útil em tarefas fiscais, jurídicas, financeiras ou de segurança, nas quais uma falha pode gerar consequências importantes.

Um time de agentes para produzir vídeos no YouTube

Uma das demonstrações mostrou um time criado para desenvolver vídeos para o YouTube.

O Nick atua como diretor de pauta. Ele recebe uma ideia, questiona pontos vagos e ajuda a transformar o briefing em uma direção editorial clara.

Depois, a Suzi trabalha nos títulos e nas descrições. O Tito desenvolve o conceito da thumbnail, enquanto a Bruna pesquisa conteúdos semelhantes e analisa referências no YouTube.

Cada agente possui sua própria missão, ferramentas e critérios. Em vez de concentrar todo o processo em um único prompt, o sistema distribui o trabalho entre especialistas.

Esse exemplo ajuda a visualizar uma aplicação real de multiagentes em uma rotina de conteúdo. O mesmo princípio pode ser adaptado para desenvolvimento de software, análise de dados, atendimento ou processos internos.

Revisão e colaboração em outros contextos

Também mostramos um time fiscal estruturado com Analista Fiscal, Revisor de Contratos e Auditor Tributário. Nesse caso, a revisão faz parte da arquitetura porque cada entrega precisa passar por validações específicas.

Outro exemplo foi um time de acompanhamento de saúde com endocrinologista, nutricionista e personal trainer. Os agentes trabalham em ordem direta, respeitando as informações produzidas nas etapas anteriores.

Essas demonstrações deixam uma regra prática: a arquitetura deve acompanhar o risco e a natureza do problema. Um fluxo criativo pode permitir mais colaboração. Um processo sensível exige revisão e limites mais rígidos.

Como essa estrutura aparece no Claude Code

No Claude Code, os agentes podem ser organizados em pastas, arquivos Markdown, skills e documentos de contexto.

Cada arquivo define o papel de um agente, suas instruções e os conhecimentos necessários para executar a missão. O terminal permite acompanhar como essas estruturas são acionadas dentro do projeto.

O My Agent Studio facilita a criação visual dessa arquitetura. Depois, a estrutura pode ser levada para o Claude Code ou adaptada para outros ambientes.

O ponto mais importante não é depender de uma ferramenta específica. Quando você entende como definir missão, contexto, ferramentas, memória e comunicação, consegue aplicar os mesmos conceitos em diferentes tecnologias.

A metodologia 40/20/40 para projetos com agentes

No encerramento da live, o Osvaldo apresentou uma divisão prática para projetos de desenvolvimento com agentes de IA.

Os primeiros 40% do esforço ficam na especificação e na arquitetura. É o momento de refinar requisitos, construir PRDs e registrar decisões em documentos de arquitetura.

O desenvolvimento ocupa cerca de 20%. Nessa etapa, os agentes escrevem o código e os testes unitários com base no planejamento anterior.

Os 40% finais ficam na qualidade e na validação. Os agentes verificam interface, integração, usabilidade, segurança e atendimento aos requisitos de ponta a ponta.

Essa proporção chama atenção porque muita gente concentra quase toda a energia na geração de código. Com agentes, escrever código ficou mais rápido. A clareza da especificação e a qualidade da validação passaram a ter ainda mais peso no resultado.

Continue desenvolvendo seus projetos com o DIO PRO Vitalício

Se você quer praticar esses conceitos e construir seus próprios agentes, a condição especial do DIO PRO Vitalício continua disponível por tempo limitado.

Ao garantir seu acesso, você recebe:

✅ Acesso para sempre a matrículas ilimitadas em todos os bootcamps da DIO

✅ Acesso para sempre a +2.150 cursos, projetos e formações em agentes de IA, back-end, front-end, cloud, data, games, mobile e DevOps

✅ Acesso a 5.000 créditos para utilizar o AI Job Hunter e conquistar sua próxima vaga 3x mais rápido

✅ +65 formações incluindo: Excel com IA, GPT for Devs, AI Builder com Lovable, AI Automation com N8N e Formação Github Copilot

✅ Garantia total de 7 dias

Clique aqui e garanta seu acesso ao DIO PRO Vitalício

Agora é hora de estruturar seu time de agentes e colocar esses modelos em prática.