// engenharia de ia
ValenteForge — Orquestração de agentes de IA
Plataforma própria de engenharia de IA que orquestra agentes autônomos, construída sobre um orquestrador open source e em uso diário.
Um supervisor coordena operadores especializados; o trabalho flui por tarefas com dependências; a qualidade é protegida por evals de regressão; e o que é restrito passa por aprovação humana.
- em uso diário
- supervisor → operadores
// capacidades da plataforma
Um supervisor, vários especialistas
Orquestra vários agentes de IA: um supervisor que coordena e operadores especializados por papel.
Versionado em git
Configuração de agentes versionada como código.
Retomada
Tarefas com dependências em DAG, checkpoints e retomada do trabalho interrompido.
Recuperação por escopo
Memória de agentes com recuperação de contexto por escopo (padrão RAG).
Portão de qualidade
Evals de regressão com LLM como juiz, como portão de qualidade.
Rastro e custo
Observabilidade, auditoria e custo por chamada.
Uma pessoa decide
Aprovação humana para ações restritas (human-in-the-loop).
MCP
Integração via MCP (Model Context Protocol).
// como funciona
Um supervisor, vários especialistas. O supervisor coordena e delega; o trabalho vive em uma fila de tarefas com dependências em DAG, checkpoints e retomada; operadores especializados por papel executam. Em volta: memória com recuperação por escopo, evals de regressão como portão de qualidade, observabilidade e auditoria, e aprovação humana para o que é restrito.
// case study de engenharia
Problema, arquitetura, decisões e o que foi medido — tudo rastreável às fontes listadas no fim. Sem números inventados.
Problema
Coordenar vários agentes de IA no mesmo trabalho cria problemas que um agente sozinho não tem: divisão de responsabilidades, trabalho interrompido que se perde, falta de visibilidade sobre o que cada agente fez e quanto custou, e ajustes de comportamento que consertam um caso e quebram outros sem que ninguém perceba.
Arquitetura
O desenho completo está em como funciona.
cada parte e a sua responsabilidade
Supervisor
Coordena, escolhe o fluxo de trabalho e delega aos operadores.
Fila de tarefas (DAG)
Tarefas com dependências, checkpoints e retomada do trabalho interrompido.
Operadores
Agentes especializados por papel, com perfis configurados e versionados como código.
Memória
Lições e contexto com recuperação por escopo.
Evals
Casos de regressão julgados por regras ou por juiz LLM, como portão de qualidade.
Observabilidade e auditoria
Eventos, custo por chamada e trilha de auditoria.
Aprovação humana
Ações restritas só seguem com decisão explícita de uma pessoa.
Decisões e trade-offs
- decisão
- Agente é código: perfis, fluxos e políticas versionados em git.
- trade-off
- Toda mudança de comportamento passa por commit — mais cerimônia; em troca, cada ajuste vira um diff revisável e o rollback é um revert.
- decisão
- Evals antes de opinião: regressão como portão de qualidade antes de promover mudanças de perfil, além da revisão.
- trade-off
- Cada caso roda agentes de verdade e custa tempo e tokens; em troca, um ajuste que conserta um caso e quebra outro não passa.
- decisão
- O restrito exige uma pessoa: ações restritas só seguem com aprovação humana explícita (human-in-the-loop).
- trade-off
- O agente para e espera uma pessoa decidir; em troca, nada restrito acontece por inferência do modelo.
Implementação
- arquitetura
- implementação
- testerevisão(em paralelo)
- Contexto é orçamento: cada agente recebe só o que precisa — janela de contexto gerida por agente e skills escopadas por perfil.
- Fluxos com etapas: arquitetura → implementação → teste e revisão em paralelo, cada etapa com um agente especializado.
- Trabalho interrompido não se perde: checkpoints e retomada a partir do último estado salvo.
- Aprovação humana para ações restritas: o agente propõe, uma pessoa decide.
Testes
Qualidade medida, não presumida — em duas frentes: testes automatizados da plataforma e evals que medem o comportamento dos agentes.
- Testes automatizados da plataforma (unitários e de integração).
- Evals de regressão com juiz LLM como portão de qualidade antes de promover mudanças de perfil.
Observabilidade
Cada agente deixa rastro: o que fez, quando e quanto custou.
- Observabilidade de agentes, trilha de auditoria e custo por chamada.
- Aprovação humana registrada para ações restritas.
Resultados e aprendizados
95% menos contexto fixo nos operadores ao escopar skills por perfil
- Evals de regressão como portão de qualidade antes de promover mudanças de perfil.
Fontes
Tudo o que está escrito acima é rastreável a estas fontes.
- Projeto proprietário de código fechado — demonstração guiada sob demanda
- Vídeo de apresentação nesta página
Quer ver funcionando?
Projeto proprietário de código fechado: a demonstração é guiada, sob demanda.