O protocolo Agent2Agent da Google, geralmente abreviado para A2A, teve um primeiro ano estranho.

Os agentes de polling (verificação periódica) são uma das partes menos glamourosas da arquitetura de assistentes de IA, mas também são uma das mais úteis.

O Protocolo A2A, sigla para Agent2Agent Protocol (Protocolo Agente para Agente), é um padrão aberto para comunicação entre sistemas independentes de agentes de IA.

A arquitetura de agentes de IA está começando a se dividir em duas camadas.

O CQRS é um daqueles padrões que é frequentemente superdimensionado, complicador e, ocasionalmente, diagnosticado erroneamente como uma cura para o tédio do bom e velho CRUD.

Mermaid é uma ferramenta de diagramação baseada em texto para pessoas que preferem escrever diagramas em vez de arrastar caixas em um canvas. Ele usa uma sintaxe similar ao Markdown para descrever fluxogramas, diagramas de sequência, diagramas de classes, máquinas de estados, linhas do tempo, diagramas de Gantt, diagramas de relacionamento de entidades e muito mais.

A maioria das anotações de engenharia é escrita uma vez e esquecida. Você captura algo durante uma sessão de depuração, cola em algum lugar e encontra dois anos depois, sem contexto sobre por que aquilo importava.

Organizar notas por tópico parece lógico até você ter notas sobre PostgreSQL em cinco pastas diferentes e não conseguir encontrar a que importa para o problema de hoje.

O modelo dominante para publicação de conhecimento online não mudou muito desde o início dos anos 2000: escreva algo, refine-o, publique-o e siga em frente.

Os custos dos LLMs (Modelos de Linguagem de Grande Escala) escalam linearmente com o uso. Um sistema que processa 10.000 solicitações por dia a $0,01 por solicitação custa $100 diariamente — o que totaliza $365 por ano. Em escala empresarial, isso ultrapassa os $10.000.

Os LLMs são imprevisíveis. Eles alucinam, vazam dados, geram conteúdo prejudicial ou recusam solicitações legítimas. As barreiras de segurança (guardrails) restringem o comportamento do modelo sem sacrificar a capacidade.

Executar um modelo com 70 bilhões de parâmetros para resumir um e-mail de 200 palavras é um desperdício. Executar um modelo de 3 bilhões de parâmetros para revisar código em produção é imprudente. A maioria dos sistemas está em algum lugar no meio — e é aí que o roteamento de modelos entra.

Sistemas de modelo único são simples. Sistemas de múltiplos modelos são poderosos. O desafio não é escolher os modelos, mas sim projetar a arquitetura que os orquestra.

A memória transforma assistentes de reativos em persistentes, mas também é onde muitos sistemas se deterioram silenciosamente. Pesquisas argumentam que a divisão entre memória de curto e longo prazo já não é suficiente para a memória moderna de agentes; os SDKs da OpenAI e do LangGraph apontam para uma pilha mais simples — memória de trabalho, estado durável e recuperação.

Um assistente de IA em produção não é “um LLM com um prompt”. É um sistema que aceita intenção, mantém estado, decide quando recuperar ou agir e expõe detalhes suficientes de tempo de execução para depurar falhas.

A IA não está substituindo a gestão do conhecimento; está mudando a forma dela tanto para indivíduos quanto para equipes.