Em resumo
Dê a cada agente um objetivo testável que encerre a execução, limites rígidos de passos, tokens, tempo e gastos, e uma deteção de loops que o pare quando ele se repetir. Reduza o contexto que cada passo carrega, use código simples para decisões que uma regra pode tomar e envie subtarefas simples para modelos pequenos. Os agentes podem usar muitas vezes mais tokens do que um chat, por isso estes limites compensam rapidamente.
Passos
- Defina uma verificação de sucesso que encerre a execução assim que o objetivo for atingido.
- Defina limites rígidos de passos, tokens, tempo e gastos, e registre quando uma execução atingir um deles.
- Detete ações repetidas ou mensagens quase idênticas e pare a execução.
- Resuma ou descarte o histórico antigo para que cada chamada leia menos.
- Use código simples para decisões baseadas em regras e modelos pequenos para subtarefas simples.
- Registre os tokens por tarefa concluída, incluindo novas tentativas e execuções falhadas.
Coloque limites e uma condição de parada em cada agente antes de ele chegar à produção. Os agentes chamam um modelo repetidamente, e cada chamada costuma carregar o histórico crescente da tarefa.
Por que isso importa?
A Anthropic relatou que os seus agentes usavam normalmente cerca de quatro vezes mais tokens do que um chat, e os sistemas multiagente cerca de quinze vezes. Cemri e colegas analisaram mais de 1.600 registros de execução de sete frameworks multiagente e encontraram 14 modos de falha distintos, de uma especificação de tarefa fraca a agentes que não verificam o próprio trabalho. Cada um deles é uma forma de gastar tokens sem obter resultado.
Que proteções funcionam?
- Uma condição de parada. O padrão da Green Software Foundation sobre orquestração de agentes recomenda interromper os loops dos agentes quando os objetivos são atingidos, em vez de executar um número fixo de iterações.
- Limites rígidos. A maioria dos frameworks os suporta; o OpenAI Agents SDK, por exemplo, tem uma configuração
max_turnsque para uma execução quando é ultrapassada. Os limites devem falhar de forma segura: parar e informar, e não tentar de novo em silêncio. - Deteção de loops. Sinalize chamadas de ferramentas repetidas ou mensagens quase idênticas entre agentes.
- Corte de contexto. Leve adiante resumos, e não documentos e logs inteiros. Veja como parar de reenviar a conversa inteira.
- Cache. Não faça a mesma pergunta duas vezes: veja como usar cache.
O que faz a maior diferença?
Usar o desenho menos elaborado que funcione. Um script fixo ou uma única chamada a um modelo, com um bom prompt e uma ferramenta, muitas vezes resolve. Em seguida, acrescente um único agente com limite de passos, e vários agentes apenas para tarefas amplas, valiosas e realmente paralelas. Um sandpit (laboratório colaborativo) britânico sobre IA verde em 2026, com matemáticos, cientistas da computação e a indústria, apontou os enxames de agentes presos em loops como uma fonte real e pouco estudada de desperdício.
Leia IA agêntica e desperdício de tokens para ver as evidências.
Fontes
- How we built our multi-agent research system, Anthropic (2025)
- Why do multi-agent LLM systems fail?, Cemri et al. (2025)
- Running agents (max_turns), OpenAI Agents SDK documentation (2025)
- Optimize agent orchestration to reduce unnecessary model calls, Green Software Foundation, Green Software Patterns (2025)
Relacionados
IA agêntica e desperdício de tokens
Por que agentes de IA podem usar muitas vezes mais tokens e energia que um chat, como os loops os desperdiçam e as salvaguardas que os mantêm no tamanho certo.
Como encaminho pedidos para modelos menores?
Como encaminhar os pedidos de rotina para um modelo pequeno e só os difíceis para um grande, e ajustar o roteador para que as repetições não comam a economia.
Como uso cache para reduzir a energia das chamadas a LLMs?
Dois tipos de cache que reduzem o trabalho dos LLMs: o cache de prompts do provedor para contexto repetido e o seu próprio cache para não responder duas vezes.
Como uso agentes de IA e ferramentas de pesquisa aprofundada sem desperdício?
Quando agentes de IA e modos de pesquisa aprofundada valem o seu consumo muito maior de tokens, e como orientá-los para terminarem depressa, sem loops.