greenai.guide

Início › Como faço para…? › Como evito que agentes de IA desperdicem tokens?

Como faço para…?

Como evito que agentes de IA desperdicem tokens?

Atualizado · 2 min de leitura

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

  1. Defina uma verificação de sucesso que encerre a execução assim que o objetivo for atingido.
  2. Defina limites rígidos de passos, tokens, tempo e gastos, e registre quando uma execução atingir um deles.
  3. Detete ações repetidas ou mensagens quase idênticas e pare a execução.
  4. Resuma ou descarte o histórico antigo para que cada chamada leia menos.
  5. Use código simples para decisões baseadas em regras e modelos pequenos para subtarefas simples.
  6. 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_turns que 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

  1. How we built our multi-agent research system, Anthropic (2025)
  2. Why do multi-agent LLM systems fail?, Cemri et al. (2025)
  3. Running agents (max_turns), OpenAI Agents SDK documentation (2025)
  4. Optimize agent orchestration to reduce unnecessary model calls, Green Software Foundation, Green Software Patterns (2025)

Junte-se a nós

Ajude a reduzir o impacto da IA no planeta

Receba novos guias, editais de financiamento e listagens dos diretórios por e-mail, cerca de uma vez por mês. Ou adicione seu produto, curso, doutorado ou pesquisa aos diretórios.

Sem rastreamento. Cancele a inscrição com um clique. Outras formas de participar · Privacidade