Módulo 5.2 — Multi-Agentes com TinyClaw

1

O que é Orquestracao Multi-Agente?

Orquestracao multi-agente é o padrão arquitetural onde um agente orquestrador decompõe tarefas complexas e distribui sub-tarefas a agentes especializados.

# Fluxo de uma tarefa multi-agente

Usuário: "Crie um relatório sobre tendências de IA"

[Orquestrador]

├─ ResearchAgent: buscar artigos e dados

├─ AnalysisAgent: identificar padrões

├─ WriteAgent: redigir secoes

└─ ReviewAgent: revisar e formatar

[Resultado]

└─ Relatório consolidado → Usuário

2

Por que TinyClaw para Multi-Agentes?

TinyClaw foi projetado para orquestracao local sem infraestrutura cloud. Todos os agentes rodam no mesmo processo Python, compartilham memória via SQLite.

Vantagens

· Latência mínima (comunicacao in-process)
· Sem custo de rede entre agentes
· Debug simplificado (tudo no mesmo log)

Limitacoes

· Limitado por CPU/RAM de uma máquina
· Nao escala horizontalmente
· Para escala: use Celery ou Ray

3

Arquitetura Hub-and-Spoke

O padrão principal do TinyClaw: um orquestrador central (Hub) que conhece todos os agentes disponíveis (Spokes) e decide qual usar para cada sub-tarefa.

# orchestrator.py

class

Orchestrator:

def __init__(self):

self.agents = {}

self.queue = asyncio.Queue()

def register(self, name, agent):

self.agents[name] = agent

async def dispatch(self, task):

agent_name = self.route(task)

return await self.agents[agent_name].run(task)

4

Comunicacao Assíncrona entre Agentes

Agentes se comunicam via mensagens tipadas em filas asyncio. Cada mensagem tem um tipo, payload e correlation_id para rastreamento de contexto.

# message.py

from

dataclasses import dataclass

@dataclass

class

AgentMessage:

type: str # "research", "write", "review"

payload: Any

correlation_id: str

priority: int = 5 # 1=alta, 10=baixa

5

Especializacao e Divisão de Tarefas

Cada agente especializado tem um SOUL.md próprio, ferramentas específicas e modelo de IA adequado ao seu papel.

Agentes Típicos num Sistema TinyClaw

ResearchAgentBusca web, lê documentos, extrai dados. Usa Claude 3.5 Sonnet.

CodeAgentEscreve e executa código Python. Usa Claude 3.5 Sonnet.

WriteAgentRedige textos longos e estruturados. Usa GPT-4o.

ReviewAgentCritica, revisa e pontua qualidade. Usa Llama local para baixo custo.

6

Monitoramento e Debugging Multi-Agente

Debugar sistemas multi-agente é desafiador sem as ferramentas certas. O TinyClaw implementa trace_id propagacao e um dashboard de monitoramento em tempo real.

# monitor.py

class

AgentMonitor:

metrics = defaultdict(list)

def record(self, agent, duration, tokens, success):

self.metrics[agent].append({

"ts": time.time(), "dur": duration,

"tokens": tokens, "ok": success

})

Métricas essenciais por agente

· Latência média por tarefa

· Taxa de sucesso/falha

· Custo total de tokens

· Tamanho da fila (backlog)