Dominando a Complexidade Uma Arquitetura Multi-Agente para Publicidade Inteligente

O Caso para uma Arquitetura Multi-Agente

Serviços monolíticos tradicionais ou motores de regras lutam contra uma classe específica de problemas: a Complexidade Combinatória. O planejamento de campanhas publicitárias é um processo de tomada de decisão em múltiplas etapas envolvendo definição de objetivos, segmentação, alocação de orçamento e agendamento — todos com variáveis interdependentes. Cada etapa aplica regras sutilmente diferentes entre canais (Direto, Self-Serve) e superfícies (Web, Mobile, ferramentas internas).

Nesse ambiente, enfiar toda a lógica em um único modelo de IA é um pesadelo de manutenção e escalabilidade. Em vez disso, uma Abordagem Agêntica, onde agentes especializados colaboram, oferece uma solução. Ela modulariza a complexidade, permite execução paralela e, por fim, projeta tomadas de decisão consistentes em todos os canais. Este artigo se aprofunda na filosofia de design e nos detalhes de implementação de um sistema multi-agente aplicado em um serviço do mundo real. Você pode encontrar o material fonte detalhado no Blog de Engenharia do Spotify.

Design Central: Definindo Papéis e Limites dos Agentes

O sucesso de uma arquitetura de agentes depende de como você define os limites entre eles. Segmentação excessiva aumenta a sobrecarga de orquestração, enquanto poucos agentes criam um monolito. Nosso princípio chave na prática foi: um agente, uma responsabilidade clara.

Estrutura de Decomposição de Agentes

1. RouterAgent (Controlador de Tráfego): Analisa rapidamente a entrada em linguagem natural do usuário para determinar quais informações estão presentes. Se apenas 'orçamento' e 'duração' forem mencionados, ele evita chamar agentes de objetivo ou segmentação, economizando chamadas de LLM desnecessárias e custos.
2. Agentes de Resolução Especializados:
   • GoalResolverAgent: Mapeia intenções vagas como 'aumentar a conscientização da marca' para objetivos de campanha quantificáveis (REACH, CLICKS).
   • AudienceResolverAgent: Traduz frases como 'amantes de música na casa dos 20 anos' em dados demográficos e taxonomia de interesses.
   • BudgetAgent: Normaliza vários formatos de orçamento ('$5k', '€10.000') em unidades internas do sistema.
   • ScheduleAgent: Analisa expressões de data relativas ('próximo mês', 'por 30 dias') em intervalos de datas concretos.
3. MediaPlannerAgent (Motor de Otimização): O agente central que sintetiza todas as informações resolvidas. Ele usa um motor de otimização baseado em heurística apoiado por milhares de pontos de dados de desempenho de campanhas históricas para recomendar conjuntos de anúncios ideais.

Implementação Prática: Ferramentas e Engenharia de Prompt

O aspecto mais crítico foi permitir que os agentes tomassem decisões fundamentadas em dados do mundo real. Conseguimos isso aproveitando o FunctionTool do Google ADK para fornecer serviços de anúncios existentes e bancos de dados como ferramentas.

Benefícios de uma Abordagem Baseada em Ferramentas

• Previne Alucinações: Os agentes geram recomendações acessando dados reais (listas de alvos geográficos, categorias de anúncios, desempenho histórico).
• Integra Sistemas Existentes: Em vez de construir novos backends, utilizamos APIs já validadas como ferramentas, garantindo implementação rápida e estabilidade.

Gerenciando Prompts como Código

A engenharia de prompt se tornou parte da engenharia de software. Uma pequena mudança na redação pode afetar dramaticamente a consistência da saída. Nossas principais lições:

• Especifique Explicitamente o Formato de Saída: Force os agentes a responder apenas em um formato predeterminado, como JSON ou um modelo específico.
• Forneça Exemplos Concretos: Inclua exemplos de respostas 'boas' e 'ruins' dentro do prompt para orientar o modelo.
• Construa Defesas em Múltiplas Camadas: Implemente lógica de validação e fallback no estágio de análise da saída, além da orientação dentro do prompt.

Conclusão: O Impacto de uma Arquitetura Agêntica

Este sistema multi-agente reduziu o tempo de criação de plano de mídia de 15-30 minutos para 5-10 segundos e cortou as entradas necessárias do usuário de mais de 20 campos de formulário para 1-3 mensagens em linguagem natural. Mais importante, estabeleceu uma cultura de tomada de decisão baseada em dados. Agora, toda recomendação é respaldada por milhares de pontos de dados de desempenho histórico, não pela intuição humana.

O verdadeiro valor dessa abordagem está na centralização da complexidade. Quando uma nova lógica de otimização ou regra de negócios surge, em vez de modificar fluxos de trabalho em vários canais um por um, você só precisa atualizar a plataforma de agentes central, e ela se aplica consistentemente em todos os lugares. Esta é a pedra angular de uma arquitetura sustentável que reduz dívida técnica e acelera a evolução do produto. Trabalhos futuros incluem respostas em streaming, refinamento multi-turno e integração de testes A/B.