Agente como ferramenta: o padrão que organiza sistemas multiagentes com OpenAI SDK

O padrão “agente como ferramenta”

Quando construímos um agente de IA, damos a ele ferramentas para delegar trabalho em vez de resolver tudo sozinho. Para operações bem definidas, uma função ou API resolve. Mas e quando a tarefa é aberta demais para caber em um script predefinido? A resposta é: outro agente pode ser a ferramenta.

Este é o padrão agent-as-a-tool (agente como ferramenta), uma abordagem que organiza sistemas multiagentes em uma hierarquia clara: um agente gestor coordena o trabalho e agentes especialistas executam as tarefas delegadas.

Quando usar agentes como ferramentas

O padrão faz sentido quando a fronteira da tarefa delegada é clara, mas os passos para completá-la não são. Em vez de tentar prever todos os caminhos possíveis num script, você deixa um especialista com suas próprias instruções e ferramentas resolver o problema.

O artigo do Towards Data Science demonstra o padrão com um caso prático: um sistema que ajuda viajantes a planejar atividades durante uma longa escala de voo. O agente gestor (planejador de viagem) coordena três especialistas:

• Especialista em logística: verifica viabilidade de transporte e horários com busca na web
• Especialista em experiências locais: sugere atividades e restaurantes conforme preferências
• Especialista em riscos: revisa o plano e identifica pontos de falha

Implementação com OpenAI Agents SDK

O SDK de agentes da OpenAI oferece um método direto para transformar qualquer agente em ferramenta: agent.as_tool(). Basta definir o agente especialista com suas instruções e ferramentas (como busca na web), e então expô-lo como ferramenta para o agente gestor:

logistics_tool = logistics_agent.as_tool(
    tool_name="check_logistics",
    tool_description="Verifica viabilidade de transporte e horários",
    max_turns=3,
)

O parâmetro max_turns=3 limita quantas interações o especialista pode ter antes de retornar, evitando loops infinitos. Cada especialista pode usar suas próprias ferramentas — no exemplo, busca na web para informações atualizadas de transporte e atrações locais.

O resultado na prática

No teste com uma escala de 10 horas em Munique, o sistema surpreendeu: em vez de recomendar o centro da cidade (que seria apertado para uma família com criança de 7 anos), o agente sugeriu a cidade vizinha de Freising — com passeio histórico, almoço bávaro e retorno ao aeroporto às 13h45, deixando ampla margem antes do voo das 18h.

O raciocínio do agente foi pragmático: Munique central era possível, mas o tempo adicional de transporte tornaria o passeio menos relaxante para uma família. Freising oferecia experiências similares com menos deslocamento.

Quando NÃO usar

Antes de adotar o padrão, pergunte-se:

• A tarefa delegada tem fronteira clara?
• Os passos para completá-la são imprevisíveis demais para um script?
• O especialista se beneficiaria de ter suas próprias ferramentas?

Se a resposta for “não” para qualquer uma dessas perguntas, uma função tradicional resolve com menos custo e complexidade. O agent-as-a-tool é poderoso, mas tem overhead computacional — cada especialista é uma chamada de LLM adicional.