AI

Uma Wiki de LLM falha quando fatos antigos permanecem plausíveis, contradições ficam polidas e resumos gerados se afastam de suas fontes.

O cenário do hardware de IA mudou significativamente em 2026, com NVIDIA, AMD e Intel competindo por desenvolvedores que necessitam de GPUs capazes de executar modelos de linguagem grandes (LLMs) e cargas de trabalho de inferência de IA localmente.

Executar o Hermes Agent em um servidor sem interface gráfica (headless) enquanto se conecta a partir de um cliente desktop em outra máquina requer dois processos de servidor e uma única conexão de cliente.

A injeção de prompt recebe a maior parte da atenção em relação à segurança em sistemas de LLM (Modelos de Linguagem de Grande Escala), e merece atenção, mas não é o único problema quando os agentes começam a chamar ferramentas e delegar trabalho a outros agentes.

A maioria das demonstrações de agentes de IA ainda se comporta como conclusões de chat com passos extras: você envia um prompt, aguarda alguns segundos e recebe uma resposta em uma única mensagem.

Um modelo de 70B gera um token por passagem direta (forward pass), e cada passagem recarrega os pesos da VRAM, calcula a atenção em todo o contexto e sincroniza a memória. Entre os tokens, a GPU fica ociosa enquanto aguarda a resolução das dependências sequenciais.

O protocolo Agent2Agent da Google, geralmente abreviado para A2A, teve um primeiro ano estranho.

Os agentes de polling (verificação periódica) são uma das partes menos glamourosas da arquitetura de assistentes de IA, mas também são uma das mais úteis.

A arquitetura de agentes de IA está começando a se dividir em duas camadas.

O Protocolo A2A, sigla para Agent2Agent Protocol (Protocolo Agente para Agente), é um padrão aberto para comunicação entre sistemas independentes de agentes de IA.

Design decisions for production LLM systems — routing, cost, guardrails, and multi-model orchestration. The layer between running models and building reliable AI applications.

Sistemas de modelo único são simples. Sistemas de múltiplos modelos são poderosos. O desafio não é escolher os modelos, mas sim projetar a arquitetura que os orquestra.

Executar um modelo com 70 bilhões de parâmetros para resumir um e-mail de 200 palavras é um desperdício. Executar um modelo de 3 bilhões de parâmetros para revisar código em produção é imprudente. A maioria dos sistemas está em algum lugar no meio — e é aí que o roteamento de modelos entra.

Os LLMs são imprevisíveis. Eles alucinam, vazam dados, geram conteúdo prejudicial ou recusam solicitações legítimas. As barreiras de segurança (guardrails) restringem o comportamento do modelo sem sacrificar a capacidade.

Os custos dos LLMs (Modelos de Linguagem de Grande Escala) escalam linearmente com o uso. Um sistema que processa 10.000 solicitações por dia a $0,01 por solicitação custa $100 diariamente — o que totaliza $365 por ano. Em escala empresarial, isso ultrapassa os $10.000.

A memória transforma assistentes de reativos em persistentes, mas também é onde muitos sistemas se deterioram silenciosamente. Pesquisas argumentam que a divisão entre memória de curto e longo prazo já não é suficiente para a memória moderna de agentes; os SDKs da OpenAI e do LangGraph apontam para uma pilha mais simples — memória de trabalho, estado durável e recuperação.