Graph Engineering: Quando um Loop Não Basta para Orquestrar Vários Agentes
O que dois vídeos reais sobre graph engineering ensinam: por que grafo resolve um problema diferente do loop, como Anwar Hermuche liga a teoria dos grafos de Euler a agent teams no Claude Code, e o benchmark da Anthropic em que 4 subagentes Sonnet superam um único Opus em 90,2%.
Depois de escrevermos sobre os quatro vídeos de “loop engineering” que analisamos, dois vídeos publicados nos dias seguintes tratam de um termo diferente: graph engineering. Não é o mesmo assunto com nome trocado. Os dois vídeos posicionam o grafo como a resposta a um problema específico que o loop, sozinho, não resolve bem: coordenar vários agentes especializados ao mesmo tempo, e não apenas fazer um agente único girar em ciclo.
Um dos dois vídeos é patrocinado por um MBA em IA aplicada a negócios; isso não muda o conteúdo técnico descrito, mas fica registrado.
A diferença entre loop e grafo, explicada por quem já ensinou os dois
No vídeo “Graph Engineering: O Novo Nível da Orquestração de Agentes de IA”, do canal Attekita Dev, a distinção é direta: o loop executa tarefas sequenciais dentro da mesma janela de contexto, o que carrega um risco específico, o de viés do próprio agente ao revisar seu trabalho (o mesmo agente que errou é quem checa se errou). O grafo, por outro lado, permite paralelismo real: agentes especializados rodando em janelas de contexto limpas e isoladas entre si, com convergência posterior num nó sintetizador (ou revisor) que reúne os resultados.
O exemplo prático que o vídeo usa é a geração de pautas de conteúdo para YouTube, dividida em duas fases:
- Fase 1 (paralela): três subagentes independentes trabalham ao mesmo tempo, cada um pesquisando um ângulo diferente: notícias em alta, tendências de SEO no YouTube, e análise de concorrentes.
- Fase 2 (síntese): um agente estrategista de conteúdo analisa os três relatórios produzidos na fase anterior e compila a pauta final.
O vídeo também traz uma advertência importante, que vale registrar sem suavizar: autonomia excessiva, como os dynamic workflows do Claude Code (chamado de “Ultra Code” na fala), pode consumir tokens rapidamente. E se as especificações dos agentes e das skills que compõem o grafo forem fracas, a estrutura de grafo não corrige esse problema, ela apenas multiplica os erros mais rápido, por rodar em paralelo.
De Königsberg ao LangGraph: a aula mais densa do lote
“GRAPH ENGINEERING explicado! Como Orquestrar Vários AGENTES DE IA ao Mesmo Tempo”, de Anwar Hermuche (o mesmo canal do vídeo de loop engineering analisado no artigo anterior), é o vídeo mais estruturado dos dois.
A aula abre pela origem histórica da teoria dos grafos: o problema das sete pontes de Königsberg, formalizado por Leonhard Euler em 1736, considerado o marco fundador da área. A partir dessa base, Anwar traduz o vocabulário para orquestração de IA: nós (nodes) são subagentes com contexto isolado, arestas (edges) são os fluxos de comunicação entre eles, com regras de passagem que podem ser unidirecionais ou bidirecionais.
O vídeo também separa três usos diferentes de “grafo” que costumam ser confundidos: grafos de controle (orquestração de times de agentes, o foco da aula), grafos de conhecimento (Graph RAG) e grafos de traces (observabilidade). É uma distinção útil porque os três aparecem sob o mesmo nome em contextos diferentes de IA, e só o primeiro é o assunto do vídeo.
Na parte prática, Anwar mostra como habilitar Agent Teams no Claude Code através da variável CLAUDE_CODE_EXPERIMENTAL_AGENT_TEAMS=1 no settings.json, recurso que permite que subagentes conversem entre si antes de devolver a resposta final ao orquestrador, em vez de cada um responder isoladamente.
Caso prático: prevendo o tema da redação do ENEM 2026
O exemplo central do vídeo é uma tentativa de prever o tema da redação do ENEM 2026, estruturada como grafo de controle: 4 subagentes paralelos investigam, cada um, uma frente diferente (tecnologia, saúde, direitos e cidadania, e histórico de provas anteriores), com um espaço explícito de debate de sobreposições entre eles. Ao final, 1 verificador único sintetiza a tese final produzida pelo grafo: “Proteção de crianças e adolescentes no ambiente digital”.
O benchmark da Anthropic: 90,2% de ganho, 100k tokens por bloco
O dado mais concreto do vídeo, e o que melhor justifica por que grafo supera um agente único em tarefas complexas, vem de um benchmark citado da própria Anthropic: um time de 4 subagentes rodando Sonnet obteve desempenho 90,2% superior ao de um único agente rodando Opus 4. O mecanismo por trás do ganho: dividir uma tarefa de 1,2 milhão de tokens em blocos isolados de 100 mil tokens cada reduz o que o vídeo chama de context rot, a degradação de desempenho que ocorre quando um único agente precisa manter uma janela de contexto grande demais.
O que os dois vídeos têm em comum
Juntando os dois: grafo é apresentado, nos dois casos, como a resposta a um problema que o loop não resolve estruturalmente, coordenar múltiplos agentes especializados sem que eles disputem a mesma janela de contexto nem revisem o próprio trabalho com o próprio viés. As duas implementações práticas citadas por nome são o LangGraph e o recurso de Agent Teams / sub-agents do Claude Code. E os dois vídeos concordam num ponto de cautela: grafo bem desenhado exige agentes e skills bem especificados, senão a estrutura só acelera o erro, com o vídeo da Attekita Dev nomeando explicitamente o risco de consumo excessivo de tokens em fluxos dinâmicos mal controlados.
Fontes
- “Graph Engineering: O Novo Nível da Orquestração de Agentes de IA” — Attekita Dev
- “GRAPH ENGINEERING explicado! Como Orquestrar Vários AGENTES DE IA ao Mesmo Tempo” — Anwar Hermuche | Engenheiro de IA