AutoGen Studio: Multi-Agentes IA em 1 Clique

Imagine um time de agentes IA conversando entre si para resolver um problema: um planejador divide a tarefa, um pesquisador busca dados, um desenvolvedor escreve código, um revisor valida o resultado. Foi exatamente para isso que a Microsoft criou o AutoGen. O AutoGen Studio é a UI low-code dele — agora em 1 clique no GPUBrasil.

O que é o AutoGen?

AutoGen é um framework da Microsoft Research para construir sistemas multi-agentes em IA. A ideia central: em vez de um único LLM gigante tentando resolver tudo, você compõe vários agentes especializados que conversam entre si, cada um com sua função.

O AutoGen Studio é a interface gráfica low-code que permite montar essas equipes sem escrever Python — embora sob o capô tudo seja AutoGen Python.

Características principais

• Agentes especializados: defina papel, ferramentas, modelo, prompt
• Padrões de conversação: two-agent, group chat, hierarchical, sequential
• Tools: Python execution, web search, file IO, custom MCP servers
• Code execution: sandbox Docker integrado para rodar código gerado
• UI visual: arrastar/conectar agentes em workflows
• Multi-LLM: diferente modelo por agente (GPT-4 pro planejador, Qwen pro coder)
• Skill galleries: reutilize ferramentas em vários workflows
• Histórico: debug visual de cada turno da conversa
• Licença MIT

Casos de uso brasileiros

• Análise de dados: agente Analista pede SQL → SQL Agent executa → Reviewer valida → Writer gera relatório
• Suporte técnico complexo: Triage Agent → Knowledge Agent → Solution Agent → QA Agent
• Pesquisa de mercado: Web Searcher + Reader + Summarizer + Critic
• Desenvolvimento de software: PM Agent + Developer Agent + Reviewer + Tester
• Compliance: Agente Jurídico + Agente Compliance + Agente Auditor cruzando documentos
• Tradução técnica: Translator → Domain Expert → Linguist → Final Editor

Hardware recomendado

• RTX A4000 (16GB): AutoGen Studio + LLM 3-7B local
• RTX 4090 (24GB): múltiplos agentes com modelos diferentes
• L40S / A6000: agentes com modelos 13B-30B em paralelo
• CPU-only: ok se LLMs forem em outra instância

Deploy em 1 clique

Passo 1: Iniciar template

1. Console → Templates → 🔀 Agentes & Workflows
2. Selecione AutoGen Studio
3. GPU: RTX A4000 (recomendado)
4. Clique em Iniciar

O template instala autogenstudio (Python pip) e expõe a UI na porta 8081. Vem com workflows de exemplo prontos.

Passo 2: Configurar models

Acesse https://<sua-instancia>.gpubrasil.com.br:

1. Em Models, adicione:
   • Nome: qwen-br
   • Provider: OpenAI Compatible
   • Base URL: https://outra-instancia.gpubrasil.com.br/v1 (vLLM no GPUBrasil)
   • API Key: dummy
   • Model: Qwen/Qwen2.5-7B-Instruct
2. Em Tools, ative: PythonExecutor, WebBrowser, FileSystem

Passo 3: Criar agentes

1. Planner — system prompt: "Você divide tarefas complexas em passos pequenos."
2. Researcher — tools: WebBrowser; prompt: "Pesquise informações atualizadas."
3. Coder — tools: PythonExecutor; prompt: "Você escreve código Python."
4. Reviewer — prompt: "Você revisa código e textos quanto a erros."

Passo 4: Montar workflow

Crie um Group Chat com os 4 agentes e um orchestrator:

# Equivalente em Python sob o capô:
from autogen import GroupChat, GroupChatManager, AssistantAgent, UserProxyAgent

planner = AssistantAgent("Planner", llm_config={"model": "qwen-br"})
researcher = AssistantAgent("Researcher", llm_config={"model": "qwen-br"},
                            tools=[web_browser])
coder = AssistantAgent("Coder", llm_config={"model": "qwen-br"},
                       tools=[python_executor])
reviewer = AssistantAgent("Reviewer", llm_config={"model": "qwen-br"})
user = UserProxyAgent("User", human_input_mode="NEVER")

groupchat = GroupChat(
    agents=[user, planner, researcher, coder, reviewer],
    messages=[],
    max_round=20
)
manager = GroupChatManager(groupchat=groupchat, llm_config={"model": "qwen-br"})

user.initiate_chat(manager, message="Crie script Python que extrai notícias da B3 e gera resumo diário.")

Passo 5: Executar e debugar

Na UI, clique em Run Workflow e veja:

• Cada turno da conversa entre agentes
• Tools chamadas e resultados
• Código gerado e executado em sandbox
• Quem decidiu o quê e por quê

Padrões de conversação

• Two-agent: User ↔ Assistant (mais simples)
• Group Chat: N agentes + manager que escolhe quem fala
• Sequential: Agent A → B → C → fim
• Nested: Agent A delega para sub-equipe
• Hierarchical: Manager Agent coordena Worker Agents

Caso real: agente B3 (bolsa brasileira)

User: "Análise do dia: principais altas/baixas, motivos e sugestão"

[Planner] → divide em: 1) buscar dados B3, 2) buscar notícias, 3) correlacionar, 4) sumarizar
[Researcher] → API B3 (top 10 altas/baixas)
[Researcher] → Web search "Petrobras alta hoje motivo"
[Coder] → script Python que cruza ticker × notícia
[Reviewer] → "falta menção a câmbio USD/BRL"
[Researcher] → busca câmbio
[Coder] → atualiza análise
[Reviewer] → aprova
[Planner] → entrega resumo final ao usuário

AutoGen Studio vs alternativas

• AutoGen vs CrewAI: AutoGen é mais flexível em comunicação; CrewAI mais opinionated
• AutoGen vs LangGraph: AutoGen foca em conversas; LangGraph em grafos de estado
• AutoGen Studio vs Langflow: Studio especializado em multi-agente; Langflow é geral
• AutoGen vs n8n: AutoGen é IA-first; n8n é automação geral

Dicas de produção

• max_round: limite turnos para evitar loops infinitos
• Termination function: condição clara para parar conversa
• Code execution sandbox: use Docker para isolar Python gerado
• Cost tracking: coloque LiteLLM proxy entre agentes e LLMs
• Logging: habilite Langfuse para auditoria
• Modelos diferentes por papel: use Claude pro planner, Qwen pro coder

Conclusão

AutoGen Studio é a melhor entrada visual no mundo dos multi-agentes IA. Para times brasileiros que querem ir além de "ChatGPT com prompt", é a ferramenta certa para construir sistemas complexos onde IAs colaboram. Combinado com vLLM no GPUBrasil, você roda equipes inteiras de agentes pagando centavos por hora.

Compare: Langflow · n8n