💬 AutoGen e Microsoft Agent Framework

O AutoGen da Microsoft adota uma abordagem radicalmente diferente de CrewAI e LangGraph: em vez de definir grafos ou equipes, voce cria agentes que conversam entre si. A coordenacao emerge do dialogo — um agente propoe, outro critica, um terceiro sintetiza, e o ciclo continua ate chegar a um consenso. E como uma reuniao de brainstorming estruturada entre especialistas.

O componente central e o ConversableAgent: um agente que pode enviar e receber mensagens, chamar ferramentas e interagir com humanos. Dois ConversableAgents conectados ja formam um sistema multiagente funcional. O AssistantAgent (pré-configurado para LLM) e o UserProxyAgent (que executa codigo e representa o humano) sao os tipos mais usados. Essa simplicidade conceitual esconde poder: debates entre agentes frequentemente produzem resultados superiores a um unico agente trabalhando sozinho.

Em 2025, a Microsoft lancou o Microsoft Agent Framework, unificando AutoGen e Semantic Kernel em uma plataforma enterprise coesa. O AutoGen continua sendo o motor de conversacao multiagente, enquanto o Semantic Kernel fornece a camada de integracao enterprise (conectores Azure, Microsoft Graph, SharePoint, Teams). Juntos, eles formam a resposta da Microsoft para o ecossistema agentico.

O Agent Framework adiciona recursos que o AutoGen original nao tinha: state management robusto com persistencia, type safety com modelos Pydantic, middleware para logging, caching e rate limiting, e telemetria integrada com Azure Monitor. Para organizacoes ja no ecossistema Microsoft, essa evolucao e natural — tudo se integra com a infraestrutura existente.

Uma das features mais distintas do AutoGen e a capacidade de executar codigo gerado por agentes em containers Docker isolados. Quando um AssistantAgent gera codigo Python, o UserProxyAgent pode executa-lo automaticamente dentro de um container Docker — isolamento total do sistema host. Se o codigo gerar erro, o AssistantAgent recebe o traceback e corrige iterativamente ate funcionar.

Esse pattern — gerar, executar, corrigir, repetir — e extremamente poderoso para tarefas de analise de dados, automacao e desenvolvimento. O agente escreve um script de analise, executa no Docker, ve o output (ou erro), ajusta o codigo e repete. Em 3-5 iteracoes, geralmente chega a um resultado correto. A seguranca do Docker garante que mesmo codigo malicioso ou bugado nao afeta o sistema host.

O GroupChat e o mecanismo do AutoGen para conversas com mais de dois agentes. Voce cria um grupo com multiplos agentes e um GroupChatManager que controla quem fala quando. O manager pode usar diferentes estrategias: round_robin (cada um fala na vez), random (aleatorio) ou auto (o LLM decide quem deve falar baseado no contexto da conversa).

O GroupChat brilha em cenarios de debate e refinamento. Imagine um grupo com um Researcher, um Critic e um Writer: o Researcher apresenta dados, o Critic questiona a validade, o Researcher refina sua analise, o Writer sintetiza o resultado. Esse ciclo de debate produz resultados mais robustos do que qualquer agente individual, porque cada perspectiva desafia e complementa as outras.

No AutoGen, tools sao funcoes Python registradas nos agentes usando register_function(). Quando o LLM determina que precisa de uma tool, ele gera uma chamada de funcao que o UserProxyAgent executa e retorna o resultado. O sistema suporta function calling nativo da OpenAI e Anthropic, garantindo chamadas de tools precisas e tipadas.

A flexibilidade esta na composicao: voce pode dar tools diferentes a agentes diferentes no mesmo GroupChat. O researcher tem acesso a busca web, o developer tem acesso a execucao de codigo, o analyst tem acesso a banco de dados. Cada agente usa apenas suas ferramentas, e a conversacao entre eles cria um workflow onde informacao flui naturalmente entre especializacoes.

A escolha entre AutoGen, CrewAI e LangGraph depende do problema que voce esta resolvendo. AutoGen brilha em cenarios conversacionais — debate entre agentes, pair programming, brainstorming. CrewAI e ideal para equipes com papeis definidos — pesquisa + escrita, planejamento + execucao. LangGraph oferece controle maximo — workflows com compliance, human-in-the-loop, checkpointing.

Uma regra pratica: se seus agentes precisam debater e iterar, use AutoGen. Se seus agentes tem papeis claros e tarefas definidas, use CrewAI. Se voce precisa de controle total sobre cada decisao de roteamento, use LangGraph. Em projetos grandes, nao e incomum combinar frameworks — LangGraph para o fluxo principal com CrewAI para sub-workflows de equipe.