Muitos desenvolvedores gerenciam equipes de agentes e a orquestração deles na base do "vibe coding", mas será que isso realmente funciona?
Neste artigo, vou apresentar cinco padrões respaldados por pesquisas para rodar equipes de agentes no Antigravity, Claude Code ou qualquer outro agente de código. Seja criando novas aplicações, mantendo bases de código legadas ou conduzindo pesquisas, você vai aprender quando cada padrão supera um agente único e receber prompts prontos para testar tudo por conta própria.
Por: YK Sugi, Senior Developer Relations Engineer, Google Cloud
1. Separe o construtor do verificador. Em vez de deixar um único agente cuidar de tudo, podemos dividir a construção e a verificação em duas threads separadas. Um agente constrói. Um segundo agente, em uma thread nova, verifica se o resultado faz o que você pediu. Quando um modelo revisa o próprio trabalho na mesma thread, ele corre o risco de ser influenciado pelo que acabou de gerar.
Na verdade, estudos mostram que os modelos são péssimos juízes do próprio trabalho. Eles têm dificuldade para corrigir seu próprio raciocínio sem feedback externo e preferem suas próprias respostas às dos outros.
Use esse padrão para mudanças importantes. A autorrevisão ainda pode funcionar bem para alterações pequenas ou quando os testes já fornecem feedback.
Prompt: Inicie um novo subagente como verificador somente leitura. Peça para ele checar se este diff faz o que eu solicitei.

2. Divida o trabalho em faixas. Quando uma tarefa pode ser dividida de forma clara, dê a cada parte um responsável, como um subagente para o frontend, outro para o backend e outro para a documentação. Faça com que trabalhem em paralelo, sem editar os mesmos arquivos.
Em um estudo de 2026 com 652 tarefas de programação, dois agentes trabalhando em códigos sobrepostos tiveram cerca de 30% menos sucesso do que um único agente realizando ambas as tarefas.
Em um estudo do Google e do MIT, equipes de agentes pontuaram até 80,8% mais que um agente isolado em um benchmark financeiro com partes independentes, e de 39% a 70% menos em um benchmark de planejamento onde cada etapa dependia da anterior.

Para trabalhos difíceis de dividir em partes bem definidas, como frontend e backend, uma única thread costuma ter melhor desempenho. O mesmo vale para pequenas correções de bugs, nas quais subagentes em paralelo não ajudaram em outro estudo.
Prompt: Inicie três subagentes em paralelo: um para o frontend em web/, um para o backend em api/ e um para a documentação em docs/. Cada um deve editar apenas os arquivos da sua própria pasta. Quando os três terminarem, verifique se as partes funcionam juntas.

3. Melhor de N (Best of N). Rode a mesma tarefa várias vezes em paralelo e deixe uma suíte de testes ou avaliação escolher o vencedor. O AlphaCode, sistema de programação da DeepMind, funcionava assim. Ele gerava muitos programas candidatos e os filtrava executando-os. Esse método teve um desempenho competitivo em competições de programação.
Em um estudo de 2024 sobre essa abordagem Best of N, as taxas de aprovação continuaram subindo ao longo de milhares de tentativas em tarefas com verificações automáticas. Em issues reais do GitHub, um modelo passou de 15,9% de resolução em uma única tentativa para 56% em 250 tentativas. Sem uma verificação automática, escolher um vencedor por voto da maioria ou por um modelo de pontuação estagnou em cerca de 100 tentativas.

Prompt: Rode cinco subagentes em paralelo no Gemini 4 Hydrogen, cada um tentando otimizar isso em seu próprio worktree. Pontue cada tentativa nas avaliações, escolha a melhor e me diga o resultado.
4. Conselho de modelos. Peça propostas independentes a vários modelos, faça juízes votarem com os nomes dos modelos ocultos e depois combine as ideias mais fortes. Use isso quando não houver um teste claro ou verificação automática, como em arquitetura ou design visual.
Em um estudo, combinar respostas de vários modelos rendeu pontuações maiores do que usar um único modelo de ponta. Em outro, um painel de modelos diferentes se aproximou mais do julgamento humano do que um único modelo avaliador grande.

Por exemplo, criei este logotipo de navio com um conselho de modelos. Foram necessárias duas rodadas para sair de uma primeira tentativa básica até o ícone final.

Prompt: Peça ao Gemini 4 Carbon, ao Gemini 4 Neon e ao Claude Opus 5.5 um design independente para cada um. Faça três novos agentes no Gemini 4 Carbon, Gemini 4 Neon e Claude Opus 5.5 pontuarem os designs com os nomes dos modelos ocultos. Combine as melhores ideias no design vencedor.
5. Equipe de revisores. Rode vários revisores somente leitura em paralelo, cada um com uma função específica, como UX ou segurança.
Em um estudo clássico de 1995 com revisores humanos, equipes cujos membros procuravam, cada um, um tipo diferente de erro encontraram cerca de 35% mais falhas do que equipes em que todos usavam o mesmo checklist geral de erros comuns.
Acontece que um padrão semelhante se aplica aos revisores de IA. Em um estudo sobre juízes LLM, uma equipe com papéis diferentes se alinhou melhor ao julgamento humano do que um único juiz, e teve desempenho pior quando todos compartilhavam o mesmo papel.

Prompt: Inicie quatro revisores somente leitura em paralelo para UX, simplicidade de código, casos extremos e segurança. Corrija o que eles apontarem e repita o processo com novos revisores até que os quatro aprovem.
Esses padrões funcionam mais como blocos de montagem do que como regras rígidas. Você pode combiná-los da maneira que fizer mais sentido para você, mas aqui vai um fluxograma simples para te guiar sobre qual usar em cada situação:






