Agente com máquina de estados: fim dos desvios de LLM?

O problema que todo operador conhece

Você monta um agente com cadeia de pensamento, ferramentas e loops. Funciona no teste. Em produção, o LLM decide que 'o próximo passo é criar um arquivo' quando deveria verificar o resultado anterior. Deriva. Consome tokens. Você coloca mais prompts no sistema e ainda assim ele inventa passos. O gargalo não é a capacidade do modelo — é o fato de ele estar pilotando o fluxo inteiro.

O fato: uma arquitetura que separa razão de controle

O repositório botcircuits-agent (recém-publicado no GitHub) propõe algo simples no conceito: use o LLM para raciocinar e chamar ferramentas em cada etapa, mas deixe uma máquina de estados determinística comandar o fluxo geral. O resultado é previsível e eficiente em tokens. O código está disponível sob licença MIT, com suporte a Anthropic, OpenAI e Gemini.

Como funciona na prática

Você instala com uv ou pip, configura o provedor e a chave API via CLI interativa (botcircuits setup). O coração é a definição de workflows em JSON, carregados como ferramentas que o agente pode invocar. Cada workflow tem passos numerados; o LLM só decide o que fazer dentro do passo atual, mas quem decide a transição é uma condição pré-programada. Por exemplo: passo 1 chama o LLM para criar um arquivo, depois uma condição verifica se uma variável end_id é igual ao passo atual; se sim, vai para o passo final; senão, para o próximo. Zero desvio.

Do ponto de vista de custo, isso significa que você não paga tokens para o LLM decidir 'qual é o próximo passo' — ele só processa a ação local. A máquina de estados é um switch barato. Em automações de 10 ou 20 passos, a economia é significativa. Latência também cai, porque a transição é instantânea.

O que isso muda na prática

Quem ganha: qualquer um que precise de automações multi-etapas confiáveis — ingestão de dados, geração de relatórios, orquestração de APIs. O desenvolvedor pode definir o fluxo exato e deixar o LLM preencher o conteúdo de cada etapa. Um exemplo: um workflow que coleta dados de uma API, transforma em markdown, envia por e-mail. Com a máquina de estados, você garante que a ordem é rígida e que erros de etapa não quebram a sequência.

Ação prática: se você já tem agentes com loops abertos, considere extrair o fluxo para um JSON de workflow. No botcircuits, basta usar o comando /workflow add para criar um novo fluxo a partir de uma descrição em linguagem natural — o próprio LLM ajuda a estruturar os passos.

Tensão: isso resolve o gargalo ou só move?

Nem toda automação se beneficia de fluxo rígido. Workflows com decisões complexas dependentes de contexto podem exigir que o LLM veja o quadro geral. Forçar uma máquina de estados pode limitar adaptabilidade. O criador do botcircuits menciona que o LLM ainda decide as chamadas de ferramentas em cada passo — mas se o passo exige uma escolha entre várias ferramentas com base em dados anteriores, o modelo pode errar. A pergunta é: o ganho de previsibilidade compensa a perda de flexibilidade? Em cenários de produção com requisitos claros, sim. Em exploração ou descoberta, talvez não.

Outro ponto: o custo de manutenção dos workflows. Se você tem centenas de fluxos, cada um com condições específicas, o JSON pode virar uma bagunça. A ferramenta de CLI ajuda, mas ainda é um arquivo de configuração a mais.

Conclusão

A abordagem híbrida — LLM no micro, estado no macro — é uma das mais promissoras para agentes confiáveis. O botcircuits mostra que é possível com pouco overhead de código. O verdadeiro teste será em cenários de alta variabilidade. Vale a pena testar no seu próximo agente de automação.