As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.
De sistemas orientados a eventos a sistemas aumentados por cognição
As arquiteturas de nuvem modernas, especialmente aquelas baseadas em princípios sem servidor e orientadas por eventos, tradicionalmente se baseiam em padrões como roteamento, distribuição e enriquecimento para criar sistemas responsivos e escaláveis. Os sistemas de IA da Agentic se baseiam nessas bases, ao mesmo tempo que as reformulam em torno do raciocínio aumentado e da flexibilidade cognitiva do LLM. Essa abordagem permite recursos mais sofisticados de resolução de problemas e automação, potencialmente revolucionando a forma como tarefas complexas são tratadas em ambientes de nuvem.
Arquitetura orientada a eventos
O diagrama a seguir mostra um sistema distribuído típico:
-
Um usuário envia uma solicitação para o Amazon API Gateway.
-
O Amazon API Gateway encaminha a solicitação para uma AWS Lambda função.
-
AWS Lambda realiza o enriquecimento de dados consultando um banco de dados Amazon Aurora
-
O Amazon API Gateway retorna a carga útil enriquecida para o chamador.
Essa estrutura é confiável e escalável, mas é fundamentalmente estática. As regras de negócios e os caminhos lógicos devem ser codificados explicitamente, e a adaptação a contextos em mudança ou a informações incompletas é limitada.
Fluxos de trabalho aprimorados com cognição
As arquiteturas agênticas adicionam aumento cognitivo a um sistema orientado por eventos. O diagrama a seguir mostra um equivalente agente:
-
Um usuário envia uma consulta por meio de uma chamada de SDK ou API.
-
Um agente do Amazon Bedrock recebe a consulta.
-
O agente interpreta a consulta invocando um LLM
-
O agente realiza o enriquecimento semântico pesquisando na base de conhecimento do Amazon Bedrock ou em outras fontes de dados externas.
-
O LLM sintetiza uma resposta rica em contexto e alinhada a objetivos.
-
O sistema retorna uma resposta sintetizada para o usuário.
Nesse fluxo, o LLM usa a lógica, entende a intenção, recupera e combina o contexto relevante e, em seguida, decide a melhor forma de responder. Esse padrão reflete o padrão de enriquecimento tradicional, em que as mensagens são aumentadas com dados externos antes de serem roteadas posteriormente. Em sistemas agênticos, no entanto, esse enriquecimento não é uma pesquisa estática. Em vez disso, o enriquecimento é dinâmico, guiado semanticamente e orientado por um propósito.
Insights principais
Cada fluxo de trabalho do LLM pode ser mapeado para um padrão de fluxo de trabalho agente, que reflete e desenvolve os estilos tradicionais de arquitetura orientada a eventos. Um alicerce básico dos fluxos de trabalho agentes é a capacidade de ampliar o contexto de um LLM com dados, ferramentas e memória. Isso cria um ciclo de raciocínio informado, adaptável e alinhado com a intenção do usuário. Enquanto os sistemas tradicionais enriquecem as mensagens com dados de pesquisa, os sistemas agentes permitem que o software atue menos como scripts e mais como colaboradores inteligentes.
