Imagine isto.
Você dá a um agente cinco ferramentas e uma instrução.
Seu processo de reembolso pode rodar perfeitamente.
Então, o e-mail de confirmação falha.
O agente começa a sequência do zero e repete uma ação que já havia sido bem-sucedida.
O resultado? Um reembolso duplicado.
O protótipo funcionou perfeitamente. O sistema de produção, não.
O problema não é o prompt.
O problema é pedir ao modelo que execute um processo que ele jamais deveria estar executando em primeiro lugar!
Os LLMs são constantemente forçados a lidar com roteamento, agendamento e gerenciamento de erros.
Essas são tarefas que o software convencional já trata com previsibilidade perfeita.
No entanto, estamos pedindo à IA que faça dois trabalhos conflitantes:
- Ler o mundo: dar sentido a dados imprevisíveis e não estruturados
- Executar o processo: orquestrar uma sequência rígida e predefinida de eventos
É na primeira que a IA brilha. É na segunda que o código tradicional tem o seu lugar.
Quando o próximo passo é conhecido, o modelo não deveria precisar adivinhá-lo.
Imagine um único agente autônomo com cinco ferramentas e uma instrução abrangente:
→ recuperar o histórico de compras
→ verificar a política de reembolso
→ emitir o reembolso se for elegível
→ enviar um e-mail
→ e então fechar o ticket
Para dar conta disso, o agente precisa memorizar a sequência, inspecionar o resultado de cada ferramenta e deduzir o que vem a seguir.
Se esse e-mail de confirmação falhar depois que o dinheiro for enviado, o modelo tenta reconstruir o fluxo de trabalho a partir da janela de contexto, em vez de retomar de um estado de execução seguro.
O resultado é aquele reembolso duplicado que mencionamos antes.
Como o ADK 2.0 traz ordem ao caos
O ADK 2.0 do Google resolve isso com uma abordagem totalmente nova.
Ele transforma ações previsíveis em etapas concretas de fluxo de trabalho, inserindo IA apenas onde a interpretação é realmente necessária:
[Gráfico do fluxo de reembolso - fonte: “Por que criamos o ADK 2.0”]
No exemplo acima, buscar o histórico de compras, emitir o reembolso e fechar o ticket são ações normais de software.
Analisar a reclamação e redigir uma mensagem de confirmação personalizada ficam a cargo da IA.
O resultado é um híbrido elegante: execução fixa combinada com raciocínio focado.
Mas você deve estar pensando: isso não é apenas um retorno à automação rígida?
Estamos codificando de forma fixa exatamente os fluxos de trabalho que os agentes deveriam substituir?
Bem, não exatamente.
O fluxo de trabalho define os limites que já são conhecidos.
Os agentes continuam responsáveis pelas partes que exigem interpretação, linguagem ou julgamento.
O objetivo não é remover a flexibilidade, e sim parar de forçar o modelo a redescobrir o mesmo caminho de execução a cada execução.
Ao eliminar essas decisões desnecessárias do modelo, essa arquitetura muda completamente a equação.
Mesmo fluxo de reembolso. Mesmo modelo.
Mas com o ADK 2.0, os tokens caíram de 5.152 para 2.265, e a latência caiu de 7,2s para 5,7s 🔥
[fonte: “Por que criamos o ADK 2.0”]
Essa estrutura funciona como um filtro natural que reduz o uso de tokens pela metade.
Em vez de receber todo o histórico, os agentes veem apenas o que precisam (por exemplo, o agente de políticas vê somente a reclamação).
Os benefícios são imediatos:
- Menos ruído no prompt e mais privacidade
- Execução estritamente limitada
- Salvaguardas: um modelo pode tomar uma decisão errada, mas jamais pode inventar a própria rota
O frontend também precisa de limites: como o A2UI mantém suas UIs sob controle
Isso é ótimo. O fluxo de reembolso agora está sob controle.
O ADK 2.0 definiu o caminho e impediu que o agente inventasse a própria sequência.
Mas o usuário ainda precisa de uma forma segura de ver e agir sobre o que o agente produz.
Em outras palavras, o frontend também precisa de limites!
Imagine que todo reembolso aprovado agora exige a aprovação de um supervisor.
O agente não deve simplesmente gerar um texto dizendo:
“Este reembolso está aprovado.”
Ele precisa mostrar um card estruturado contendo:
- o valor
- a transação
- o motivo da política
- botões claros de 'Aprovar/Rejeitar'
É exatamente aqui que o A2UI do Google entra em cena!
Com o A2UI, o agente retorna um payload JSON declarativo em vez de código de frontend executável.
O host valida esse payload e renderiza apenas os componentes suportados pelo seu catálogo.
O agente decide quais informações aparecem, e o aplicativo controla a renderização.
👇 Abaixo estão exemplos de cards renderizados com A2UI, mostrando a grande variedade de composições de UI que o A2UI pode criar:
A demo do A2UI-over-MCP Recipe Studio do Google mostra essa arquitetura na prática:
Fonte: Google Developers Blog.
👆 Você pode ver que um formulário de seleção estático é entregue por meio de um MCP Resource, enquanto um card de receita gerado dinamicamente é retornado por meio de um MCP Tool.
O A2UI renderiza ambos nativamente dentro do aplicativo host.
Percebeu a simetria?
- O ADK 2.0 restringe o que o agente pode fazer no backend
- O A2UI restringe o que ele pode criar no frontend
Em ambos os casos, o modelo tem espaço para raciocinar, mas apenas dentro dos limites definidos pelo aplicativo.
Voltando ao exemplo de reembolso que discutimos acima, um reembolso padrão pode precisar apenas de um card simples de aprovação.
Mas um caso contestado envolvendo exceções, anexos ou pagamentos parciais pode exigir uma experiência mais rica.
É aí que um MCP App entra em cena para fornecer um espaço de trabalho contido para interações complexas:
→ O ADK controla o que pode acontecer
→ O A2UI torna o resultado visível e acionável
→ Os MCP Apps lidam com os espaços de trabalho complexos
Quer saber mais?
Aqui está tudo o que você precisa para explorar o ADK 2.0, o A2UI e a plataforma de agentes mais ampla do Google Cloud:
- ADK 2.0: https://fandf.co/4yJhcyh
- A2UI: https://fandf.co/3S1O9pe
- A2UI over MCP: https://fandf.co/45vomJ3
- Gemini Enterprise Agent Platform: https://fandf.co/4x59VY7
Foi um privilégio fazer parceria com @googlecloud neste projeto! 🤝
Se você quiser se manter atualizado sobre as novidades em LLMs, agentes de IA e fluxos de trabalho, pode me seguir no @datachaz para insights diários.
