Pillar técnico · Brasil GEO Blog
Orquestração multi-LLM: como escolher, testar e operar
Um guia de arquitetura para comparar seis provedores, definir responsabilidades e validar a entrega antes de automatizar.
O que esta arquitetura precisa demonstrar
Um orquestrador coordena tarefas, dependências e critérios de aceite. A divisão só compensa quando facilita uma entrega verificável. Em um artigo técnico, a pesquisa pode ocorrer em paralelo por assunto; a redação depende das evidências reunidas; a revisão final precisa ler o texto inteiro. Enviar a mesma tarefa a vários modelos sem essa organização aumenta o trabalho de conciliação.
Este guia apresenta uma arquitetura de referência. Os catálogos abaixo foram consultados em 6 de outubro de 2026. Eles não comprovam a configuração de uma instalação específica do geo-orchestrator. Para auditar uma instalação, peça versão do código, configuração de modelos sem segredos, registro de execução, rubrica e fatura correspondente. Um relato antigo de execução não substitui esses artefatos.
Seis provedores: candidatos para um teste comparável
Escolha primeiro a capacidade necessária: geração de texto, análise de imagem, pesquisa com fontes ou uso de ferramentas. Depois confira o modelo e a modalidade de API disponíveis na conta. As sugestões de teste da tabela são critérios editoriais; a documentação do fornecedor descreve capacidades e preços, sem assegurar desempenho no seu caso.
| Provedor e catálogo consultado | Tarefa para comparar | Limite que precisa ser conferido |
|---|---|---|
| Anthropic: Sonnet 5.5, Opus 5.5 e Fable 5.1 | Redação, revisão e tarefas com ferramentas, com a mesma rubrica em português. | Modelo, esforço de raciocínio, contexto e plataforma de contratação afetam custo e acesso. |
| OpenAI: GPT-6.1 Sol, GPT-6 Astra e GPT-6 Luna | Comparar uma opção econômica com outra de maior capacidade na mesma amostra. | ChatGPT e API são superfícies distintas. Confira modalidade, contexto e ferramentas habilitadas. |
| Google: Gemini 3.8 Flash e 3.5 Flash-Lite | Extração e análise multimodal, quando a tarefa realmente usa essas entradas. | O catálogo distingue modelos estáveis e de prévia. Há condições próprias para camada gratuita, dados e busca. |
| Perplexity: Agent API e perplexity/sonar | Pesquisa que exige localizar e conferir fontes. | Modelo, ferramentas e busca podem ter cobranças distintas. Uma citação precisa sustentar a afirmação associada. |
| Groq: openai/gpt-oss-120b e openai/gpt-oss-20b | Extração ou classificação com requisito de tempo de resposta. | Separe catálogo de produção e prévia; meça a latência completa, incluindo fila e ferramentas. |
| xAI: Grok 4.7 | Pesquisa em publicações do X quando esse canal faz parte do escopo. | A ferramenta X Search exige configuração. Cobertura de busca não equivale a monitoramento completo. |
Groq é o provedor de inferência; Grok é a família de modelos acessada pela plataforma xAI. Registre nomes e IDs completos para evitar troca de credenciais, endpoints ou modelos. A seleção pode mudar quando um modelo sai de catálogo: revise os avisos de migração antes de reutilizar um tutorial.
Decompor, rotear e executar com responsabilidades claras
- Defina a entrega. Liste formato, fontes permitidas, prazo, teto de gasto e erros que tornam o resultado inaceitável. Use exemplos de aprovação e reprovação.
- Separe tarefas e dependências. Pesquisa independente pode ocorrer em paralelo. A síntese aguarda as fontes, e a revisão compara cada afirmação com sua evidência. Evite dois agentes editando o mesmo trecho simultaneamente.
- Selecione candidatos por evidência. Use uma amostra representativa e inclua tarefas difíceis. Escale para um modelo diferente quando ele resolver falhas observadas; uma nota de confiança produzida pelo próprio modelo precisa ser calibrada.
- Limite execução e recuperação. Defina prazo por tarefa, número máximo de tentativas, orçamento global e ponto de retomada. Erro de autenticação, proibição de acesso e limite de gasto têm tratamentos diferentes de uma indisponibilidade transitória.
- Revise antes de agir. Publicar, enviar mensagens ou alterar sistemas exige o responsável previsto no procedimento. Uma troca automática de provedor só pode usar destinos autorizados para aqueles dados.
Uma cadeia de recuperação também precisa evitar efeitos duplicados: após uma interrupção, confirme se a operação anterior terminou antes de repeti-la. Para distinguir conexão a ferramentas de coordenação entre agentes, consulte MCP e suas permissões e quando A2A faz sentido.
Preço por token e custo por entrega aprovada
Na consulta de 6 de outubro de 2026, a tabela da OpenAI informa GPT-6.1 Sol a US$ 2 por milhão de tokens de entrada e US$ 10 de saída no modo padrão com contexto curto. O catálogo da Anthropic informa Sonnet 5.5 a US$ 2 e US$ 10, respectivamente. Esses valores não incluem automaticamente ferramentas, armazenamento ou todas as modalidades de contexto e cache. Confira as tabelas de OpenAI e Anthropic antes do orçamento; igualdade de preço não comprova igualdade de qualidade.
Exemplo hipotético, sem execução de API: suponha dez chamadas, cada uma com 4.000 tokens de entrada e 1.000 de saída, sem cache nem ferramentas, a US$ 2 e US$ 10 por milhão. Cada chamada custa (4.000 × 2 + 1.000 × 10) ÷ 1.000.000 = US$ 0,018. As dez somam US$ 0,18. A repetição de duas dessas chamadas eleva a inferência a US$ 0,216. Se nove entregas forem aprovadas, o custo de inferência por aprovada será US$ 0,024.
Complete a conta com revisão humana, retrabalho, integração, busca, armazenamento e retenção de registros. Meça duração total e uso de memória no ambiente de execução. Mantenha custos em moedas separadas até aplicar o câmbio e os encargos reais. Para a planilha, use colunas de entrada, saída, cache, ferramentas, repetições, revisão e entregas aprovadas, conforme o guia de cálculo de custos. O curso LLM FinOps ajuda a transformar essa conta em decisão de orçamento.
Roteiro de teste antes da automação
Comece com documentos públicos ou exemplos sintéticos e recursos já autorizados. Um teste manual em aplicativo ajuda a examinar respostas; seus tempos, recursos e custos não representam automaticamente a API. Este roteiro pode ser preparado sem contratar serviços nem executar chamadas pagas.
- Monte a amostra. Sugestão inicial: doze casos, com exemplos simples, ambíguos e sem resposta suficiente. Esse tamanho é um ponto de partida didático, sem pretensão estatística.
- Registre a linha de base. Guarde instrução, fonte, resposta esperada e processo atual. Compare candidatos com os mesmos documentos e critérios.
- Faça revisão sem o nome do modelo. Conte afirmações sustentadas, omissões, formato inválido e minutos de correção. Registre versão, data, configuração e duração completa; repita casos instáveis.
- Simule falhas. Use respostas fictícias de indisponibilidade, acesso negado e orçamento esgotado. Verifique parada, mensagens legíveis e retomada sem ações duplicadas.
- Decida continuar ou parar. Para este piloto editorial, exija fontes conferidas para todas as afirmações factuais, nenhum vazamento de dados e nenhuma publicação não autorizada. Aceite a alternativa somente se o custo e o prazo couberem no teto combinado, sem piorar o padrão de qualidade.
Registre o que faria você rejeitar a arquitetura. Se o processo simples entrega a mesma qualidade com menos revisão, mantenha-o. Se a alternativa resolve um erro importante, documente em quais tarefas ela merece o custo adicional. A disciplina de avaliações permite repetir essa comparação quando modelos mudarem.
Manutenção: APIs e tutoriais também envelhecem
Reserve uma revisão do catálogo sempre que houver migração, mudança de preço ou falha relevante. A documentação de descontinuações da OpenAI já registra o encerramento da Assistants API em 26 de agosto de 2026 e indica migração. Também anuncia a retirada da plataforma Evals: modo somente leitura em 31 de outubro e encerramento em 30 de novembro de 2026. O procedimento de avaliação pode usar casos e rubricas próprios; confira o ciclo de vida da ferramenta escolhida.
Para aprofundar decomposição, ferramentas e supervisão, consulte Agentes de IA Autônomos. Antes de ampliar a automação, documente o responsável, os dados permitidos, o teto de recursos e a forma de interromper o processo.
Para examinar como projetos documentam componentes e etapas, consulte o painel do Geo-Hermes e o roadmap de Vibecoding. São registros de projetos específicos: confirme a data, a versão e as condições do seu ambiente antes de reaproveitar uma configuração ou um cronograma.
Perguntas frequentes
Preciso contratar seis provedores?
Comece com a menor configuração que atende à tarefa. Adicione outro provedor quando o teste comprovar uma necessidade de qualidade, capacidade ou continuidade e quando o contrato permitir enviar os dados para ele. Seis é o recorte comparativo deste guia.
A assinatura do chat paga a API?
Confirme a superfície de uso e a origem da cobrança. Uma assinatura de aplicativo não comprova saldo ou autorização de API. Limites gratuitos, créditos promocionais e integrações que usam assinaturas dependem das condições específicas do produto e da conta.
Um modelo pode ser o juiz final?
Um modelo pode ajudar a localizar diferenças e aplicar uma rubrica, mas também pode errar. Calibre seu julgamento com respostas verificadas e revisão humana; decisões com consequências externas precisam de um responsável e de permissões explícitas.
Como recuperar uma tarefa que falhou?
Registre a etapa concluída e classifique o erro. Falha transitória admite nova tentativa limitada; falta de permissão ou orçamento exige interrupção. Antes de alternar provedor, confira compatibilidade, autorização dos dados e se uma ação anterior já produziu efeito.
Fontes e aprofundamento
Documentação consultada em 6 de outubro de 2026. Preços, disponibilidade e condições devem ser conferidos na contratação.
- OpenAI — catálogo de modelos
- OpenAI — preços de API
- OpenAI — descontinuações
- Anthropic — modelos atuais
- Anthropic — preços
- Google — modelos Gemini API
- Google — preços Gemini API
- Perplexity — modelos Agent API
- Perplexity — preços
- Groq — modelos suportados
- xAI — modelos e preços
- xAI — X Search
- Alexandre Caramaschi — LLM FinOps
- Alexandre Caramaschi — Agentes de IA Autônomos