À medida que a aplicação de AI Agents evolui rapidamente, os desenvolvedores estão a passar de “Prompt Engineering” para um design de sistema mais estruturado. O guia mais recente do Google Cloud Tech apresenta cinco padrões de design, criando uma estrutura de desenvolvimento mais confiável e reutilizável para as habilidades de AI Agents.
Este artigo, escrito por Shubham Saboo e Lavi Nigam, destaca que, com o SKILL.md a tornar-se padrão adotado por mais de 30 ferramentas, o foco de desenvolvimento mudou de “como empacotar” para “como desenhar a lógica interna”, marcando a entrada oficial da IA numa nova fase de engenharia.
O SKILL.md torna-se padrão, levando as habilidades de AI Agent à modularidade
O conceito de Agent Skills foi inicialmente proposto pela Anthropic e atualmente evoluiu para um padrão de código aberto. O seu núcleo reside numa estrutura de pastas modular e no arquivo SKILL.md, permitindo que o AI Agent carregue capacidades conforme necessário.
O SKILL.md não só inclui comandos e metadados, mas também pode referenciar recursos externos, permitindo que o Agent adote uma abordagem de “revelação progressiva” durante a execução de tarefas, evitando a sobrecarga de contexto e aumentando a eficiência e precisão.
Atualmente, mais de 30 ferramentas, incluindo Claude Code, Gemini CLI, Cursor, já adotam este padrão, demonstrando que está a tornar-se rapidamente a base para o desenvolvimento de AI Agents.
De Prompt Hack a Padrões de Design: análise das cinco principais arquiteturas
O Google Cloud Tech aponta que muitos desenvolvedores ainda focam excessivamente na estrutura YAML e no design de diretórios, mas a verdadeira chave está na “lógica interna das habilidades”. Para isso, a equipa propõe cinco padrões de design reutilizáveis, ajudando a criar sistemas de IA estáveis e previsíveis.
Tool Wrapper: Transformar a IA em especialista instantaneamente
O Tool Wrapper é o padrão mais básico, encapsulando uma ferramenta ou framework específico como uma habilidade, permitindo que a IA acesse conhecimentos especializados rapidamente.
Por exemplo, ao usar FastAPI, pode-se colocar as especificações da API e melhores práticas na pasta references/, carregando-as apenas quando a tarefa relacionada for acionada, evitando que o prompt principal fique excessivamente carregado.
Generator: Motor essencial para outputs padronizados
O padrão Generator é adequado para cenários que requerem uma saída consistente, como documentação de API, mensagens automáticas de commit ou geração de templates de projeto.
O seu núcleo consiste em colocar os templates na pasta assets/ e, combinando com as diretrizes de estilo na references/, a habilidade preenche o conteúdo. Assim, a saída é padronizada e flexível.
Reviewer: Criar mecanismos de verificação quantificáveis
O padrão Reviewer separa os “padrões de verificação” da “lógica de execução”. Os desenvolvedores podem criar listas de verificação na pasta references/, por exemplo, para qualidade de código ou normas de segurança.
A IA avalia com base nesses padrões e gera resultados estruturados. Se substituir por critérios de segurança OWASP, pode-se transformar rapidamente numa ferramenta de revisão de vulnerabilidades, ideal para processos automáticos de revisão de PR.
Inversion: De responder a questionar
O padrão Inversion inverte o fluxo tradicional de IA, obrigando o Agent a fazer perguntas estruturadas antes de gerar respostas.
Com a restrição de “não continuar até estar completo”, a IA deve recolher todas as necessidades passo a passo, sendo especialmente útil em planeamento de projetos ou cenários que exigem alto contexto, evitando erros por falta de informação.
Pipeline: Centro de controlo para tarefas complexas
O padrão Pipeline é desenhado para tarefas em múltiplas etapas, obrigando à execução numa sequência e com pontos de verificação, podendo incluir confirmações do utilizador.
Por exemplo, na geração de documentos, deve-se primeiro verificar o docstring antes de montar o documento final. Este padrão garante que cada fase está conforme o esperado, evitando saltos que possam causar erros.
Combinação modular: avançando nas habilidades de AI Agent
Estes cinco padrões não existem isoladamente, podendo ser combinados de forma flexível. Por exemplo:
- O Pipeline pode incorporar o Reviewer para auto-verificação.
- O Generator pode usar o Inversion para recolher parâmetros previamente.
O Google oferece o Agent Development Kit (ADK) com suporte nativo, usando SkillToolset para carregar apenas os módulos necessários em tempo de execução, otimizando o uso de tokens.
Além disso, disponibiliza uma árvore de decisão para ajudar os desenvolvedores a escolher o padrão mais adequado ao cenário, reduzindo significativamente a barreira de entrada.
A era da engenharia em desenvolvimento de IA: confiabilidade como prioridade
O Google Cloud Tech enfatiza: “Não tente mais colocar comandos complexos e frágeis num único system prompt.”
Esta frase destaca uma mudança importante na evolução da IA — de tentativas com prompts hacky para uma abordagem de engenharia com estrutura e princípios, semelhante ao percurso do desenvolvimento de software na sua fase inicial, com padrões de design.
A comunidade no X (antigo Twitter) reagiu com entusiasmo, muitos considerando que estes padrões representam “o ponto de partida para o design de sistemas de IA” e que podem evitar que os Agents se tornem difíceis de manter, como “spaghetti”.
Atualmente, as normas de Agent Skills estão totalmente de código aberto, e o ADK do Google fornece documentação completa e exemplos (google.github.io/adk-docs), facilitando a rápida adoção pelos desenvolvedores.
