Um agente é um modelo dentro de um ciclo: pergunta, age com uma ferramenta, lê o resultado e decide de novo.
Como funciona
A Anthropic separa dois desenhos. Workflows são “systems where LLMs and tools are orchestrated through predefined code paths” (tradução: sistemas em que LLMs e ferramentas são orquestrados por caminhos de código predefinidos). Agentes são sistemas em que “LLMs dynamically direct their own processes and tool usage” (tradução: os LLMs conduzem dinamicamente os próprios processos e o uso de ferramentas).
O OpenAI Agents SDK documenta o ciclo em si. O runner chama o modelo. Se a resposta for final, a execução termina. Se ela tiver chamadas de ferramenta, o runner as executa, acrescenta os resultados e chama o modelo de novo. A configuração max_turns limita o ciclo e lança MaxTurnsExceeded quando é ultrapassada.
Um exemplo prático: um agente de programação que precisa corrigir um teste que falha pode levar quatro turnos (roda os testes, lê o arquivo, edita, e responde que corrigiu o bug de fuso horário e que os testes passam).
Turn 1 model -> tool call: run_tests()
Turn 2 model -> tool call: read_file("src/dates.py")
Turn 3 model -> tool call: edit_file("src/dates.py", ...)
Turn 4 model -> final answer: "Fixed the timezone bug; tests pass."
Cada turno é uma requisição de API separada. Se o system prompt e as definições de ferramentas somam 5.000 tokens, eles são enviados 4 vezes: 20.000 tokens de entrada antes de contar qualquer histórico ou saída de ferramenta.
As ferramentas podem ser funções suas ou vir de servidores MCP, que permitem a um agente se conectar a sistemas de arquivos, bancos de dados e APIs de SaaS por um protocolo comum.
Por que isso importa
- O custo cresce com os turnos. Cada turno é uma nova requisição que reenvia a conversa. O post sobre orçamento de tokens de agentes mostra para onde vão esses tokens. A entrada em cache reduz a conta do prefixo repetido.
- O contexto enche. Execuções longas pressionam a janela de contexto e pioram antes mesmo de chegar ao limite. Veja gestão de contexto para agentes de longa duração.
- Os erros se acumulam. A Anthropic observa que a autonomia traz “higher costs, and the potential for compounding errors” (tradução: custos mais altos e o risco de erros que se acumulam). Adicione condições de parada, guardrails e aprovação humana para ações que alteram dados ou gastam dinheiro.
- Paralelismo. Vários agentes significam várias requisições em andamento. O limite de concorrência do seu provedor decide quantas podem rodar ao mesmo tempo. Custo de sistemas multiagente compara, nesse caso, cobrança por token e preço fixo.
Na BroadNet Inference
Qualquer framework de agentes que aceite uma base URL compatível com a OpenAI pode chamar a BroadNet; o guia do OpenAI Agents SDK mostra a configuração. A documentação da BroadNet lista tool calling para GLM 5.3 e Qwen3.8 27B. A documentação da BroadNet define, para uma chave de pagamento por uso, 30 requisições por minuto e 4 em andamento.
Os planos de preço fixo (Full Moon, Orbit, Meteor) cobrem o DeepSeek V4.1 Flash sem medidor de tokens. Uma sessão roda uma requisição por vez, do jeito que um único agente trabalha, então você compra uma sessão por agente que roda em paralelo. A documentação da BroadNet não lista tool calling para o DeepSeek V4.1 Flash, então teste as chamadas de ferramentas do seu agente nele antes de depender de um plano; tool calling documentado significa GLM 5.3 ou Qwen3.8 27B no pagamento por uso.