Manutenção de aeronaves mais rápida com agentes no Amazon Bedrock Agentcore

Por Mavi Mendes, Solutions Architect, AWS; Lucas Jahchan, Solutions Architect, AWS; Vinícius Teodoro, CTO, Guidance e Celina Marinho, CIO, Líder Aviação

Esta postagem foi escrita em conjunto com Mavi Mendes e Lucas Jahchan da AWS, Vinícius Teodoro da Guidance e Celina Marinho da Líder Aviação.

Manter aeronaves seguras exige acesso rápido e preciso a dados de manutenção aeronáutica. Na Líder Aviação, empresa brasileira de serviços aeronáuticos sediada em Belo Horizonte, esse conhecimento estava disperso em sete sistemas desconectados. Ao construir a LIA (Líder Intelligent Assistant), um assistente multiagente alimentado pelo Amazon Bedrock, a Líder Aviação tornou o acesso a informações críticas de 3 a 5 vezes mais rápido e entregou um MVP funcional em menos de 3 meses.

A equipe usou o framework open-source Agno implantado no runtime do Amazon Bedrock AgentCore para escalar e gerenciar os agentes em produção. O projeto foi realizado em parceria com a Guidance, consultoria brasileira de IA.

Nesta postagem, você vai conhecer a arquitetura de delegação hierárquica de agentes da LIA, a abordagem de indexação RAG de páginas completas para manuais de aviação, a resolução semântica de variáveis para dados de telemetria e como o sistema aprende continuamente com feedback dos usuários.

Desafio

Os engenheiros de manutenção da Líder Aviação dependem de acesso rápido e preciso a dados técnicos para manter aeronaves em conformidade com regulamentações internacionais. O conhecimento crítico da empresa estava disperso em sete categorias de sistemas:

• Publicações técnicas: Manuais de Manutenção de Aeronaves (AMM), Catálogos Ilustrados de Peças (IPC), Boletins de Serviço e Diretrizes de Aeronavegabilidade armazenados no Teklib.
• Gestão de manutenção: Ordens de serviço, task cards, métricas de confiabilidade e registros de inventário em 12 schemas de banco de dados relacional.
• Telemetria: Dados de sensores HUMS (Health and Usage Monitoring System): temperaturas, torques, pressões e vibrações.
• Documentos corporativos: Políticas de qualidade, bases de engenharia e listas de capacidades no Microsoft SharePoint.
• Correspondência por email: Comunicações técnicas com fabricantes originais (OEMs).
Antes da LIA, responder uma única pergunta de manutenção poderia exigir consultas em três ou mais sistemas. Engenheiros experientes estimaram que buscas manuais levavam de 3 a 4 vezes mais tempo do que o necessário. Para membros menos experientes, esse número chegava a 5 vezes.

Nenhum produto de prateleira atendia aos requisitos de precisão da manutenção aeronáutica. Números de peças, códigos de tarefas e avisos de segurança não podem ser aproximados. A empresa contratou a Guidance para projetar um sistema multiagente sob medida na AWS.

Visão geral da solução

A Guidance projetou a LIA como um sistema multiagente hierárquico construído com o framework Agno e implantado no runtime do Amazon Bedrock AgentCore. O Agno fornece a camada de orquestração cognitiva com o padrão ReAct (Reasoning and Acting). O AgentCore cuida da infraestrutura: runtimes isolados por falha, Auto Scaling e observabilidade integrada via Amazon CloudWatch.

Cada um dos cinco agentes executa como um runtime independente com seu próprio Amazon Resource Name (ARN). Se um agente falhar, os outros continuam operando. Cada agente escala independentemente com base na demanda.

O diagrama a seguir ilustra a arquitetura da solução:

Figura 1: Arquitetura multiagente da LIA com agentes Agno no runtime Amazon Bedrock AgentCore

Delegação hierárquica de agentes

Este orquestrador (LIA) recebe cada pergunta do usuário e segue um ciclo de raciocínio para decidir qual sub-agente invocar. O fluxo funciona assim:

1.     Análise da pergunta: Classifica a intenção do usuário e identifica quais fontes de dados são necessárias.

2.     Seleção de agente: Com base na classificação, o Orquestrador invoca o sub-agente adequado como uma tool do Agno. Se a pergunta exige dados de múltiplas fontes, invoca agentes em sequência.

3.     Validação de evidências: Recebe a resposta do sub-agente, valida se as fontes citadas são consistentes e sintetiza a resposta final para o usuário.

4.     Resolução recursiva: Se a resposta parcial indica necessidade de dados complementares, invoca outro agente automaticamente até que todas as evidências estejam completas.

Esse padrão de “agentes como ferramentas” no Agno garante que cada sub-agente é invocado de forma programática pelo Orquestrador, com passagem explícita de contexto e retorno estruturado de estado.

A tabela a seguir resume a função de cada agente:

Detalhes de implementação

Indexação RAG de páginas completas

Manuais de aviação contêm conteúdo misto: texto, imagens, tabelas, part numbers e códigos de tarefas. Estratégias tradicionais de chunking quebram esse contexto. A Guidance resolveu isso indexando páginas inteiras.

O pipeline de indexação funciona assim:

1.     Extração: Cada página do manual é processada como unidade atômica, preservando a relação entre texto, tabelas e figuras.

2.     Embedding: O conteúdo de cada página é convertido em um vetor usando Amazon Titan Embeddings e armazenado no Amazon RDS para PostgreSQL com pgvector.

3.     Schema pgvector: Cada registro contém o vetor de embedding, metadados (documento de origem, número da página, tipo de aeronave) e o texto completo da página. O índice HNSW (Hierarchical Navigable Small World) permite busca aproximada de vizinhos em milissegundos.

4.     Busca híbrida: O RAG Agent combina embeddings semânticos com sinais BM25 por meio de Reciprocal Rank Fusion (RRF). Quatro estratégias se adaptam ao tipo de consulta.

As estratégias de busca:

Text-to-SQL para bases de manutenção

O SQL Agent converte perguntas em linguagem natural em queries SQL validadas em 12 schemas de manutenção. A Guidance implementou um pipeline de sete estágios:

•       1. Contexto: Busca DDL, regras de negócio e exemplos via Amazon Titan Embeddings.

•       2. Normalização: Traduz terminologia aeronáutica de português para inglês.

•       3. Geração: Gera SQL direto ou com schema linking para joins complexos.

•       4. Sanitização: Bloqueia INSERT, UPDATE, DELETE e DROP via AST com sqlglot.

•       5. Execução: Queries rodam de forma assíncrona contra PostgreSQL ou Amazon Athena.

•       6. Reranking: Resultados acima de 50 linhas passam por 70% BM25 + 30% similaridade.

•       7. Formatação: Retorna resultados estruturados com identificadores de query e tabela.

A sanitização via AST é crítica. Em vez de confiar em instruções de prompt, a prevenção de mutações opera no nível de código.

Time Series Agent para telemetria

O Time Series Agent se especializa em dados HUMS de aeronaves: temperaturas, torques, pressões e vibrações. Os dados ficam no Amazon S3 como Parquet e são consultados via Amazon Athena.

A inovação-chave é a resolução semântica de variáveis. Sistemas de telemetria usam nomes crípticos sem significado inerente. O agente mantém uma camada de mapeamento que traduz perguntas em linguagem natural para os identificadores corretos. Engenheiros perguntam em português e o agente resolve para os códigos internacionais em inglês.

Autoaprendizagem autônoma

LIA implementa um loop de melhoria contínua com três mecanismos:

5.     Few-shot dinâmico: Quando um engenheiro valida uma resposta (nota positiva na interface), o par pergunta-resposta é armazenado em uma tabela dedicada no Amazon RDS. Nas consultas seguintes, o sistema busca exemplos semânticamente similares e os injeta no prompt como few-shot. Isso melhora a precisão sem retreinamento de modelo.

6.     Agent Evaluator: Um pipeline automatizado roda periodicamente um benchmark de perguntas curadas por domínio. Os resultados alimentam ajustes nas instruções de prompt e nos parâmetros de busca de cada agente.

7.     Playbook Distillation: Padrões de raciocínio multi-passo que se mostram bem-sucedidos são destilados em templates reutilizáveis. Esses templates aceleram a resolução de consultas recorrentes.

Cada interação validada torna o sistema mais preciso para consultas futuras.

Resultados

Desde a implantação da solução, a Líder Aviação registrou melhorias significativas. As métricas abaixo foram coletadas através de feedback direto dos engenheiros de manutenção que usam o sistema diariamente, comparando o tempo de busca manual nos sistemas legados com o tempo de resposta da LIA:

•       3 a 5 vezes mais rápido na recuperação de informações: Engenheiros experientes encontram informações pelo menos 3 vezes mais rápido. Para menos experientes, a melhoria chega a 5 vezes.

•       5 vezes mais rápido para consultas multilíngues na base de engenharia: Documentos que abrangem português e inglês são encontrados 5 vezes mais rápido porque a LIA resolve a tradução automaticamente.

•       Mais de 3 vezes mais rápido para alertas de frota: Encontrar alertas recentes e calcular médias de parâmetros agora se faz via linguagem natural, eliminando a navegação manual entre dashboards.

•       Acesso democrático a informações antes isoladas: Correspondências técnicas que ficavam restritas a caixas de email individuais agora são pesquisáveis por toda a equipe autorizada.

•       MVP entregue em menos de 3 meses. A arquitetura multiagente permitiu desenvolvimento paralelo entre domínios de dados.

“A LIA foi concebida e treinada para raciocinar sob a ótica da aviação, reproduzindo a lógica aplicada por engenheiros aeronáuticos, inspetores de manutenção e especialistas em publicações e registros técnicos. Seu diferencial está na capacidade de transformar informações complexas em ferramentas de decisões mais rápidas, assertivas e estratégicas, agregando valor em toda a cadeia de engenharia. Desenvolvida em conjunto com o time de Engenharia da Líder Aviação, a LIA conecta inteligência artificial, conhecimento especializado e eficiência operacional em uma única solução.” – Marcela Barcellos, Gerente de Engenharia e Qualidade, Líder Aviação

Lições aprendidas

Ao longo do projeto, a equipe identificou práticas essenciais para sistemas multiagente em indústrias reguladas:

1.     Comece pelo problema mais difícil. Manuais com conteúdo misto eram a fonte mais desafiadora. Resolver isso primeiro estabeleceu o padrão de qualidade para todos os outros agentes.

2.     Garanta segurança no nível de código. Sanitização SQL via AST é essencial quando mutações indevidas podem afetar registros de manutenção e segurança de voo.

3.     Projete para consultas multilíngues desde o primeiro dia. A camada de resolução semântica resolve a mistura de português e inglês sem pedir que o usuário mude seu comportamento.

4.     Use isolamento de agentes para desenvolvimento paralelo. Agentes independentes no AgentCore permitiram desenvolver e testar múltiplos domínios ao mesmo tempo.

5.     Invista em autoaprendizagem desde cedo. Few-shot dinâmico transforma feedback em melhorias reais sem retreinamento de modelo.

6.     Preserve a trilha de auditoria. Cada resposta da LIA inclui referências às fontes. Engenheiros verificam a informação antes de tomar decisões críticas.

Conclusão

Nesta postagem, mostramos como a Líder Aviação e a Guidance construíram a LIA. A solução usa o Agno como framework de agentes no runtime do Amazon Bedrock AgentCore. O Amazon RDS com pgvector armazena embeddings de páginas completas para o RAG. O Amazon Athena consulta dados de telemetria. E o loop de autoaprendizagem melhora a precisão continuamente.

Os padrões demonstrados aqui se aplicam a qualquer domínio corporativo onde informações críticas estão fragmentadas e a precisão precisa ser absoluta.

Próximos passos:

•       Saiba mais sobre o Amazon Bedrock AgentCore para construir sistemas multiagente.

•       Explore o Agno, o framework open-source usado nesta solução.

•       Leia sobre o Amazon RDS com pgvector para busca vetorial.

Se você tem perguntas sobre arquiteturas multiagente, deixe um comentário na seção de comentários ou entre em contato com o time da sua conta AWS.

Sobre os autores

	Mavi Mendes é Solutions Architect na Amazon Web Services e auxilia empresas a construírem soluções que impactem positivamente o negócio. Mavi foca na adoção de IA generativa no ciclo de desenvolvimento de software e é SA da conta da Líder Aviação.
	Lucas Jahchan é Solutions Architect na AWS em São Paulo. Trabalha com clientes startup na América Latina projetando arquiteturas cloud com foco em IA/ML e aplicações modernas.
	Vinícius Teodoro é CTO da Guidance, consultoria brasileira de IA. Lidera sistemas multiagente para clientes enterprise com expertise em NLP e recuperação de informação.
	Celina Marinho é CIO da Líder Aviação. Com Mestrado em Visão Computacional pela UFMG e mais de 25 anos na empresa, lidera iniciativas de tecnologia incluindo os primeiros projetos de IA generativa da companhia.