O diagnóstico diferencial constitui uma das etapas mais importantes da prática clı́nica, exigindo a integração de grandes volumes de informações e o raciocı́nio sobre múltiplas hipóteses. Embora os Grandes Modelos de Linguagem demonstrem potencial na sı́ntese de dados médicos, desafios como alucinações e a falta de rastreabilidade limitam sua aplicação segura. Nesse contexto, o presente trabalho apresenta uma arquitetura multiagente de apoio ao diagnóstico diferencial baseada no paradigma de IA Agêntica e em Geração Aumentada por Recuperação. O sistema decompõe o raciocı́nio clı́nico em um fluxo de trabalho colaborativo composto por três agentes especializados: um Analista de Sintomas, responsável pela estruturação dos dados do paciente, um Minerador de Evidências, que realiza buscas iterativas em bases de conhecimento médico curadas (Textbooks e StatPearls) utilizando o recuperador MedCPT, e um Sintetizador de Conduta, que consolida as informações e gera hipóteses ordenadas com justificativas clı́nicas e referências. A arquitetura foi avaliada utilizando o dataset DDXPlus, testando quatro diferentes LLMs como motores de inferência. Os resultados indicam que o modelo Qwen-9B obteve o melhor desempenho, atingindo 41% de acurácia top-1 e 60% em top-5. A pesquisa demonstra que a estrutura multiagente provê uma camada de explicabilidade essencial para o contexto médico, transformando a saı́da dos modelos em um fluxo de raciocı́nio justificável, pautado em evidências verificáveis e adequado para o auxı́lio à tomada de decisão clı́nica.