Pular para o conteúdo
LabS Atlas
AI For Devs
Entrar

Evolução dos Agentes de IA

Ir para notas que citam esta
atualizado há 25 diasEntre para perguntar ao Labinho sobre esta notaO Labinho é o assistente que responde com as notas e as sessões do LabS e mostra de onde tirou cada resposta.

Evolução dos agentes de IA é a escala de estágios crescentes de autonomia, de sistemas simples de ação-reação até sistemas multiagentes que aprendem, se comunicam e cooperam.

A escala serve menos como cronologia e mais como régua de projeto: diante de um agente já construído, ela ajuda a dizer em que estágio aquele desenho parou e o que precisaria ser acrescentado para avançar. Cada degrau acumula as capacidades do anterior e adiciona uma nova, e é essa nova capacidade que define o estágio.

Os estágios de autonomia, do script fixo ao aprendizado

O primeiro estágio é o agente simples, ou reativo: um script predefinido de ações num modelo puro de ação e reação, sem interpretação de linguagem natural. O segundo é o agente baseado em modelo, que já interage em linguagem natural.

O terceiro é o agente baseado em objetivo: em vez de seguir um roteiro fixo, recebe um objetivo específico e procura formas de alcançá-lo. O quarto amplia isso para múltiplos objetivos — não se entrega mais uma meta pontual e sim uma diretriz ampla, do tipo "seja útil a este usuário", cobrindo um conjunto aberto de tarefas em vez de uma só.

O quinto estágio acrescenta aprendizado: o agente aproveita as próprias experiências e faz melhor na interação seguinte. O sexto são os Sistemas Multiagente, em que todas as capacidades anteriores permanecem e surge uma característica nova, a de agentes se comunicarem entre si e perseguirem objetivos em comum, distribuídos por ambientes e ferramentas distintos.

O robô aspirador como ilustração dos estágios

Os robôs aspiradores percorrem quase toda a escala e por isso funcionam bem como ilustração. Os primeiros modelos eram agentes reativos completos: andavam até bater na parede, mudavam de direção e seguiam presets fixos, sem nenhuma representação do ambiente. Os atuais mapeiam a casa, identificam as áreas mais sujas, tratam os cantos de forma diferente e voltam sozinhos para a base de carregamento; alguns já recolhem objetos do chão antes de limpar.

A mesma ilustração mostra o limite. Um robô que não reconhece um obstáculo que ele próprio espalha pode entrar em laço, limpando por horas uma sujeira que sua própria ação redistribui. O agente estava agindo com autonomia dentro do objetivo que recebeu; o que faltava era a capacidade de identificar que aquele estado do ambiente pedia parar em vez de continuar.

O que muda ao chegar nos sistemas multiagente

Enquanto o agente é um só, todo ganho de autonomia é interno: mais dados, mais memória, mais ferramentas, mais liberdade de decisão. Ao passar para vários agentes, a autonomia continua existindo em cada um, mas dentro do seu escopo, e um problema novo entra em cena — como eles compartilham o que produziram e negociam um resultado comum. A partir desse estágio, a questão central deixa de ser o quanto um Agente de IA consegue fazer sozinho e passa a ser como coordenar o que vários deles fazem em paralelo.