O problema do “estagiário eterno” em agentes de IA
\n
Imagine um cozinheiro que decorou todos os livros de receita, mas esquece as particularidades da sua cozinha todas as manhãs. Ele segue as receitas, porém não sabe que o forno esquenta mais que o normal ou que o cliente gosta de mais sal. Essa metáfora ilustra um desafio comum em agentes de IA atuais: eles executam tarefas baseados em prompts, mas não acumulam aprendizado sobre o ambiente ou experiências anteriores. Ao reprocessar registros antigos, apenas relêem o histórico sem extrair princípios para aplicar em situações novas, repetindo erros e sem transferir lições.
\n\n
Como ALTK-Evolve oferece uma solução com memória de longo prazo
\n
Desenvolvido pela IBM Research, o ALTK-Evolve é um sistema de memória para agentes de IA que permite o aprendizado contínuo durante a execução das tarefas. Ele transforma trajetórias brutas — que incluem interações, pensamentos, chamadas de ferramentas e seus resultados — em diretrizes reutilizáveis que guiam a ação do agente em tempo real.
\n
\n
O funcionamento do ALTK-Evolve ocorre em um ciclo contínuo:
\n
- \n
- Fluxo descendente (observação e extração): captura completa das trajetórias do agente por meio de uma camada de interação, como Langfuse ou outra ferramenta de observabilidade baseada em OpenTelemetry. Extratores modulares identificam padrões estruturais e armazenam entidades candidatas.
- Fluxo ascendente (refinamento e recuperação): um processo em segundo plano consolida e pontua as diretrizes, removendo duplicatas e regras fracas, aprimorando uma biblioteca de políticas, procedimentos e orientações. Na execução, apenas as diretrizes relevantes são injetadas no contexto do agente, evitando sobrecarga.
\n
\n
\n
Essa abordagem permite que os agentes aprendam princípios aplicáveis a novas tarefas, não só repitam receitas específicas, controlando o ruído e garantindo que a memória seja útil e enxuta.
\n\n
Resultados práticos: ganhos em tarefas complexas e multi-etapas
\n
O sistema foi avaliado no benchmark AppWorld, onde agentes realizam tarefas realistas que envolvem múltiplas etapas e integração via APIs (média de 9,5 chamadas em 1,8 aplicativos). Um agente ReAct recebeu instruções da tarefa mais as cinco principais diretrizes recuperadas de execuções anteriores e foi testado em cenários inéditos.
\n
\n
| Dificuldade | Taxa de Conclusão (Baseline) | Com ALTK-Evolve | Incremento (%) |
|---|---|---|---|
| Fácil | 79,0% | 84,2% | +5,2 |
| Média | 56,2% | 62,5% | +6,3 |
| Difícil | 19,1% | 33,3% | +14,2 |
| Total | 50,0% | 58,9% | +8,9 |
\n
Os principais insights são:
\n
- \n
- Generalização: melhoria em tarefas inéditas, indicando aprendizado de princípios e não memorização.
- Escalabilidade com complexidade: quanto mais difícil a tarefa, maior o benefício da memória concisa, com destaque para casos de controle de fluxo complexo.
- Consistência: redução de falhas intermitentes, com o agente resolvendo tarefas de forma mais confiável em variantes diferentes.
\n
\n
\n
\n
Detalhes técnicos e experimentais estão disponíveis no artigo científico: https://arxiv.org/abs/2603.10600.
\n\n
Como começar a usar ALTK-Evolve: opções para diferentes níveis de código
\n
O ALTK-Evolve oferece flexibilidade para integração, dependendo do nível de conhecimento e da pilha tecnológica do usuário:
\n\n
1. Sem código (No-code) com Claude Code, Codex e IBM Bob (Modo Lite)
\n
- \n
- Instale o plugin no Claude Code via marketplace e ative o evolve@evolve-marketplace.
- O plugin extrai entidades das trajetórias e as armazena localmente, usando hooks do Claude Code para recuperação automática.
- Limitação: não consolida dados entre sessões nem realiza limpeza automática, mas é fácil para testes rápidos.
- Vídeo demonstrativo do modo Lite: https://agenttoolkit.github.io/altk-evolve/tutorials/
\n
\n
\n
\n
\n\n
2. Baixo código (Low-code) com agente ReAct
\n
- \n
- Adicione o import
altk_evolve.autoe ative uma flag para emitir rastros em uma interface Arize Phoenix UI. - Sincronize as trajetórias para gerar diretrizes sem alterar sua pilha atual.
- Compatível com clientes LLM populares e frameworks de agentes, como OpenAI, LiteLLM e Hugging Face.
- Exemplos práticos estão disponíveis no repositório.
- Documentação detalhada: low-code tracing documentation
\n
\n
\n
\n
\n
\n\n
3. Código avançado (Pro-code) com CUGA
\n
- \n
- Integração direta via MCP para criar um ciclo de aprendizado contínuo e de baixo overhead.
- Antes da execução, a ferramenta
get_guidelinesfornece orientações específicas para reduzir tentativas e erros. - Após a execução, a função
save_trajectoryenvia rastros estruturados para melhorar as diretrizes futuras. - Transparente, modular e fácil de adotar.
- Vídeo demonstrativo: CUGA integration walkthrough
\n
\n
\n
\n
\n
\n\n
Links úteis para explorar e contribuir com ALTK-Evolve
\n
- \n
- Repositório oficial no GitHub
- Documentação oficial
- Tutoriais rápidos para começar
- Discussões e feedbacks no GitHub
- Registro de problemas e solicitações
\n
\n
\n
\n
\n
\n\n
Ao incorporar ALTK-Evolve, agentes de IA deixam de ser “estagiários eternos” e passam a aprender com a experiência, aprimorando seu desempenho e confiabilidade em tarefas complexas e dinâmicas.