O que são
 |
| Imagem desenvolvida por IA |
Com o avanço dos Modelos de Linguagem de Larga Escala (Large
Language Models – LLMs), surgiu uma nova geração de sistemas: os LLM-based
agents. Esses agentes combinam capacidades de raciocínio lógico em
linguagem natural com a execução prática de tarefas no mundo digital ou físico,
tais como navegação web, execução de código e chamadas a APIs.
Como funcionam: arquitetura típica
A maioria dos frameworks modernos de agentes autônomos
organiza-se em componentes modulares:
- Planejamento
(Planning) — decompõe tarefas complexas em subobjetivos menores
e viáveis.
- Raciocínio
(Reasoning) — avalia caminhos, antecipa cenários e reflete
sobre os resultados parciais (ex.: paradigma ReAct, que intercala
raciocínio e tomada de ação).
- Memória
(Memory) — retém o histórico e o contexto operacional tanto em
curto prazo (janela de contexto) quanto em longo prazo (bancos vetoriais
ou bases externas).
- Uso
de ferramentas (Tool Use) — capacita o agente a interagir com o
ambiente externo, realizando requisições a APIs, consultas a bancos de
dados, buscas na web ou execução de rotinas em ambientes isolados.
- Execução/Ação
(Action / Actor) — traduz as decisões estratégicas em comandos
concretos no ambiente-alvo.
Esse fluxo se repete ciclicamente: percepção →
planejamento → ação → observação → replanejamento, até que o objetivo seja
concluído ou um critério de parada seja alcançado.
Modelagens avançadas
- Abordagem
por Aprendizado por Reforço Hierárquico (RL): Frameworks avançados
formalizam o agente sob a ótica de um Processo de Decisão de Markov
Parcialmente Observável (POMDP). Neles, um planejador (Planner,
sustentado pelo LLM) define submetas em alto nível, enquanto um ator (Actor)
assume as rotinas de baixo nível no ambiente.
- Arquiteturas
Modulares e Otimizáveis: Abordagens recentes representam os agentes
como grafos computacionais, viabilizando a busca e o refinamento
automático de fluxos, parâmetros de prompt e conectividade entre os
módulos (planejamento, memória e ferramentas).
Referências Bibliográficas
FENG, Peiyuan et al. AGILE: A Novel Reinforcement
Learning Framework of LLM Agents. arXiv preprint arXiv:2405.14751,
2024. Disponível em: https://doi.org/10.48550/arXiv.2405.14751.
HE, Jianliang et al. From Words to Actions:
Unveiling the Theoretical Underpinnings of LLM-Driven Autonomous Systems. In:
INTERNATIONAL CONFERENCE ON MACHINE LEARNING (ICML), 41., 2024, Viena. Proceedings
of Machine Learning Research, v. 235, p. 17807-17841, 2024. Disponível em: https://proceedings.mlr.press/v235/he24a.html.
SHANG, Yu et al. AgentSquare: Automatic LLM Agent
Search in Modular Design Space. arXiv preprint arXiv:2410.06153,
2024. Disponível em: https://doi.org/10.48550/arXiv.2410.06153.
ZHANG, Hongming et al. Cognitive Kernel: An
Open-source Agent System towards Generalist Autopilots. In: ANNUAL
CONFERENCE OF THE NATIONS OF THE AMERICAS CHAPTER OF THE ACL (NAACL), 2025.
Disponível em: https://aclanthology.org/2025.naacl-demo.29/.
ZHUGE, Mingchen et al. GPTSwarm: Language Agents
as Optimizable Graphs. arXiv preprint arXiv:2402.16823, 2024.
Disponível em: https://doi.org/10.48550/arXiv.2402.16823.
