5 papers essenciais para entender a IA agêntica do zero

Cinco papers para entender a IA agêntica sem se perder

Agentes de IA são a palavra da vez — mas o termo esconde um terreno enorme: agentes que raciocinam, que usam ferramentas, que têm memória, que planejam, que colaboram entre si e que exploram ambientes por conta própria. Para quem está chegando agora, começar por surveys longos costuma confundir mais do que ajudar. O caminho mais eficiente, segundo a engenheira de machine learning Kanwal Mehreen (autora do artigo na KDnuggets), é ler alguns papers-chave — cada um explicando uma ideia fundamental por trás dos agentes modernos.

Esta é a seleção de cinco trabalhos essenciais, na ordem sugerida de leitura.

1. ReAct: Synergizing Reasoning and Acting in Language Models

Autores: Shunyu Yao, Jeffrey Zhao, Dian Yu, Nan Du, Izhak Shafran, Karthik Narasimhan, Yuan Cao.

A ideia central é que um agente não deve só pensar nem só agir — deve fazer os dois juntos. O ReAct introduz um framework de prompting em que o modelo alterna entre etapas de raciocínio e ações. O raciocínio ajuda a planejar, acompanhar o progresso e se recuperar de erros; as ações permitem interagir com o mundo externo (APIs de busca, bases de conhecimento, tarefas de decisão). É o ponto de partida porque quase todo agente moderno segue o mesmo laço: pensar, agir, observar, atualizar, continuar.

2. Toolformer: Language Models Can Teach Themselves to Use Tools

Autores: Timo Schick, Jane Dwivedi-Yu, Roberto Dessì, Roberta Raileanu, Maria Lomeli, Luke Zettlemoyer, Nicola Cancedda, Thomas Scialom.

Um modelo de linguagem escreve e raciocina bem, mas tropeça em aritmética, consulta factual, tradução ou informação atual. O Toolformer explora como o modelo pode aprender a chamar APIs externas de forma auto-supervisionada: quando chamar, qual ferramenta usar, quais argumentos passar e como usar o resultado na resposta final. É a ponte que nos leva de “LLMs como geradores de texto” para “LLMs como sistemas que decidem quando ajuda externa é útil”.

3. Generative Agents: Interactive Simulacra of Human Behavior

Autores: Joon Sung Park, Joseph C. O’Brien, Carrie J. Cai, Meredith Ringel Morris, Percy Liang, Michael S. Bernstein.

Um dos papers mais divertidos de ler: agentes generativos que simulam comportamento humano crível num ambiente inspirado em The Sims. Eles acordam, fazem planos, lembram experiências passadas, refletem sobre elas, conversam e coordenam ações futuras. A arquitetura combina memória, reflexão e planejamento. A lição é que comportamento agêntico não é só resolver uma tarefa — é continuidade: o que o agente lembra, como atualiza crenças e como o passado influencia decisões futuras.

4. Voyager: An Open-Ended Embodied Agent with Large Language Models

Autores: Guanzhi Wang, Yuqi Xie, Yunfan Jiang, Ajay Mandlekar, Chaowei Xiao, Yuke Zhu, Linxi “Jim” Fan, Anima Anandkumar.

O Voyager leva a IA agêntica para um ambiente incorporado — o Minecraft — e, em vez de resolver uma tarefa fixa e parar, continua explorando o mundo e crescendo sua biblioteca de habilidades reutilizáveis. A arquitetura tem três componentes: um currículo automático de exploração, uma biblioteca de habilidades executáveis e um mecanismo de prompting iterativo que usa o feedback do ambiente e erros de execução para melhorar. É o paper que mostra o que um agente de longa duração precisa e como ele melhora continuamente interagindo com o ambiente.

5. AutoGen: Enabling Next-Gen LLM Applications via Multi-Agent Conversation

Autores: Qingyun Wu, Gagan Bansal, Jieyu Zhang, Yiran Wu, Beibin Li, Erkang Zhu, Li Jiang, Xiaoyun Zhang, Shaokun Zhang, Jiale Liu, Ahmed Awadallah, Ryen W. White, Doug Burger, Chi Wang.

Muitas tarefas reais são grandes demais para um único agente. O AutoGen apresenta um framework em que múltiplos agentes conversam entre si para resolver problemas — cada um com papéis diferentes, usando ferramentas, incluindo humanos no loop, executando código e coordenando pela conversa. Se o ReAct explica o laço básico de um agente, o AutoGen explica como esse laço vira um time.

O mapa mental dos cinco papers

Juntos, eles formam uma fundação sólida para entender IA agêntica:

• ReAct explica o laço raciocínio-e-ação.
• Toolformer explica como modelos aprendem a usar ferramentas.
• Generative Agents explica memória, reflexão e comportamento crível.
• Voyager explica aprendizado contínuo e habilidades reutilizáveis em ambiente.
• AutoGen explica a colaboração entre múltiplos agentes.

A dica de leitura é não tentar decorar detalhes de implementação na primeira passada — foque na ideia principal. Entendidos esses cinco, a maioria dos sistemas agênticos se torna muito mais legível, porque eles são construídos combinando as mesmas peças: raciocínio, ação, ferramentas, memória, feedback, planejamento e colaboração.