O argumento central
Um dos erros mais comuns no design de agentes de IA é entregar ao modelo uma “caixa de busca” genérica e um orçamento de tentativas, esperando que ele encontre sozinho o caminho certo. Um experimento detalhado publicado no Towards Data Science defende uma tese mais precisa: o raciocínio de um agente é limitado pelo vocabulário das suas ferramentas.
Na prática, dar ao modelo uma busca livre e uma verba de retries faz com que cada iteração produza apenas “tentativas reformuladas”. Já quando o agente recebe o vocabulário real da camada de conhecimento — travessia tipada em grafo, linhas do tempo, diffs, resolução de entidades e um registro de contradições — a iteração se transforma em navegação guiada.
Ferramentas tipadas, limites rígidos e um “portão”
O autor da série de artigos, Miodrag Cekikj, propõe substituir a busca livre por três elementos: ferramentas tipadas (funções com contrato e esquema definidos), limites rígidos (o agente só pode percorrer um espaço restrito) e um portão de contradições que o modelo não consegue contornar.
A pergunta mais importante do teste não era se o agente achava a resposta certa, mas se a governança sobrevivia à autonomia: quando o modelo controla o próprio loop, o portão de contradições continua de pé, ou o agente “prestativo” contorna as regras no momento em que elas ficam inconvenientes?
Quatro modelos e uma previsão errada
O experimento rodou o mesmo sistema sobre um corpus sintético de seguros com quatro modelos diferentes e uma previsão errada do autor. Na prática, o agente chegou ao destino certo por um caminho “mais bagunçado” que o previsto: resolveu a menção para a entidade errada antes de corrigir a rota com a travessia tipada.
O veredito é equilibrado. Em um corpus pequeno, um pipeline fixo (uma passada de recuperação e uma geração) continua competitivo nas perguntas de salto único. O agente só mostra vantagem real nas consultas de múltiplos saltos e na qualidade do embasamento — exatamente onde descobrir o que recuperar exige ter entendido parcialmente o que já foi recuperado.
O que levar para seus projetos
A lição prática para quem constrói sistemas de RAG e agentes: antes de adicionar mais um framework de agentes, invista no vocabulário da sua camada de conhecimento. Ferramentas bem desenhadas e limites claros fazem mais pela qualidade do que um loop de tentativas sobre busca vetorial.
Descubra mais sobre noticiAI
Assine para receber nossas notícias mais recentes por e-mail.
