K-GAT: agentes de IA que buscam evidências antes de decidir como colaborar

Buscar evidências antes de montar o time

Quando vários agentes de IA trabalham juntos, a forma como eles se conectam — a “topologia” da colaboração — costuma ser decidida antes de qualquer dado externo entrar no jogo. Um novo preprint argumenta que essa é exatamente a ordem errada, e propõe o K-GAT, um sistema multiagente que recupera evidências primeiro e só então decide como os agentes devem colaborar.

Em sete benchmarks de raciocínio, o K-GAT reportou 78,68% de acurácia média, contra 72,38% da sua variante sem o grafo de conhecimento externo. No GPQA, o resumo relata uma margem de 15,7% sobre o LLM-Debate usando menos da metade dos tokens computacionais.

Evidência antes do fluxo de trabalho

O ponto de partida do artigo é o que os autores chamam de Structural Mismatch: os fluxos de trabalho são gerados a partir da semântica da consulta, antes de qualquer evidência externa ser observada. O K-GAT inverte isso — na inferência, ele recupera evidência, gera uma topologia condicionada a essa evidência e executa o fluxo resultante sob restrições estruturais.

Nos números por benchmark, o K-GAT alcançou 87,71% no MMLU, 66,42% no MMLU-Pro, 50,75% no GPQA, 84,97% no StrategyQA, 91,96% no GSM8K e 84,75% no HumanEval — um conjunto que mistura tarefas intensivas em conhecimento com raciocínio simbólico e algorítmico.

O que isso muda na prática

A lição para quem monta sistemas de agentes é clara: a arquitetura de colaboração não deve ser fixa, e sim uma variável a ser otimizada com base na evidência disponível. Os ganhos reportados são maiores em tarefas abertas (open-book), onde a evidência externa realmente muda a resposta. Como é um preprint, os números não foram revisados por pares e dependem da configuração específica dos autores.