Agentes de IA✦ Gerado por IA

Harness²: Otimizando Agentes de IA Sem Trocar o Modelo Base

Uma nova pesquisa do Google revela que a estrutura ao redor da IA é tão importante quanto o modelo em si. O sistema Harness² permite que agentes corrijam suas próprias falhas operacionais em tempo real, aumentando a eficiência em tarefas complexas.

Edição de ·Analytics Vidhya·4 min de leitura·
CompartilharWhatsAppXLinkedInFacebook
💡

Principal Aprendizado

Melhorar a estrutura de controle e as ferramentas de um agente de IA é mais eficaz e barato do que simplesmente atualizar para um modelo de linguagem superior.

A busca por inteligência artificial mais eficiente geralmente foca na atualização para modelos maiores e mais caros. No entanto, uma nova abordagem do Google Research, batizada de Harness², demonstra que é possível extrair um desempenho significativamente superior dos modelos atuais apenas ajustando a forma como eles interagem com ferramentas e instruções. O estudo revela que a falha de um agente nem sempre é culpa de sua 'inteligência' base, mas sim de como o ambiente de trabalho foi configurado.

O Harness² atua como uma estrutura de suporte que molda o comportamento do agente através de prompts, ferramentas, memória e ciclos de controle. A pesquisa identificou que diferentes configurações, ou 'harnesses', funcionam melhor para tarefas específicas. Por exemplo, enquanto o Claude Code se destaca em codificação e planilhas, o Codex lidera em tarefas baseadas na web. O grande diferencial do Harness² é sua capacidade de se adaptar durante a execução da tarefa, mesmo em cenários que os desenvolvedores originais não previram.

Por que editar o prompt nem sempre é a solução

Uma prática comum no desenvolvimento de IA é permitir que o agente reescreva seu próprio prompt de sistema para tentar resolver um problema. O Google Research descobriu que isso pode, na verdade, piorar o desempenho. Cada instrução adicionada consome tokens preciosos, reduzindo o espaço disponível para o trabalho real e aumentando o custo computacional. Quando o orçamento de tokens acaba, o agente falha antes de concluir a missão.

Em vez de apenas dar conselhos via texto, o Harness² foca em oito componentes que controlam a execução, como guardrails, scripts de ferramentas e subagentes. A diferença fundamental é que uma regra em um prompt é apenas uma sugestão, enquanto uma regra no ciclo de controle é imposta pelo código. Isso permitiu, por exemplo, a criação de um 'cão de guarda' que impede o agente de gastar todo o seu tempo em pesquisa, forçando-o a começar a escrever antes que os recursos se esgotem.

O método Propor, Sondar e Compor

O maior desafio técnico resolvido pelo Harness² é saber se uma alteração realmente ajudou quando não se tem um gabarito para comparar. O sistema utiliza um processo de três etapas. Primeiro, o agente executa a tarefa e dois editores analisam os logs: um foca na mecânica do fluxo de trabalho e outro atua como especialista no assunto. Em seguida, uma nova versão é testada na mesma tarefa para gerar uma segunda tentativa.

Finalmente, as duas execuções são comparadas. Uma edição só é mantida se corrigiu uma falha concreta e observável da primeira tentativa. Sem essa etapa de validação, o desempenho dos agentes caía cerca de 10%. Os resultados em benchmarks profissionais foram expressivos, com melhorias de até 50 pontos em tarefas de reconciliação de orçamento e análise jurídica. Além disso, o estudo provou que um ajuste desenvolvido com um modelo caro pode ser transferido para um modelo mais barato, mantendo ganhos de performance.

O que isso muda para você

Para o profissional brasileiro que desenvolve ou implementa soluções de IA, o Harness² traz uma lição valiosa: pare de culpar o modelo e comece a olhar para a infraestrutura da tarefa. Muitas vezes, gastamos recursos migrando para uma API mais cara quando o problema real está na falta de travas no fluxo de trabalho ou em descrições de ferramentas imprecisas. A eficiência operacional agora depende menos de 'ter o maior cérebro' e mais de 'ter o melhor processo'.

Na prática, isso significa que você pode reduzir custos de nuvem utilizando modelos menores e mais rápidos, desde que invista tempo criando mecanismos de controle que não dependam apenas da vontade da IA em seguir instruções. O foco deve mudar da engenharia de prompt pura para a engenharia de sistemas agênticos, onde o código atua como o supervisor rigoroso que a IA precisa para não se perder em tarefas longas.

Como próximo passo, avalie seus fluxos atuais e identifique onde a IA costuma 'alucinar' ou entrar em loops infinitos. Em vez de pedir no prompt para ela 'não fazer isso', crie um script de validação simples que bloqueie a finalização da tarefa se certas condições não forem atendidas. O sucesso do seu agente está na estrutura que você constrói ao redor dele, não apenas nos parâmetros do modelo.

📰 Com base em reportagem de Analytics Vidhya. Texto produzido com apoio de inteligência artificial, com curadoria e edição de Robson Benfica Conceição, com análise própria do que a notícia muda para quem trabalha no Brasil. Veja como produzimos.

📬 Newsletter Gratuita

As principais notícias de IA do dia, curadas por Robson Conceição. Grátis, todo dia no seu e-mail.

Gostou do conteúdo?

Compartilhe com quem também quer entender IA no trabalho.

CompartilharWhatsAppXLinkedInFacebook

Leia também