#6 Skills que ficam, alertas que se espalham e modelos que simplesmente decidem
O novo framework do Google dá aos agentes de IA uma memória que realmente dura¶
Pesquisadores do Google e da Virginia Tech apresentaram o WikiSkill, um framework que ajuda agentes de IA a construir e aprimorar "skills" reutilizáveis ao longo do tempo. A maioria dos sistemas que permitem que agentes aprendam com a experiência tem um problema em comum: as lições aprendidas ficam espalhadas por diferentes rodadas de otimização e são difíceis de reaproveitar depois.
Essa nova ferramenta resolve isso dividindo a memória do agente em três camadas. Uma camada bruta armazena cada rastro de execução exatamente como aconteceu. Uma camada de wiki transforma esses rastros em conhecimento organizado e duradouro, registrando padrões, falhas e o que já foi tentado e descartado. Uma camada de skills guarda os procedimentos que o agente de fato usa, e esses procedimentos são atualizados com base no que a wiki aprendeu.
Pessoalmente, acredito que essa é uma ótima solução para reter conhecimento entre projetos diferentes. Um ponto que vale acompanhar é como essas skills evoluídas vão se transferir para futuras versões de modelos. Se os resultados de transferência deste artigo servirem de indicação, isso pode dar às equipes uma enorme vantagem na construção de conhecimento persistente ao longo do tempo.
WikiSkill: Compiling Agent Experience into Persistent Knowledge for Skill EvolutionLiyan Tang and colleagues at Google separate raw execution experience, accumulated knowledge, and executable skills, keeping a persistent wiki that consolidatesacademy.dair.ai
Alerta genuíno ou só mais um bom marketing do medo?¶
Durante minhas férias, encontrei um tweet de Jacob Coxon, ex-pesquisador de pré-treinamento da Anthropic e da OpenAI. Ele afirma que nenhuma das duas empresas está agindo de forma responsável.
Ele alertou que estamos subestimando sistemas que em breve serão sobre-humanos, capazes de hackear qualquer coisa, revolucionar campos inteiros da noite para o dia e adquirir poder e recursos reais. Segundo ele, isso não é jogada de marketing. Muitas pessoas dentro dos principais laboratórios acreditam, em particular, que a IA pode matar todos nós até o fim da década, mesmo que os executivos suavizem esse discurso em público.
Não estou 100% convencido de que ele está contando toda a verdade aqui. Mas vale lembrar que essas empresas disseram recentemente que talvez precisem desacelerar o desenvolvimento da IA. No fim das contas, quem está disposto a ser o primeiro a fazer isso de verdade e correr o risco de perder a corrida?
Jacob Coxon (@hilbertspaess) on XI resigned from Anthropic today. I spent the last three years doing pretraining research at both OpenAI and Anthropic. Neither company is acting responsibly. They are racing straight to self-improving superintelligence and gambling with our lives. More thoughts below.X (formerly Twitter)
Uma nova ferramenta vem aí?¶
O Jev é um modelo de IA de fronteira especializado, lançado pela TypeSafe AI, empresa fundada pelo ex-pesquisador da OpenAI Diogo Almeida. Diferente de chatbots convencionais de texto generativo, como ChatGPT ou Claude, o Jev é um modelo sem chat, focado em decisões, criado especificamente para tarefas rápidas de avaliação e classificação com baixa latência.
O Jev recebe o estado do programa junto com perguntas estruturadas e tipadas e devolve decisões instantâneas com pontuações de probabilidade calibradas, seja um sim ou não, uma categoria ou uma nota, em vez de gerar texto em linguagem natural.
Em velocidade e custo, o Jev roda bem mais rápido do que LLMs tradicionais, com avaliações entre 70 ms e 500 ms. Ele custa US$ 0,042 por milhão de tokens de entrada, com tokens de saída totalmente gratuitos, o que o torna até 400 vezes mais barato para fluxos de decisão de alto volume.
Na prática, isso abre vários casos de uso. Para pontuação e triagem de leads, o Jev pode ler automaticamente formulários de contato ou tickets de suporte e encaminhá-los ou qualificá-los na hora por urgência e probabilidade. Para triagem de e-mails e documentos, ele filtra grandes volumes de documentos, candidaturas ou e-mails sem gerar respostas longas de chat. Para agentes autônomos e de jogos, ele oferece pontos de decisão rápidos, como pathfinding dinâmico ou decidir se um agente no jogo deve atacar ou recuar com base na vida dele em tempo real. E, para fluxos de negócio em tempo real, ele permite gerar orçamentos na hora, fazer matching em marketplaces e automação web ultrarrápida.
Ainda é cedo para dizer que essa é a nova bala de prata, só o tempo dirá. Mas o Jev parece uma ótima ferramenta para respostas binárias rápidas.
