“Os loops são apenas a próxima moda passageira?”, perguntou o entrevistador, “ou são para valer?”
A resposta de Cherny foi um enfático: “Sim, são reais.”
“Há dois anos, escrevíamos o código-fonte manualmente. Começamos a transição para que os agentes escrevessem o código. E agora estamos chegando ao ponto em que os agentes solicitam informações a outros agentes, que então escrevem o código”, continuou ele. “Por mais importante que tenha sido a transição do código-fonte para os agentes, os loops são igualmente importantes e representam um grande avanço.”
Mais adiante na palestra (por volta dos 32 minutos do vídeo do YouTube mencionado acima), Cherny especificou os ciclos que ele executa continuamente em seu próprio trabalho. Um agente busca constantemente maneiras de aprimorar a arquitetura do código, enquanto outro procura por abstrações duplicadas que possam ser unificadas. Eles enviam solicitações de pull como qualquer outro programador e, como o código está em constante mudança, nunca param de executar.
É uma ideia poderosa, especialmente com uma figura tão importante quanto Cherny por trás dela. Com a transição para a IA agente, o foco da maioria dos usuários tem sido gerenciar seus agentes da melhor maneira possível: estabelecer metas claras, verificar unidades discretas de progresso e não deixá-los se desviarem muito do que foi solicitado. O loop leva isso um passo adiante, autorizando um enxame de agentes a trabalhar continuamente em segundo plano, indefinidamente. É muita confiança depositada na IA — mas, com os modelos melhorando rapidamente, pode ser o próximo passo para que a IA execute tarefas reais.
A primeira coisa a reconhecer é que isso não é totalmente novo. Loops recursivos — funções que chamam a si mesmas para repetir uma ação, juntamente com uma condição que interrompe o loop — são um elemento básico dos cursos introdutórios de ciência da computação. Esses loops seguem uma lógica não determinística — ou seja, é um subagente que escolhe quando interromper o loop, em vez de uma condição clara —, mas a mesma abordagem básica está em ação. Assim que os programadores começaram a usar IA para concluir tarefas, alguma versão do loop recursivo, com IA supervisionando IA, inevitavelmente surgiria.
Ao contrário da computação clássica, os loops de agentes podem ser exasperantemente simples. Um dos truques mais populares é o Loop de Ralph (em homenagem a Ralph Wiggum), que basicamente resume todo o trabalho realizado pelo modelo e verifica se ele atingiu seu objetivo. É uma maneira de lidar com modelos de IA que se perdem quando executam por muito tempo — essencialmente, fazendo o modelo ir e voltar repetidamente até que a tarefa seja concluída.
Outra forma de pensar em loops é como parte do esforço geral para aumentar o poder computacional durante os testes. Como observou Noam Brown, pesquisador da OpenAI, no início deste mês , os modelos contemporâneos podem resolver praticamente qualquer problema se receberem poder computacional suficiente. Isso significa que uma maneira de garantir a solução de um problema é simplesmente continuar investindo em poder computacional até que ele seja concluído. Isso é particularmente verdadeiro para problemas de escalada de colina, como aprimorar uma base de código, em que o modelo pode continuar fazendo melhorias incrementais até atingir um determinado limite. Ou, como no exemplo de Cherny, ele pode continuar fazendo melhorias incrementais enquanto houver poder computacional disponível.
Se isso parece caro, é porque deveria. Assim como a IA agente antes dela, os loops de IA consomem tokens muito mais rápido do que chatbots simples de perguntas e respostas — e como o objetivo é manter o loop funcionando o tempo todo, não há limite para o quanto você pode gastar. Isso não é um problema para a Anthropic, que, em última análise, está no negócio de venda de tokens, mas para todos os outros, pode ser uma forma cara de trabalhar.
Ainda assim, dependendo do problema que o loop agentivo está tentando resolver, e da configuração correta que permita a supervisão do gasto de tokens, desvios e outros problemas clássicos de IA, os benefícios podem ser tão impressionantes a ponto de superar os custos.
