LangChain e Manus Revelam o Segredo para Agentes de IA Mais Inteligentes: A "Engenharia de Contexto"

Especialistas detalham técnicas para evitar a degradação de performance em sistemas autônomos, focando em gerenciamento de memória e arquitetura inteligente.

Em um webinar recente que reuniu duas das mentes mais influentes no desenvolvimento de agentes de Inteligência Artificial, Lance, engenheiro fundador da LangChain, e Pete, cofundador e cientista-chefe da Manus, mergulharam fundo em um dos maiores desafios da área: a Engenharia de Contexto. O evento destacou estratégias cruciais para construir agentes de IA que não apenas são poderosos, mas também estáveis e eficientes a longo prazo.

O problema central, apelidado de "context rot" (apodrecimento do contexto), é um paradoxo conhecido por qualquer desenvolvedor no campo. Agentes de IA autônomos precisam de um vasto histórico de informações — o "contexto" — para realizar tarefas complexas, que podem envolver mais de 50 interações com ferramentas. No entanto, à medida que essa janela de contexto se enche, o desempenho do modelo de linguagem (LLM) tende a cair drasticamente, levando a erros, repetições e perda de foco.

"Engenharia de Contexto é a arte e a ciência de preencher a janela de contexto com exatamente a informação certa, no momento certo", explicou Lance, estabelecendo o tom do debate.

Pete, da Manus, aprofundou o tema, revelando as táticas que sua plataforma utiliza para manter seus agentes ágeis. Ele introduziu uma distinção fundamental na redução de contexto:

• Compactação: Uma técnica reversível que remove dados do histórico que podem ser reconstruídos a partir de fontes externas, como um sistema de arquivos. Nenhuma informação é verdadeiramente perdida.
• Summarização: Um processo irreversível que usa a própria IA para resumir partes antigas da conversa, economizando espaço ao custo de perda de detalhes.

Outra estratégia chave é o descarregamento de contexto, onde resultados massivos de ferramentas (como uma pesquisa na web) são salvos em arquivos externos. O agente recebe apenas uma referência a esse arquivo, mantendo o histórico principal limpo e focado.

Talvez a revelação mais inovadora da Manus tenha sido seu "Espaço de Ação em Camadas". Em vez de sobrecarregar o modelo com dezenas de ferramentas, a Manus oferece um conjunto pequeno de funções "atômicas", como executar comandos em um ambiente seguro (sandbox). A partir daí, o agente pode acessar um vasto leque de utilitários e até mesmo escrever seus próprios scripts para interagir com APIs, expandindo suas capacidades de forma quase infinita sem poluir seu contexto imediato.

No entanto, o conselho mais surpreendente de Pete foi contra a complexidade excessiva. "Os maiores saltos de qualidade que vimos vieram da simplificação da nossa arquitetura, não da adição de mais camadas", afirmou. "O objetivo é tornar o trabalho do modelo mais fácil, não mais difícil. Construa menos e entenda mais."

Lições Frescas da Vanguarda da IA

Pete enfatizou que o campo evolui tão rapidamente que as melhores práticas de seis meses atrás já podem estar desatualizadas. Aqui estão os principais aprendizados que ele destacou:

• Compactação é Diferente de Sumarização: A lição mais crucial foi a distinção entre Compactação (reversível), que externaliza dados sem perdê-los (ex: salvar o resultado de uma ferramenta em um arquivo e manter apenas o caminho no histórico), e a Sumarização (irreversível), que usa um LLM para resumir informações, resultando em perda permanente de detalhes.
• Use Esquemas para Sumarizar: Para combater a perda de informação na sumarização, a Manis abandonou os prompts de texto livre. Em vez disso, eles usam esquemas estruturados (como um formulário) para garantir que o LLM sempre capture os pontos críticos da conversa de forma consistente.
• Arquitetura em Camadas para Ferramentas: Para evitar a "confusão de contexto" causada por muitas ferramentas, a Manis desenvolveu um "Espaço de Ação em Camadas". O modelo interage com um pequeno conjunto de funções atômicas, que por sua vez podem acionar um vasto arsenal de utilitários em um ambiente seguro (sandbox) ou até mesmo escrever e executar scripts complexos.
• Agentes por Função, Não por Papel: Ao contrário da tendência de criar sub-agentes baseados em papéis humanos ("designer", "gerente"), a Manis foca em agentes com funções sistêmicas claras ("planejador", "executor", "gerenciador de conhecimento"), evitando a complexidade da comunicação entre múltiplos "egos" artificiais.
• O Poder da Simplificação: A lição mais contraintuitiva foi que os maiores saltos de qualidade vieram ao remover complexidade e confiar mais na capacidade do modelo. "Construa menos e entenda mais", aconselhou Pete, alertando contra a "superengenharia" de soluções.

A mensagem do webinar foi clara: o futuro dos agentes de IA autônomos não depende apenas de modelos de linguagem maiores, mas de uma arquitetura de aplicação mais inteligente. As técnicas de Engenharia de Contexto representam uma mudança fundamental de "força bruta" para estratégia, permitindo que os desenvolvedores construam sistemas mais robustos, eficientes e verdadeiramente capazes de lidar com a complexidade do mundo real.