Os pesquisadores Yuxing Lu, Yicheng Chen e Shanchan Wu lançaram um framework de "Grafo Procedural" (Procedural Graph) que permite que agentes de modelos de linguagem de grande escala (LLM) reescrevam seus próprios planos de execução de tarefas enquanto trabalham.
O problema com os agentes atuais
A maioria dos assistentes baseados em LLM age como um chef que só consegue recitar uma receita. O modelo armazena as etapas em uma memória transitória, escolhe a próxima ferramenta e espera que o próximo token seja gerado corretamente. Na prática, três falhas ocorrem com frequência:
- Desvio de objetivo (Goal drift) – após algumas interações, o agente esquece o objetivo original.
- Uso indevido de ferramentas – ele chama uma API na ordem errada ou entra em loop na mesma chamada.
- Erros não aprendidos – o mesmo erro ressurge em sessões não relacionadas porque nada registra a falha de forma permanente.
Como o raciocínio permanece implícito, os desenvolvedores não conseguem ver por que uma ação ocorreu, e os usuários não conseguem corrigir falhas sistemáticas.
Transformando prompts em um grafo
Os Grafos Procedurais substituem a abordagem de "apenas memória" por uma estrutura explícita e editável. O framework define três elementos centrais:
| Elemento | Função |
|---|---|
| Nó (Node) | Uma etapa concreta, como "Pesquisar voo" ou "Verificar pagamento". |
| Aresta (Edge) | O fluxo entre os nós – sequências em linha reta, ramificações condicionais (if/then) e loops. |
| Atributo (Attribute) | Metadados anexados a um nó ou aresta, por exemplo, taxa de sucesso, tempo médio de execução ou pontuação de confiança. |
Quando um agente LLM recebe uma solicitação, ele primeiro mapeia o pedido em um grafo existente ou constrói um novo instantaneamente. A execução então segue as arestas, invoca ferramentas e armazena os resultados nos atributos. Como o grafo reside fora do fluxo de tokens do modelo, as pessoas podem inspecioná-lo, visualizá-lo e editá-lo.
Autoevolução em cinco etapas
A novidade reside no loop que permite ao agente melhorar seu próprio grafo:
- Registrar cada caminho que o agente percorre, registrando entradas, chamadas de ferramentas e resultados.
- Comparar caminhos bem-sucedidos com os que falharam, identificando onde eles divergem.
- Diagnosticar o erro examinando os atributos dos nós (ex: baixa taxa de sucesso) e as condições das arestas.
- Propor edições – o LLM recebe a análise da falha e sugere modificações no grafo (adicionar uma etapa de validação ausente, remover um loop redundante, restringir uma condição).
- Validar o grafo revisado em uma instância de teste; se o desempenho melhorar, a alteração é mantida.
Como o grafo serve como a única fonte de verdade, o agente pode adicionar etapas, descartar becos sem saída ou reconfigurar a lógica sem ajuda humana. Mesmo um fluxo de trabalho mal estruturado criado por humanos pode se "curar" com o tempo.
Por que essa mudança é importante
Generalização além da memorização
Um prompt estático captura apenas uma instância de tarefa. Um grafo abstrai o "como fazer" para uma classe inteira — busca e reserva, pipelines de entrada de dados, diálogos de solução de problemas — para que a mesma estrutura funcione com diferentes parâmetros. As equipes não precisam mais reenviar prompts ao modelo para cada variação.
Tomada de decisão transparente
O grafo se parece com um fluxograma. As partes interessadas podem rastrear exatamente qual nó acionou uma chamada de ferramenta e por que um caminho foi tomado.
Sinergia neuro-simbólica
Os Grafos Procedurais combinam o reconhecimento de padrões de deep learning (a compreensão de linguagem do LLM) com o raciocínio simbólico (a lógica explícita do grafo). O LLM fornece a intuição para gerar ou modificar etapas; o grafo impõe a consistência lógica. Os autores descrevem isso como dar aos LLMs um cérebro de "Sistema 2" — um controlador deliberado e verificável que complementa o "Sistema 1" rápido e associativo da previsão bruta de tokens.
Conclusão
Os Grafos Procedurais dão aos agentes LLM uma espinha dorsal mutável e inspecionável que permite que eles aprendam com cada execução. Ao transformar prompts passageiros em estruturas duradouras, a abordagem promete assistentes de IA que são mais difíceis de quebrar, mais fáceis de entender e mais adaptáveis a novos desafios.