Resumo Técnico: De LLMs Autônomos a Inteligência Integrada: Uma Pesquisa de Sistemas de IA Compostos

1. Declaração do Problema

Embora os Modelos de Linguagem de Grande Escala (LLMs) tenham evoluído para infraestrutura fundamental de IA, eles possuem limitações estruturais inerentes que impedem sua implantação em ambientes dinâmicos do mundo real. Essas limitações incluem alucinação (saída fluente, mas factualmente imprecisa), obsolescência (incapacidade de acessar conhecimento pós-treinamento) e raciocínio limitado (janelas de contexto finitas que restringem o raciocínio multi-hop e a decomposição de tarefas de longo horizonte).

Para superar essas barreiras, a comunidade está convergindo para Sistemas de IA Compostos (CAIS). CAIS são definidos como arquiteturas modulares e extensíveis que integram LLMs com componentes externos especializados — como recuperadores, agentes que utilizam ferramentas, planejadores simbólicos, módulos de memória e codificadores multimodais. No entanto, apesar da crescente adoção, o cenário dos CAIS permanece fragmentado. A literatura existente aborda componentes isolados (por exemplo, pesquisas específicas sobre RAG, frameworks de agentes ou métodos de otimização), mas carece de um framework unificado, em nível de sistema, para análise, taxonomia e avaliação que sintetize as interações em toda a pilha tecnológica.

2. Metodologia

Os autores conduziram uma pesquisa sistemática baseada em uma busca estruturada na literatura em quatro grandes bases de dados acadêmicas (ACM Digital Library, arXiv, IEEE Xplore, Semantic Scholar) e inspeção manual dos anais de conferências de alto nível (ACL, NeurIPS, ICML, CVPR, etc.).

• Escopo da Busca: Publicações de 2020 ao início de 2026, visando o período seguinte à introdução do GPT-3 e trabalhos seminais sobre RAG.
• Critérios de Seleção: Artigos foram incluídos se utilizassem um LLM como componente principal de raciocínio combinado com pelo menos um módulo externo (recuperador, ferramenta, memória, API, codificador ou framework de orquestração) e apresentassem resultados empíricos, arquiteturas ou análises sistemáticas novos.
• Corpus Final: Aproximadamente 220 artigos foram retidos e analisados.
• Construção da Taxonomia: Os autores organizaram o cenário ao longo de quatro eixos ortogonais: Geração Aumentada por Recuperação (RAG), Agentes LLM, LLMs Multimodais (MLLMs) e Orquestração.

3. Contribuições Principais

A. Taxonomia Multidimensional e Framework Unificado

O artigo propõe uma representação formal de CAIS como uma função $f(L, C, D)$, onde:

• $L$: O conjunto de LLMs (gerais ou ajustados).
• $C$: O conjunto de componentes externos (ferramentas, recuperadores, codificadores, etc.).
• $D$: O design do sistema definindo arquitetura, topologia e coordenação.

A pesquisa integra quatro eixos fundamentais em um framework coeso:

1. RAG: Ancoragem de LLMs em memória não paramétrica externa.
2. Agentes LLM: Tomada de decisão autônoma, planejamento e uso de ferramentas em loops iterativos.
3. MLLMs: Extensão de LLMs para perceber e raciocinar sobre modalidades não textuais (imagens, áudio, vídeo).
4. Orquestração: O design estrutural e de coordenação que integra todos os componentes.

B. Análise Comparativa e Trade-offs

O artigo fornece quatro tabelas de comparação estruturadas que sintetizam os trade-offs de design para cada eixo:

• Paradigmas de Recuperador RAG (Tabela 2): Compara abordagens Esparsa, Densa, Baseada em Grafos, Híbrida e LLM-como-Recuperador em termos de latência, recall, escalabilidade, interpretabilidade e especificidade de domínio. Destaca que recuperadores híbridos frequentemente alcançam o maior recall, enquanto LLM-como-recuperador oferece flexibilidade a custos de inferência elevados.
• Frameworks de Raciocínio de Agentes LLM (Tabela 3): Analisa frameworks como Cadeia de Pensamento (Chain-of-Thought), ReAct, Árvore de Pensamentos (Tree of Thoughts), Reflexão (Reflexion) e Self-RAG. Observa que, embora o ReAct seja a base mais amplamente adotada para uso de ferramentas, a Árvore de Pensamentos incorre em altos custos computacionais para planejamento profundo, e a Reflexão oferece forte recuperação de erros via memória.
• Arquiteturas MLLM (Tabela 5): Compara estratégias de fusão (atenção cruzada, ponte Q-Former, projeção linear, nativa ponta a ponta). Identifica que, embora o treinamento nativo ponta a ponta (por exemplo, Gemini) ofereça raciocínio robusto, abordagens modulares (por exemplo, LLaVA, BLIP-2) oferecem melhor eficiência e atualizabilidade.
• Frameworks de Orquestração (Tabela 7): Avalia frameworks como LangChain, AutoGen, DSPy e CrewAI com base em topologia, mecanismos de coordenação e suporte a ferramentas.

C. Cenário de Padronização e Interoperabilidade

A pesquisa mapeia a pilha de padronização emergente como uma arquitetura de três camadas:

1. Camada de Esquema: Interfaces de ferramentas estruturadas (por exemplo, chamada de função OpenAI, Esquema JSON).
2. Camada de Protocolo de Acesso a Ferramentas: O Protocolo de Contexto do Modelo (MCP), que padroniza a comunicação entre sistemas de IA e servidores de ferramentas externos.
3. Camada de Interoperabilidade de Agentes: Protocolos entre frameworks, incluindo Agente-a-Agente (A2A), Protocolo de Comunicação de Agente (ACP), Protocolo de Rede de Agentes (ANP) e Especificação de Agente.
   Os autores argumentam que a interoperabilidade está convergindo através de "tradução e camadas" (adaptadores e representações intermediárias) em vez de um único padrão universal.

D. Metodologias de Avaliação

O artigo revisa benchmarks nos quatro eixos, notando uma lacuna persistente em métricas unificadas em nível de sistema.

• RAG: Avaliado na qualidade de recuperação (MRR, nDCG) e factualidade da geração (EM, F1) usando conjuntos de dados como HotpotQA e BEIR.
• Agentes: Avaliados na fidelidade do papel, precisão do traço de raciocínio e eficiência no uso de ferramentas.
• MLLMs: Testados em QA visual, compreensão de documentos e alinhamento de segurança (por exemplo, MM-SafetyBench).
• Orquestração: Medida através de desempenho de infraestrutura (throughput, latência) e métricas de coordenação do sistema.

4. Resultados e Descobertas

• Complexidade do Sistema: CAIS introduzem sobrecarga de engenharia significativa. Depuração e otimização tornam-se super-linearmente difíceis à medida que o número de componentes integrados aumenta.
• Modos de Falha: A pesquisa identifica modos de falha específicos em MLLMs (alucinação visual, inconsistência cross-modal) que propagam erros através de toda a pipeline de CAIS.
• Trade-offs de Design: Não há uma configuração ótima única. Por exemplo, enquanto recuperadores densos capturam similaridade semântica, eles carecem da interpretabilidade de métodos esparsos; similarmente, o treinamento de MLLM ponta a ponta produz desempenho forte, mas sacrifica modularidade.
• Lacunas de Padronização: Embora protocolos como MCP estejam ganhando tração, a governança de segurança (autenticação, sandboxing) para interfaces padronizadas permanece subdesenvolvida, introduzindo novas superfícies de ataque.

5. Significância e Alegações

O artigo posiciona-se como a primeira síntese abrangente, entre eixos e em nível de sistema de Sistemas de IA Compostos. Sua significância reside em:

1. Unificar Pesquisa Fragmentada: Conecta a lacuna entre pesquisas isoladas sobre RAG, agentes e modelos multimodais, fornecendo um vocabulário compartilhado e um framework conceitual.
2. Fornecer um Blueprint de Design: Ao formalizar o modelo $f(L, C, D)$ e analisar trade-offs, oferece a pesquisadores e praticantes uma fundação para projetar sistemas de IA de próxima geração que vão além de "solistas autônomos" para "orquestradores de conjuntos heterogêneos de IA".
3. Identificar Desafios Críticos: Esboça explicitamente direções de pesquisa abertas, incluindo a necessidade de pipelines treináveis ponta a ponta, métricas de avaliação unificadas para tarefas interativas/multimodais e frameworks de governança robustos para interoperabilidade.

Os autores concluem que, à medida que os CAIS se expandem para ambientes do mundo real, multimodais e interativos, uma perspectiva em nível de sistema que sintetiza recuperação, agência, percepção e orquestração é essencial para avançar o campo.