🤖 AI

MAR:Multi-Agent Reflexion Improves Reasoning Abilities in LLMs

O artigo propõe o MAR (Multi-Agent Reflexion), um método que emprega debatedores de múltiplas personas para gerar reflexões diversas e superar a degeneração de pensamento observada na autorreflexão de agente único, melhorando significavelmente o desempenho de raciocínio em tarefas como HotPot QA e HumanEval.

Autores originais: Onat Ozer, Yuchen Wang, Grace Wu, Daniel Dosti, Honghao Zhang, Vivi De La Rue

Publicado 2026-06-09

📖 4 min de leitura☕ Leitura rápida

CC BY 4.0

Autores originais: Onat Ozer, Yuchen Wang, Grace Wu, Daniel Dosti, Honghao Zhang, Vivi De La Rue

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

O Grande Problema: A "Câmara de Eco" da IA

Imagine que você está tentando resolver um quebra-cabeça muito difícil. Você comete um erro, mas em vez de pedir ajuda a um amigo, é forçado a olhar para o seu próprio erro, escrever uma nota para si mesmo sobre o que deu errado e tentar novamente.

É assim que o sistema Reflexion original funciona. É como um aluno fazendo uma prova sozinho em uma sala. Se ele erra uma questão, ele escreve uma nota dizendo: "Errei isso porque deixei passar um detalhe", e então tenta novamente.

Os pesquisadores descobriram uma falha importante nessa abordagem: o aluno está preso demais no seu próprio modo de pensar.

Se o aluno errou porque entendeu mal as regras, sua nota de autoavaliação muitas vezes apenas repete esse mesmo mal-entendido.
Eles acabam em uma "câmara de eco", onde continuam cometendo exatamente o mesmo erro repetidamente, justificando-o com palavras ligeiramente diferentes.
Em termos técnicos do artigo, isso é chamado de "degeneração do pensamento". A IA fica presa em um ciclo de raciocínio equivocado.

A Solução: O "Painel de Especialistas"

Para corrigir isso, os autores criaram o Multi-Agent Reflexion (MAR).

Em vez de um único aluno falando consigo mesmo, imagine que a IA agora é uma equipe de especialistas sentada ao redor de uma mesa para resolver o problema. Quando a equipe comete um erro, eles não apenas escrevem uma nota; eles realizam um debate estruturado.

Aqui está como o novo sistema funciona, passo a passo:

O Ator (O Executor): Uma IA tenta resolver o problema primeiro.
A Falha: Se a resposta estiver errada, o sistema não pede apenas ao "Executor" para consertar.
O Debate (Os Críticos): O sistema convoca uma equipe de diferentes "personas" (personagens de IA especializados). Pense neles como:
- O Cético: Alguém que duvida de tudo e procura por armadilhas ocultas.
- O Lógico: Alguém que verifica se as etapas realmente fazem sentido matematicamente.
- O Criativo: Alguém que sugere ideias alternativas e ousadas.
- O Verificador: Alguém que checa se a resposta corresponde exatamente às regras.
O Juiz: Uma IA "Juiz" ouve todos esses diferentes especialistas argumentarem. Ele não apenas escolhe um vencedor; ele sintetiza os argumentos deles em uma lição clara e de alta qualidade.
A Tentativa de Novo: O "Executor" recebe essa nova lição rica e tenta novamente. Como a lição veio de um grupo diversificado, é muito mais provável que ela identifique o erro real, em vez de apenas repetir o erro antigo.

Os Resultados: Isso Funciona?

Os pesquisadores testaram isso em dois tipos de desafios muito diferentes:

O Teste do "Detetive" (HotPotQA): Isso envolve responder perguntas que exigem conectar pistas de vários documentos diferentes.
- O Resultado: O sistema de IA única (Reflexion) acertou cerca de 44% das respostas. O novo sistema de "Painel de Especialistas" (MAR) acertou 47%.
- Nota: Os autores admitem que esse progresso foi menor do que o esperado, em parte porque o sistema de avaliação para essas questões é muito rigoroso quanto a detalhes minúsculos de formatação (como um ponto final ausente), o que às vezes penalizou o raciocínio correto.
O Teste do "Programador" (HumanEval): Isso envolve escrever código de computador que deve passar em testes ocultos.
- O Resultado: O sistema de IA única fez 76,4% do código funcionar. O novo sistema de "Painel de Especialistas" fez 82,6% funcionar.
- Por que funcionou melhor aqui: Erros de programação são frequentemente loops lógicos ou erros de contagem (off-by-one). As personas "Cético" e "Lógico" foram muito boas em detectar esses tipos específicos de erros que uma IA única continuava perdendo.

A Pegadinha: Custa Mais Caro

O artigo é honesto sobre o lado negativo.

O Preço do Debate: Ter toda uma equipe argumentando exige muito mais energia e tempo do que uma pessoa pensando sozinha.
O Custo: O novo sistema utiliza cerca de 3 vezes mais poder computacional (e custa 3 vezes mais em taxas de API) do que o sistema original, porque precisa executar múltiplos modelos de IA para realizar o debate.

A Conclusão

O artigo argumenta que, embora a IA esteja ficando mais inteligente, ela ainda tem dificuldade em aprender com seus próprios erros porque fica presa em seus próprios hábitos. Ao forçar a IA a argumentar com diferentes versões de si mesma, ela rompe esses maus hábitos, encontra melhores soluções e torna-se mais confiável — embora o faça a um custo mais elevado.

É a diferença entre um artista solo tentando consertar uma pintura sozinho versus uma equipe inteira de crítica de arte apontando exatamente o que está errado e como consertar.

Resumo Técnico: Reflexão Multi-Agente (MAR)

Declaração do Problema

Embora os Grandes Modelos de Linguagem (LLMs) demonstrem fortes capacidades de raciocínio e síntese de programas, permitir que eles melhorem através da experiência sem atualizações de parâmetros continua sendo um desafio. O framework Reflexion (Shinn et al., 2023) abordou isso permitindo que agentes gerem reflexões em linguagem natural sobre falhas, armazenando-as como memória episódica para guiar tentativas futuras. No entanto, nossa replicação do Reflexion no HotPotQA e HumanEval revela deficiências sistemáticas em seu design de agente único:

Degeneração do Pensamento: O mesmo modelo atua como gerador, avaliador e refletor. Isso leva ao viés de confirmação, onde o agente repete o mesmo raciocínio falho ou justifica erros com lógica adicional também falha, em vez de identificar as causas raízes.
Colapso de Modo: As correções tendem a seguir templates estreitos e repetitivos. Na geração de código, isso se manifesta como a reprodução de estruturas problemáticas idênticas (ex: erros de "off-by-one") através das iterações.
Feedback Corretivo Limitado: As autorreflexões frequentemente falham em introduzir novos caminhos de raciocínio, fazendo com que o agente estagne em exemplos difíceis.

Metodologia

Para abordar essas limitações, introduzimos o Multi-Agent Reflexion (MAR), uma extensão estruturada que substitui a autocrítica de agente único por uma equipe coordenada de críticos diversos e orientados por personas.

Arquitetura

O MAR decompõe o processo de raciocínio em papéis distintos para reduzir pontos cegos compartilhados:

Ator ( $M_a$ ): Gera ações e respostas finais usando um modelo base (ex: GPT-3.5).
Avaliador ( $M_e$ ): Determina sucesso ou falha (ex: via testes unitários ou correspondência exata).
Módulo de Debate Multi-Agente: Acionado após uma falha, este módulo substitui o "Autorrefletor" único por um debate estruturado:
- Personas Diversas: Múltiplos agentes críticos (ex: Verificador, Cético, Lógico, Criativo) analisam a trajetória falha a partir de diferentes perspectivas. Essas personas são projetadas para variar ao longo dos eixos de Exploração de Evidências (demanda por suporte textual), Exploração (busca por hipóteses alternativas) e Rigor de Especificação.
- Processo de Debate: Os críticos diagnosticam a falha, debatem suas críticas e refinam seus argumentos ao longo de até duas rodadas.
- Juiz ( $M_j$ ): Um modelo coordenador sintetiza o debate em uma "Reflexão de Consenso". Esta reflexão agrega saídas de erro, logs de debate e estratégias acordadas.
Atualização de Memória: A reflexão de consenso é anexada à memória episódica do Ator, guiando a próxima tentativa.

Configuração Experimental

Avaliamos o MAR em dois benchmarks usando GPT-3.5 e GPT-4:

HotPotQA: Um benchmark de perguntas e respostas de múltiplos saltos (multi-hop) que requer integração de evidências entre documentos. Medimos a precisão de Correspondência Exata (EM) ao longo de 5 tentativas.
HumanEval: Um benchmark de síntese de programas que testa se funções geradas passam em testes unitários ocultos. Medimos a precisão pass@1 sobre um orçamento limitado (tentativa inicial + 1 tentativa guiada por reflexão).

Principais Resultados

Nossa replicação confirma as limitações do Reflexion de agente único e demonstra a capacidade do MAR de superá-las:

HotPotQA:
- Baseline (ReAct, GPT-3.5): 32.0% EM.
- Reflexion (Agente Único): 44.0% EM.
- MAR: 47.0% EM.
- Nota: Os autores atribuem o ganho modesto sobre o Reflexion à sensibilidade da métrica de Correspondência Exata, que penaliza respostas semanticamente corretas por pequenas diferenças de formatação.
HumanEval:
- Baseline (GPT-3.5): 67.1% pass@1.
- Reflexion (Agente Único): 76.4% pass@1.
- MAR: 82.6% pass@1.
- Isso representa um ganho de 6.2 pontos sobre o Reflexion, indicando que o MAR escapa mais efetivamente de modos de falha repetitivos na geração de código.

Contribuições e Significância

O artigo reivindica as seguintes contribuições:

Identificação de Modos de Falha: Através de logs detalhados, identificamos que o Reflexion de agente único sofre de viés de confirmação e colapso de modo, levando a erros de raciocínio repetidos.
Multi-Agent Reflexion (MAR): Propomos um framework que separa atuação, diagnóstico, crítica e agregação. Ao introduzir diversas personas de raciocínio e um modelo juiz, o MAR reduz pontos cegos compartilhados e evita o reforço de erros anteriores.
Validação Empírica: O MAR supera consistentemente tanto o baseline quanto o Reflexion de agente único em tarefas de raciocínio e síntese de código, demonstrando que a interação multi-agente oferece um caminho simples e livre de treinamento para agentes de LLM mais confiáveis.

Limitações e Impacto Social

Os autores reconhecem que o MAR incorre em um custo computacional significativo. Os passos de debate multi-agente e síntese do juiz resultam em um aumento de aproximadamente 3x nas chamadas de API e latência em comparação ao Reflexion de agente único. Isso levanta preocupações sobre escalabilidade, consumo de energia e acessibilidade econômica. Além disso, o artigo observa que agentes de autorrefinamento introduzem desafios de segurança e governança, uma vez que comportamentos multi-agentes emergentes podem se tornar mais difíceis de prever ou alinhar.

Em conclusão, embora o MAR ofereça um método escalável e livre de treinamento para melhorar a confiabilidade de LLMs através do desacordo estruturado, sua implementação exige uma avaliação cuidadosa da eficiência e do impacto ambiental.