Resumo Técnico: A-MapReduce: Executando Busca Ampla via MapReduce Agêntico

1. Declaração do Problema

Sistemas multiagentes (MAS) contemporâneos baseados em Grandes Modelos de Linguagem (LLMs) demonstraram sucesso significativo em tarefas de "busca profunda" (deep search), que dependem de raciocínio iterativo e estruturalmente vertical. No entanto, esses sistemas enfrentam dificuldades com tarefas de busca ampla (wide search) — cenários caracterizados por uma recuperação de larga escala e orientada à amplitude, onde o objetivo é cobrir um conjunto massivo de entidades fracamente acopladas e agregá-las em uma saída estruturada.

Os frameworks agênticos existentes, projetados em torno de raciocínio sequencial e vertical, enfrentam duas limitações primárias quando aplicados à busca ampla:

1. Dilema de Gestão de Alvos: A maioria dos MAS depende de histórico de diálogo implícito ou planos de formato livre para gerenciar alvos de recuperação. Em execuções de longo horizonte, isso leva a entradas perdidas, recuperação redundante e desalinhamento de alvos.
2. Dilema de Padrão de Execução: Os sistemas atuais tipicamente replanejam pipelines de execução para cada consulta sem abstrair ou reutilizar padrões estruturais compartilhados entre consultas semelhantes. Isso impede o acúmulo de experiência e a evolução das decisões de execução.

Os autores argumentam que a busca ampla não deve ser modelada como um problema de raciocínio profundo, mas como um problema de recuperação estruturalmente horizontal que requer a organização, alocação, rastreamento e agregação de alvos de recuperação em larga escala.

2. Metodologia: A-MapReduce

Para enfrentar esses desafios, os autores propõem o A-MapReduce, um framework de execução multiagente inspirado no paradigma MapReduce de sistemas de banco de dados. Ele reconceitualiza a busca ampla como um processo de computação distribuída para recuperação estruturada, compreendendo três componentes principais:

A. Execução de MapReduce Agêntica

O framework estrutura explicitamente as decisões de execução como uma tríplice $\Theta_q = (M_q, P_q, B_q)$:

• Matriz de Tarefas ($M_q$): Codifica $N$ entidades alvo com atributos conhecidos, servindo como o esquema explícito para o escopo de recuperação.
• Template ($P_q$): Uma string específica da consulta com espaços reservados (placeholders) alinhados às colunas de $M_q$.
• Estratégia de Loteamento ($B_q$): Uma estratégia discreta (ex: por átomo, por atributo ou adaptativa) que particiona as tarefas atômicas em lotes disjuntos.

A execução segue um pipeline de dois estágios:

1. Estágio de Mapeamento (Mapping): Um agente gestor ($A_{manage}$) analisa a consulta e as observações acumuladas para amostrar uma decisão de alto nível $\Theta_q$. Ele instancia tarefas de recuperação atômicas preenchendo o template $P_q$ com as linhas de $M_q$. Essas tarefas são então particionadas em lotes baseados em $B_q$.
2. Estágio de Redução (Reducing): Agentes de busca independentes ($A_{search}$) executam os lotes em paralelo. O agente gestor agrega os resultados parciais em uma tabela unificada, valida-os contra o esquema e aciona uma rodada leve de "correção delta" (delta-patch) se a completude for violada.

B. Evolução Baseada em Experiência

O A-MAPREDUCE introduz um mecanismo de memória experiencial para impulsionar a evolução contínua das decisões de execução. A memória $\mathcal{M}$ armazena:

• Conjunto de Registros ($D$): Informações históricas ao nível da tarefa, incluindo consultas, decisões realizadas, traços de execução e feedback de utilidade.
• Pool de Dicas (Hint Pool - $H$): Dicas estruturais destiladas e reutilizáveis (ex: estratégias de loteamento ideais ou restrições de template) derivadas de sucessos passados.
• Operador de Destilação ($F_\psi$): Consolida registros em dicas representativas de nível de cluster para evitar redundância e deriva semântica.

O Ciclo de Evolução:

1. Recuperação de Memória: Para uma nova consulta, o sistema recupera registros históricos semanticamente similares, tanto positivos (alta utilidade) quanto negativos (baixa utilidade).
2. Amostragem de Decisão Condicional: O sistema constrói um prior experiencial $\Delta_q$ combinando as dicas recuperadas com registros exemplares. Este prior atua como uma âncora de decisão, enviesando a amostragem da decisão de execução $\Theta_q$ para regiões de alta utilidade histórica no espaço de decisão.
3. Atualização de Feedback: Após a execução, o sistema atualiza a memória com o novo registro e refina as pontuações das dicas com base no feedback de utilidade, permitendo a melhoria progressiva na eficiência e robustez da execução.

3. Principais Contribuições

O artigo delineia três contribuições primárias:

1. Reformulação de Paradigma: A introdução do A-MapReduce, um framework de código aberto que reformula a busca ampla como um processo de execução controlável e estilo MapReduce. Ele permite o rastreamento persistente de cobertura, mapeamento paralelizado e redução principiada em tabelas consistentes com o esquema.
2. Evolução Prática: O desenvolvimento de um mecanismo de evolução baseado em experiência que acopla a execução MapReduce à memória experiencial. Isso permite que o sistema refine progressivamente as distribuições de decisão condicionadas à consulta, levando a uma execução cada vez mais adaptativa e custo-efetiva.
3. Avaliação Experimental: Avaliação abrangente em cinco benchmarks agênticos demonstrando que o A-MapReduce alcança desempenho de estado da arte enquanto melhora significativamente a relação custo-benefício.

4. Resultados Experimentais

Os autores avaliaram o A-MapReduce em WideSearch, DeepWideSearch e um Subconjunto Agêntico-Amplo construído a partir de xBench, WebWalkerQA e TaskCraft.

• Desempenho: O A-MapReduce alcançou resultados de estado da arte no WideSearch e DeepWideSearch.
  • No WideSearch, melhorou o F1 médio de itens em 5,64% a 27,62% em comparação com fortes baselines (incluindo backbones OpenAI o3 e Gemini 2.5 Pro).
  • No DeepWideSearch, apresentou ganhos absolutos de 3,52% a 19,09% em Precisão de Entidade Central (Core Entity Accuracy) e de 9,71% a 30,18% em Column-F1 comparado a frameworks multiagentes de código aberto.
  • Alcançou uma Taxa de Sucesso de 4,43% no DeepWideSearch, superando significativamente os baselines que orbitavam próximo de 0–2%.
• Eficiência e Custo:
  • O A-MapReduce reduziu o tempo de execução em 45,8% em comparação com baselines multiagentes representativos.
  • Alcançou trade-offs superiores de custo-desempenho, economizando em média $1,10 por tarefa e reduzindo custos de API em até 47,5% enquanto entrega saídas de maior qualidade.
• Estudos de Ablação: Remover a memória experiencial resultou em uma queda de 5,15% no Item F1 e de 5,73% no Row F1, aumentando os custos. Remover as decisões estruturais (matriz de tarefas ou estratégia de loteamento) causou declínios ainda mais acentuados no desempenho, confirmando a necessidade da abordagem estruturada.

5. Significância e Alegações

O artigo afirma que o A-MapReduce aborda uma lacuna crítica em sistemas multiagentes ao deslocar o foco do raciocínio profundo e vertical para a recuperação estruturada e horizontal. Sua significância reside em:

• Gestão de Estado Explícita: Ao externalizar os objetivos de recuperação em uma matriz de tarefas alinhada ao esquema, o framework torna os estados de execução observáveis e corrigíveis, mitigando modos comuns de falha como perda de cobertura e evidências fragmentadas em tarefas de longo horizonte.
• Otimização Baseada em Experiência: O framework demonstra que sistemas multiagentes podem "aprender a planejar" ao destilar padrões de execução do histórico, em vez de meramente recuperar mais conteúdo. Isso leva a melhorias progressivas em eficiência e robustez sem exigir o retreinamento dos LLMs subjacentes.
• Escalabilidade: O design inspirado em MapReduce permite o processamento paralelo de alvos de recuperação massivos, oferecendo uma solução escalável para busca de informação de amplo escopo que os frameworks sequenciais existentes não conseguem lidar eficientemente.

Os autores concluem que o A-MapReduce fornece um paradigma de recursos eficientes e confiável para recuperação de amplo escopo, potencialmente baixando a barreira para o deploy de sistemas agênticos em escala para tarefas complexas e densas em dados.