💬 NLP

AOrchestra: Automating Sub-Agent Creation for Agentic Orchestration

O AOrchestra é um sistema de orquestração que automatiza a criação de subagentes especializados por meio de uma abstração unificada (Instrução, Contexto, Ferramentas e Modelo), permitindo a resolução de tarefas complexas de forma dinâmica, adaptável e eficiente em termos de custo.

Autores originais: Jianhao Ruan, Zhihao Xu, Yiran Peng, Fashen Ren, Zhaoyang Yu, Xinbing Liang, Jinyu Xiang, Yongru Chen, Bang Liu, Chenglin Wu, Yuyu Luo, Jiayi Zhang

Publicado 2026-02-10

📖 3 min de leitura☕ Leitura rápida

CC BY 4.0

Autores originais: Jianhao Ruan, Zhihao Xu, Yiran Peng, Fashen Ren, Zhaoyang Yu, Xinbing Liang, Jinyu Xiang, Yongru Chen, Bang Liu, Chenglin Wu, Yuyu Luo, Jiayi Zhang

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

Imagine que você é o dono de uma grande empresa de construção civil. Você tem um objetivo gigante: "Construir um arranha-céu sustentável".

Se você tentar fazer tudo sozinho — desde desenhar a planta, comprar o cimento, até instalar a fiação elétrica e pintar as paredes — você vai enlouquecer, cometer erros e demorar anos.

Até hoje, os "robôs inteligentes" (os agentes de IA) tentavam resolver problemas de duas formas:

O General Rígido: Ele tem uma lista de funcionários fixos (o eletricista, o pedreiro, o pintor). Se surgir um problema de encanamento e você não tiver um encanador na lista, o projeto trava.
O Funcionário Sobrecarregado: Ele tenta fazer tudo, mas conforme o projeto cresce, ele começa a esquecer o que foi decidido no início (o que os cientistas chamam de "podridão de contexto").

O AORCHESTRA é como se você contratasse um Gerente de Projetos Genial.

Como o AORCHESTRA funciona? (A analogia do "Chef de Cozinha sob Demanda")

Em vez de ter uma equipe fixa, o AORCHESTRA funciona como um Chef de Cozinha que, toda vez que surge um desafio novo, "fabrica" um especialista na hora.

Imagine que o Chef precisa fazer um prato complexo. Ele não apenas chama um "ajudante"; ele cria uma "Receita de Especialista" composta por quatro ingredientes mágicos (o que o artigo chama de 4-tuple):

Instrução (O que fazer): "Você vai apenas picar cebolas em cubos perfeitos."
Contexto (O que saber): "Use apenas estas cebolas que estão na cesta azul; ignore as que estão na cesta vermelha." (Isso evita que o ajudante se confunda com informações inúteis).
Ferramentas (O que usar): "Você só tem permissão para usar esta faca específica e esta tábua."
Modelo (Quem vai fazer): "Para isso, chame o estagiário (um modelo de IA barato e rápido). Mas, se precisar descascar um coco, chame o mestre chef (um modelo de IA caro e poderoso)."

Por que isso é revolucionário?

Especialização sob demanda: Se o problema for um erro de código de computador, o Gerente cria um "Programador de Elite". Se o problema for uma pesquisa na internet, ele cria um "Detetive de Dados". Ele não desperdiça um mestre para tarefas simples, nem usa um aprendiz para tarefas impossíveis.
Memória Limpa: Em vez de dar todo o histórico de 500 páginas para o ajudante (o que o deixaria confuso), o Gerente dá apenas o "resumo essencial" para aquela tarefa específica. É como dar a um carpinteiro apenas a medida da porta, em vez de dar a planta da casa inteira.
Economia Inteligente: O sistema aprende a equilibrar o custo. Ele sabe quando pode usar uma IA "baratinha" para tarefas fáceis e quando precisa investir em uma IA "premium" para resolver o problema crítico.

O Resultado na Prática

Os pesquisadores testaram o AORCHESTRA em tarefas extremamente difíceis (como resolver problemas reais de programação e navegar em computadores). O resultado? Ele foi muito superior aos sistemas atuais. Ele não apenas resolve mais problemas, mas faz isso de forma mais inteligente, errando menos e sabendo se corrigir quando algo dá errado.

Em resumo: O AORCHESTRA transforma a IA de um "trabalhador solitário" em um "maestro de uma orquestra de especialistas criados instantaneamente para cada nota musical".

Resumo Técnico: AORCHESTRA

1. O Problema (Contexto e Motivação)

Com o aumento da complexidade de tarefas de longo horizonte (long-horizon tasks), o paradigma de "agente único" tornou-se insuficiente. A tendência atual é o uso de sistemas multi-agentes ou o paradigma de "sub-agentes como ferramentas". No entanto, o artigo identifica duas limitações críticas nos designs atuais:

Sub-agentes como threads de isolamento de contexto: Embora evitem a "degradação de contexto" (context rot), esses sistemas falham em fornecer capacidades especializadas para sub-tarefas específicas.
Sub-agentes como papéis estáticos: Sistemas que utilizam papéis pré-definidos (ex: "Programador", "Pesquisador") são inflexíveis, exigem pesado esforço de engenharia humana e não conseguem cobrir a variedade dinâmica de sub-tarefas em ambientes abertos.

O desafio central é: como criar sub-agentes especializados de forma dinâmica, sob demanda, que possuam o contexto exato e as ferramentas necessárias para uma sub-tarefa específica?

2. Metodologia (A Abordagem AORCHESTRA)

A solução proposta é o AORCHESTRA, um framework de orquestração centrado em um orquestrador que não executa tarefas diretamente, mas sim "instancia" sub-agentes.

A Abstração de 4-Tupla ( $\Phi$ ):
O núcleo da inovação é tratar qualquer agente como uma unidade instanciável definida por uma tupla composta por:

Instruction (I): O objetivo específico e os critérios de sucesso da sub-tarefa.
Context (C): Memória de trabalho curada (apenas as informações relevantes para aquela sub-tarefa, filtrando ruídos).
Tools (T): O conjunto de ferramentas (action space) necessário para a execução.
Model (M): O modelo de linguagem subjacente (permitindo escolher modelos mais fortes ou mais baratos conforme a necessidade).

O Processo de Orquestração:
O orquestrador opera em um espaço de ação simplificado: Delegate(Φ) (delegar uma tarefa criando a tupla acima) ou Finish(y) (encerrar com a resposta final). Isso desacopla a orquestração (planejamento e decomposição) da execução (resolução da sub-tarefa).

Aprendizado do Orquestrador:
O framework permite que a política de orquestração seja otimizada de duas formas:

Supervised Fine-Tuning (SFT): Treinar o orquestrador para melhorar a decomposição de tarefas e a síntese da tupla.
In-Context Learning (ICL) para Custo-Eficiência: Otimizar o prompt do orquestrador iterativamente para encontrar o equilíbrio ideal entre desempenho e custo (seleção inteligente de modelos).

3. Principais Contribuições

Framework Agnóstico: O sistema é "plug-and-play", permitindo que qualquer implementação de sub-agente (ReAct, Mini-SWE, etc.) seja usada.
Especialização sob Demanda: Capacidade de gerar executores personalizados em tempo de execução.
Gestão de Contexto Inteligente: Ao curar o contexto para cada sub-agente, o sistema mitiga o problema de excesso de informação irrelevante que prejudica o raciocínio.
Otimização de Pareto: Capacidade de ajustar o trade-off entre custo e performance através do roteamento de modelos.

4. Resultados Experimentais

O AORCHESTRA foi testado em três benchmarks desafiadores: GAIA (mundo digital geral), SWE-Bench-Verified (engenharia de software) e Terminal-Bench (ambiente de terminal Linux).

Desempenho Superior: Quando pareado com o modelo Gemini-3-Flash, o AORCHESTRA alcançou uma melhoria relativa de 16,28% em relação ao baseline mais forte.
GAIA: Obteve 80,00% de precisão (pass@1), superando significativamente o OpenHands.
Terminal-Bench: Demonstrou uma melhoria absoluta de 64,29 pontos em relação ao Mini-SWE.
Eficiência de Custo: Através de aprendizado por contexto (ICL), o sistema conseguiu melhorar a precisão no GAIA enquanto reduzia o custo médio em 18,5%, movendo o sistema para uma fronteira de Pareto mais eficiente.

5. Significância

A importância deste trabalho reside na mudança de paradigma: de sistemas de agentes com fluxos de trabalho rígidos para sistemas de orquestração dinâmica. O AORCHESTRA prova que a automação da criação de agentes (em vez de apenas a automação de tarefas) é uma via poderosa para escalar a inteligência de agentes em tarefas complexas e de longo horizonte, reduzindo a necessidade de intervenção humana e otimizando o uso de recursos computacionais.