🧬 biology

Cognitive Models and AI Algorithms Provide Templates for Designing Language Agents

Este artigo de posição argumenta que modelos cognitivos e algoritmos de IA oferecem modelos fundamentais para projetar agentes de linguagem modulares, demonstrando como essas estruturas podem guiar a combinação eficaz de múltiplos LLMs para resolver tarefas complexas.

Autores originais: Ryan Liu, Dilip Arumugam, Cedegao E. Zhang, Sean Escola, Xaq Pitkow, Thomas L. Griffiths

Publicado 2026-02-27

📖 4 min de leitura☕ Leitura rápida

CC BY 4.0

Autores originais: Ryan Liu, Dilip Arumugam, Cedegao E. Zhang, Sean Escola, Xaq Pitkow, Thomas L. Griffiths

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ⚕️ Esta é uma explicação gerada por IA de um preprint que não foi revisado por pares. Não é aconselhamento médico. Não tome decisões de saúde com base neste conteúdo. Ler aviso legal completo

Imagine que você acabou de contratar um gênio da linguagem (uma Inteligência Artificial muito avançada, chamada LLM) para resolver um problema complexo. O problema é que, sozinho, esse gênio às vezes se perde, comete erros ou não sabe por onde começar.

A ideia central deste artigo é: em vez de tentar inventar a roda do zero para organizar esses gênios, olhemos para o que já funciona há séculos na mente humana e na ciência da computação.

Aqui está a explicação simplificada, usando analogias do dia a dia:

1. O Problema: Construir uma "Fábrica de Gêniios"

Atualmente, quando queremos criar um sistema inteligente que usa várias IAs juntas, os pesquisadores muitas vezes tentam "adivinhar" a melhor maneira de organizá-las. É como tentar montar um quebra-cabeça gigante sem ver a imagem da caixa, apenas chutando onde as peças se encaixam. Isso é caro, demorado e muitas vezes falha.

2. A Solução: O "Projeto de Arquitetura" (Templates)

Os autores dizem: "Pare de chutar! Olhe para os modelos cognitivos (como a mente humana funciona) e para os algoritmos de IA clássicos (como os computadores resolvem problemas há 50 anos)."

Eles chamam essas soluções antigas e testadas de "Templates" (Modelos ou Plantas Baixas).

A Analogia: Pense em um arquiteto que quer construir um hospital. Ele não inventa do zero como colocar as camas ou os corredores. Ele usa plantas baixas que já funcionam em hospitais do mundo todo. Da mesma forma, para criar um "agente de linguagem" (um sistema de IA que age), devemos usar as "plantas baixas" que a ciência da mente e da computação já criaram.

3. Como Funciona na Prática? (Os Exemplos)

O artigo mostra como essas "plantas baixas" antigas podem ser usadas para organizar IAs modernas:

Comunicação (O Jogo de Telefone Sem Fio Melhorado):
- O Modelo: A ciência cognitiva estuda como as pessoas se entendem, prevendo o que o outro vai pensar (Teoria da Mente).
- A Aplicação: Em vez de a IA apenas "falar", ela usa um modelo que simula: "Se eu disser isso, como o ouvinte vai reagir?". É como ter um ensaio geral antes de uma peça de teatro. A IA cria um roteiro, simula a plateia e só depois fala a melhor frase.
Planejamento (O Chefe de Obra):
- O Modelo: O cérebro humano não faz tudo de uma vez; ele divide tarefas grandes em passos menores (como um chefe de obra dividindo a construção de uma casa).
- A Aplicação: Em vez de a IA tentar resolver um problema de matemática gigante de uma vez, o "template" divide o problema em pequenas tarefas. Uma IA faz a divisão, outra calcula, outra verifica se não errou. É como ter uma equipe onde cada um faz o que sabe fazer melhor.
Exploração (O Detetive):
- O Modelo: Algoritmos de aprendizado (Reinforcement Learning) ensinam robôs a explorar o mundo para descobrir onde está o tesouro (ou a recompensa).
- A Aplicação: Imagine que você está em um labirinto. Um algoritmo clássico diz: "Vá para onde você tem menos certeza, mas que pode te dar mais informação". A IA usa esse "mapa mental" para decidir se deve arriscar um caminho novo ou seguir o caminho seguro, aprendendo muito mais rápido.

4. Por que isso é importante?

Interpretabilidade (Transparência): Se você usa um modelo antigo e conhecido, você sabe por que a IA está fazendo o que está fazendo. É como saber que um carro freia porque tem freios, e não porque o motorista "sentiu vontade".
Eficiência: Não precisamos reinventar a roda. Se um algoritmo de busca (como o usado no Google Maps) funciona bem para achar rotas, podemos usar essa mesma lógica para fazer uma IA planejar suas ações.
Confiabilidade: Modelos que já foram testados em laboratórios de psicologia ou em jogos de xadrez por décadas são mais seguros de usar do que designs aleatórios.

Resumo Final

Este artigo é um convite para os criadores de Inteligência Artificial pararem de tentar "adivinhar" como montar seus sistemas. Em vez disso, eles devem pegar as receitas de bolo que a ciência da mente (como a mente humana pensa) e a ciência da computação (como algoritmos resolvem problemas) já escreveram.

Ao usar essas receitas antigas e testadas como "modelos" para organizar IAs modernas, podemos criar sistemas mais inteligentes, mais rápidos e que a gente consegue entender melhor como funcionam. É a união do conhecimento do passado com a tecnologia do futuro.

Título: Modelos Cognitivos e Algoritmos de IA Fornecem Modelos para o Design de Agentes de Linguagem

1. O Problema

Os Grandes Modelos de Linguagem (LLMs) isolados têm demonstrado capacidades impressionantes, mas ainda enfrentam dificuldades em tarefas complexas que exigem raciocínio multifacetado, planejamento de longo prazo ou interação com ferramentas. O desafio central identificado pelos autores é a incerteza sobre como combinar múltiplos LLMs em sistemas modulares (agentes de linguagem) eficazes.

Atualmente, o espaço de busca para arquiteturas de agentes é vasto e a exploração "força bruta" é inviável. Na prática, engenheiros e pesquisadores frequentemente dependem de intuição, design manual ou sorte para criar arquiteturas de agentes, resultando em designs que podem parecer arbitrários e carecem de interpretabilidade. Além disso, em cenários de alto risco (como saúde), a falta de dados e recursos para iterar sobre designs torna crucial o desenvolvimento de heurísticas robustas para o design de agentes.

2. Metodologia e Definição Formal

A tese central do artigo é que modelos cognitivos (da ciência cognitiva) e algoritmos de IA existentes servem como "modelos" (templates) prontos e testados para projetar agentes de linguagem.

Definição de Modelo de Agente (Agent Template):
Os autores formalizam um modelo de agente como um Grafo Acíclico Direcionado (DAG) $G = (V, E)$ , onde:
- Vértices ( $V$ ): São módulos que podem ser LLMs ou ferramentas.
- Arestas ( $E$ ): Representam conexões e fluxo de dados entre os módulos.
- Execução: O grafo define a ordem de execução e como os dados fluem. A entrada é processada por módulos iniciais (raiz), e módulos subsequentes só são chamados quando as saídas de seus pais estão disponíveis.
- Objetivo: Transformar os objetivos do agente em um pipeline específico de decomposição e execução de tarefas, aumentando a interpretabilidade humana.
Abordagem de Análise:
Os autores realizam uma revisão sistemática da literatura, mapeando agentes de linguagem existentes para modelos cognitivos ou algoritmos de IA específicos. Eles demonstram como a arquitetura de um agente pode ser vista como uma instância de um modelo teórico pré-existente.

3. Principais Contribuições e Descobertas

O artigo categoriza os modelos de agentes em duas grandes fontes de inspiração:

A. Modelos Baseados em Modelos Cognitivos:

Comunicação (Inferência Social Recursiva):
- Modelo: Atos de Fala Racionais (RSA - Rational Speech Acts).
- Aplicação: Agentes que simulam reações de audiências para escolher a melhor comunicação. Exemplo: Um agente gera candidatos de fala, cria perfis de audiência e simula reações (pensamento episódico futuro) para selecionar a melhor opção.
Raciocínio e Planejamento:
- Modelo: Protocolos verbais ("pensar em voz alta") e arquitetura do córtex pré-frontal.
- Aplicação: O Modular Agentic Planner (MAP) divide o planejamento em módulos (decomposição, proposta de ação, monitoramento de erro, predição de estado), imitando processos cognitivos humanos para resolver problemas de múltiplos passos (ex: Torre de Hanói).
Representação (Linguagem do Pensamento):
- Modelo: Hipótese da Linguagem do Pensamento (LoT) e programação.
- Aplicação: Agentes que geram código para raciocinar (ex: PaL, Program of Thoughts). O LLM atua como um "raciocinador" que escreve código e um "interpretador" que executa, permitindo manipulação de variáveis e lógica condicional mais precisa do que apenas texto natural.

B. Modelos Baseados em Algoritmos de IA:

Algoritmos Clássicos de Busca:
- Algoritmos: Busca em Largura (BFS), Busca em Profundidade (DFS), A*, Monte Carlo Tree Search (MCTS).
- Aplicação: O framework Tree of Thoughts (ToT) é apresentado como uma instância de busca heurística, onde um LLM gera extensões de raciocínio e outro avalia a qualidade, simulando a expansão de nós em um grafo de busca.
Divisão e Conquista (Divide and Conquer):
- Algoritmo: Estratégia de decomposição recursiva.
- Aplicação: Técnicas como Least-to-Most prompting e Decomposed Prompting, onde problemas complexos são quebrados em subproblemas menores, resolvidos e agregados.
Algoritmos de Aprendizado por Reforço (RL):
- Algoritmos: Iteração de Política (Policy Iteration), Amostragem Posterior (PSRL), Amostragem Orientada à Informação (IDS).
- Aplicação:
  - ICPI (In-Context Policy Iteration): Usa LLMs para aproximar funções de transição e recompensa de um MDP (Processo de Decisão de Markov) e iterar sobre políticas.
  - PSRL e IDS: Agentes que mantêm uma "posterior verbal" (crenças sobre o ambiente) para equilibrar exploração e exploração, demonstrando eficiência em tarefas como Wordle, onde a incerteza epistêmica é alta.

4. Resultados e Evidências

O artigo não apresenta um novo experimento único, mas sintetiza resultados de múltiplos trabalhos que validam a eficácia desses modelos:

Desempenho Superior: Agentes baseados em modelos como RSA superaram baselines em tarefas de comunicação e negociação.
Resolução de Problemas Complexos: O planner MAP (baseado em cognição) alcançou resultados fortes em benchmarks de planejamento multi-etapa.
Eficiência de Exploração: Agentes baseados em PSRL e IDS mostraram curvas de arrependimento cumulativo inferiores em tarefas de decisão sequencial, superando abordagens aleatórias ou puramente baseadas em regras.
Interpretabilidade: Ao usar templates conhecidos, o comportamento do agente torna-se mais transparente e alinhado com teorias estabelecidas, facilitando a depuração e a confiança.

5. Significado e Conclusão

O artigo oferece uma mudança de paradigma no design de agentes de linguagem:

Do "Tentativa e Erro" para o "Design Baseado em Teoria": Em vez de buscar arquiteturas aleatoriamente, os pesquisadores devem mapear problemas para modelos cognitivos ou algoritmos de IA que já provaram resolver problemas análogos.
Interpretabilidade: Templates derivados de ciência cognitiva e IA clássica fornecem uma estrutura lógica que humanos podem entender, ao contrário de "caixas pretas" otimizadas por busca automática.
Generalização: A flexibilidade da linguagem natural permite implementar esses modelos em escalas e domínios novos, expandindo a aplicabilidade de algoritmos clássicos.
Chamada para Ação: Os autores incentivam a comunidade a explorar mais modelos (ex: teoria dos jogos, algoritmos evolutivos, princípios de teoria da informação) para criar agentes mais robustos, especialmente para cenários de multi-agente e interação humana complexa.

Em suma, o papel argumenta que o futuro dos agentes de linguagem eficazes e interpretáveis reside na síntese entre a inteligência artificial moderna (LLMs) e o conhecimento acumulado da ciência cognitiva e dos algoritmos de IA clássicos.