🤖 AI

From Goals to Aspects, Revisited: An NFR Pattern Language for Agentic AI Systems

Este artigo revisita e estende a metodologia de "objetivos para aspectos" para o domínio da IA agêntica, apresentando uma linguagem de padrões que mapeia modelos de objetivos i* para implementações concretas de preocupações transversais (como segurança e custos) em Rust, visando modularizar e melhorar a confiabilidade desses sistemas.

Autores originais: Yijun Yu

Publicado 2026-03-03

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Yijun Yu

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 construiu um robô autônomo superinteligente (uma IA Agente) para ajudar sua empresa. Esse robô não apenas conversa; ele toma decisões, abre arquivos, navega na internet, executa comandos no computador e gasta dinheiro (em tokens de IA) para fazer tudo isso.

O problema é que, na maioria das vezes, quando esses robôs são construídos, os engenheiros focam apenas na "inteligência" (o que o robô faz) e esquecem de colocar os "freios de segurança" e os "painéis de controle" de forma organizada.

O que acontece hoje?
É como se você tivesse um carro de corrida, mas o sistema de freios estivesse espalhado por todo o chassi: um pedaço de freio aqui no motor, outro pedaço no banco do passageiro, e um terceiro no porta-malas. Se você precisar apertar um parafuso para consertar o freio, terá que desmontar o carro inteiro. Além disso, como cada peça foi feita de um jeito diferente, às vezes o freio não funciona quando você mais precisa.

No mundo das IAs, isso significa que:

A segurança é verificada em um lugar, mas esquecida em outro.
O registro de tudo o que o robô fez (para auditoria) está misturado com o código que faz ele pensar.
O controle de custos (para não gastar uma fortuna com a API da IA) é feito de forma manual e inconsistente.

A Solução: O "Modo Aspecto" (AOSD)
O autor deste artigo, Yijun Yu, propõe uma solução baseada em uma ideia antiga (de 2004) que ele atualizou para a era das IAs. Ele chama isso de "De Objetivos para Aspectos".

Vamos usar uma analogia simples: O Cozinheiro e o Chefe de Cozinha.

O Cozinheiro (A Lógica Funcional): Ele sabe cozinhar o prato principal (o objetivo do robô: "buscar dados na internet"). Ele é o foco.
O Chefe de Cozinha (Os "Aspectos"): Ele não cozinha o prato, mas ele garante que:
- O cozinheiro use luvas de proteção (Segurança).
- O cozinheiro não use mais ingredientes do que o orçamento permite (Gestão de Custos).
- O cozinheiro anote cada passo no caderno de receitas (Observabilidade/Auditoria).
- O cozinheiro pare se a cozinha pegar fogo (Tolerância a Falhas).

No método antigo, o cozinheiro tinha que parar de cozinhar para colocar as luvas, anotar no caderno e checar o orçamento, tudo misturado na mesma receita. O código ficava "emaranhado".

A Inovação: A Linguagem de Padrões
O autor criou um manual de instruções (uma linguagem de padrões) com 12 receitas prontas para esses "Chefes de Cozinha" (os Aspectos). Ele identificou que, nas IAs modernas, os problemas são mais complexos.

Ele criou 4 novos "Chefes" específicos para IAs que não existiam antes:

O Guardião da Caixa de Areia (Sandboxing): Garante que o robô só mexa nos arquivos que você permitiu. Se ele tentar abrir o sistema do banco, o guardião bloqueia.
O Detector de Golpes (Prompt Guard): IAs são vulneráveis a "injeção de prompts" (quando alguém tenta enganar o robô para ele fazer coisas ruins). Esse guardião lê o que o usuário diz antes de passar para o robô, como um filtro de spam.
O Controlador de Carteira (Token Budget): IAs gastam dinheiro por palavra que processam. Esse aspecto vigia o saldo e para o robô se ele estiver prestes a gastar demais.
O Escrivão de Auditoria (Action Audit Trail): Grava por que o robô tomou aquela decisão, não apenas o que ele fez. Essencial para saber quem é o culpado se algo der errado.

Como eles descobriram isso? (O Gráfico em V)
O autor usa um método visual chamado "Gráfico em V". Imagine um triângulo invertido:

No topo esquerdo: O objetivo do robô (ex: "Executar um comando").
No topo direito: A preocupação não funcional (ex: "Segurança").
Na ponta de baixo: A tarefa que conecta os dois.

Se a mesma tarefa de baixo toca em vários objetivos de cima (Segurança, Custo, Confiabilidade), você tem um "V" sobreposto. Isso significa que você precisa de vários "Chefes de Cozinha" atuando no mesmo momento. O método deles encontra esses pontos automaticamente no desenho do sistema antes mesmo de escrever o código.

O Estudo de Caso: ZeroClaw
Para provar que isso funciona, eles analisaram um projeto de IA real e de código aberto chamado ZeroClaw (que tem mais de 129.000 linhas de código).

Antes: Eles viram que o código de segurança estava espalhado em 104 arquivos diferentes, feito de 3 jeitos diferentes. Era um caos.
Depois (Simulado): Eles mostraram que, usando os "Aspectos" do manual, poderiam reduzir esse código espalhado em 96%. Em vez de escrever o código de segurança em 8 lugares diferentes, você escreve uma vez e "cola" (anota) em 8 lugares.

Resumo Final
Este artigo diz: "Pare de construir IAs bagunçadas onde a segurança e o controle de custos estão misturados com a lógica principal."

Em vez disso, use o método de Objetivos para Aspectos:

Desenhe o que a IA deve fazer.
Identifique onde a segurança, o custo e a auditoria "cortam" através de tudo.
Use os 12 Padrões (o manual) para criar módulos separados que cuidam dessas preocupações.

Isso torna as IAs mais seguras, mais baratas de rodar, mais fáceis de auditar e muito mais fáceis de manter, como trocar de pneu em um carro onde o freio é um sistema único e bem organizado, em vez de peças soltas pelo chassi.

Resumo Técnico: De Objetivos para Aspectos, Revisitado

1. O Problema

Os sistemas de IA Agêntica (agentes autônomos impulsionados por Grandes Modelos de Linguagem - LLMs) enfrentam altas taxas de falha na transição para produção. Uma causa crítica, mas pouco explorada, é a engenharia inadequada de Requisitos Não Funcionais (NFRs).

Cruzamento de Preocupações (Crosscutting Concerns): Sistemas agênticos exibem preocupações transversais intensas, como segurança, observabilidade, gerenciamento de custos e tolerância a falhas, que permeiam todos os módulos.
Implementação Ad-hoc: Nas frameworks atuais, essas preocupações são implementadas de forma espalhada e emaranhada (tangling). Por exemplo, verificações de autorização estão dispersas pelos manipuladores de ferramentas, o registro de logs é inconsistente e os controles de custo (tokens) muitas vezes são ausentes.
Densidade de Cruzamento: Diferente do software tradicional, uma única tarefa de agente (ex: "Chamar provedor de LLM") toca simultaneamente em segurança, custo, confiabilidade e observabilidade, criando uma densidade de cruzamento que os métodos tradicionais de Aspect-Oriented Programming (AOP) não capturam totalmente.

2. Metodologia: De Objetivos para Aspectos para Agentes

O artigo revisita e estende a metodologia proposta por Yu et al. (RE 2004), que descobria aspectos a partir de modelos de objetivos i*, adaptando-a para o domínio de IA Agêntica através de um processo de três fases:

Fase 1: Modelagem de Objetivos do Agente:
- Construção de modelos Strategic Dependency (SD) e Strategic Rationale (SR) no framework i*.
- Identificação de atores (Usuário, Sistema Agente, Provedor de LLM, Provedor de Ferramentas, Operador) e decomposição de objetivos funcionais e softgoals (NFRs).
- Rastreamento de links de contribuição entre tarefas e softgoals.
Fase 2: Análise de V-Graph para Agentes:
- Extensão do Modelo V-Graph: O modelo original foi estendido para capturar a densidade de cruzamento multidimensional.
- Definição de Densidade ( $\delta$ ): Uma tarefa pode contribuir para múltiplos softgoals de NFR simultaneamente. Enquanto tarefas em software tradicional tinham $\delta \le 2$ , tarefas em agentes (ex: "Chamar LLM") atingem $\delta \ge 4$ .
- Algoritmo AspectFinder: Enumera tarefas, constrói V-graphs sobrepostos (onde uma tarefa é o vértice inferior conectando um objetivo funcional e múltiplos softgoals) e valida as previsões medindo o "espalhamento" (scattering) no código-fonte real.
Fase 3: Instanciação de Padrões:
- Transformação das candidatas a aspectos validadas em uma Linguagem de Padrões reutilizável.
- Cada padrão mapeia um modelo de objetivo i* para uma implementação concreta de aspecto em Rust, utilizando o framework ASPECT-RS.

3. Principais Contribuições

Linguagem de Padrões de 12 Padrões:
- Organizados em 4 categorias de NFRs: Segurança, Confiabilidade, Observabilidade e Gerenciamento de Custos.
- 4 Padrões Novos (Específicos para Agentes):
  - Tool Scope Sandbox: Isola o escopo de ferramentas para prevenir acesso não autorizado a arquivos/comandos.
  - Prompt Guard: Detecção de injeção de prompts (OWASP #1 para LLMs).
  - Token Budget Manager: Gerenciamento de orçamentos de tokens para controlar custos de API.
  - Action Audit Trail: Rastreamento completo de decisões e ações do agente para auditoria e conformidade.
- 8 Padrões Adaptados: Incluem Circuit Breaker, Rate Limiter, Logger Estruturado, etc., adaptados para pontos de junção específicos de agentes.
Extensão do Modelo V-Graph:
- Capacidade de modelar como tarefas de agentes contribuem simultaneamente para objetivos funcionais e múltiplos softgoals não funcionais, capturando a complexidade de cruzamento sobreposto.
Estudo de Caso Empírico (ZEROCLAW):
- Análise de uma framework de agente autônomo open-source em Rust (192 arquivos, ~129k LOC).
- Validação quantitativa do espalhamento de preocupações através de 4 versões do código.

4. Resultados do Estudo de Caso (ZEROCLAW)

Descoberta de Espalhamento: A análise revelou que preocupações transversais estão espalhadas em múltiplos módulos.
- Exemplo: O tratamento de erros está em 81% dos arquivos (27 módulos); a validação de caminhos em 34% (20 módulos).
- Inconsistência: Implementações de rate limiting existiam em 3 formas diferentes (janela deslizante, inline, etc.) com APIs inconsistentes.
Identificação de Lacunas: A análise V-Graph identificou preocupações críticas que não tinham implementação modular no sistema original, especificamente: defesa contra injeção de prompts e rastreamento de auditoria de ações.
Refatoração de Prova de Conceito:
- Refatoração do código de rate limiting disperso (3 implementações independentes, ~195 linhas de código espalhado) para um único aspecto reutilizável.
- Redução de 96% no código específico da preocupação (de ~195 LOC para 8 LOC de anotações).
- Demonstrou que, sob crescimento do código, o código espalhado cresce proporcionalmente, enquanto a abordagem orientada a aspectos mantém o custo de manutenção constante (apenas anotações).

5. Significado e Impacto

Engenharia de Requisitos para IA: O trabalho preenche a lacuna entre a análise de requisitos de alto nível (modelos i*) e a implementação de software em sistemas de IA complexos.
Resiliência Evolutiva: A abordagem orientada a aspectos quebra a herança de padrões ad-hoc. Novos módulos de agentes precisam apenas de anotações de aspecto, não de cópia de código de segurança ou logs, facilitando a manutenção e a evolução.
Conformidade e Segurança: Oferece um mecanismo sistemático para atender a regulamentações emergentes (como a Lei de IA da UE) através de padrões de auditoria e contenção de ferramentas.
Sustentabilidade: Padrões como Token Budget ajudam a controlar o consumo excessivo de recursos computacionais e custos financeiros em loops de raciocínio de agentes.

Conclusão:
O artigo demonstra que as técnicas de Programação Orientada a Aspectos (AOP) não são apenas aplicáveis, mas essenciais para o domínio de IA Agêntica devido à alta densidade de preocupações cruzadas. A linguagem de padrões proposta oferece uma abordagem baseada em princípios para engenheiros identificarem e modularizarem essas preocupações desde o início do ciclo de desenvolvimento, aumentando a confiabilidade e a manutenibilidade dos sistemas de agentes autônomos.