STRUCTUREDAGENT: Planning with AND/OR Trees for Long-Horizon Web Tasks

O artigo apresenta o STRUCTUREDAGENT, um framework de planejamento hierárquico que utiliza árvores AND/OR dinâmicas e um módulo de memória estruturada para superar as limitações de agentes web existentes em tarefas de longo horizonte, resultando em melhor desempenho e planos interpretáveis.

O essencial

Imagine que você pediu para um assistente de IA encontrar a receita perfeita de um bolo de chocolate vegano com uma nota de 4 estrelas ou mais em um site de culinária gigante.

Um agente de IA comum (os "agentes básicos") agiria como um turista perdido: ele clicaria em algo, leria a página, talvez clicasse em outra coisa e, se não encontrasse o que queria logo de cara, desistiria ou ficaria preso em um loop, sem lembrar do que já viu. É como tentar montar um quebra-cabeça gigante sem a caixa de referência e sem anotar as peças que já tentou.

O STRUCTUREDAGENT (o "Agente Estruturado") proposto neste artigo é diferente. Pense nele como um detetive experiente com um caderno de anotações organizado e um mapa mental dinâmico.

Aqui está como ele funciona, usando analogias simples:

1. A Árvore de Decisão (O Mapa Mental)

Em vez de apenas "pensar e agir" de forma linear, o StructuredAgent constrói uma árvore de decisões (chamada de árvore AND/OR).

• Nós AND (E): São como uma lista de compras. Para o bolo ficar pronto, você precisa de farinha E ovos E açúcar. Todos os itens são obrigatórios. Se um falhar, a receita não sai.
• Nós OR (OU): São como ter opções de transporte. Para chegar ao mercado, você pode pegar o ônibus OU o carro. Se o ônibus estiver lotado (falhar), o agente tenta o carro.
• A Mágica: Se o agente tenta uma opção (ex: clicar no primeiro link) e falha, ele não desiste. Ele volta na árvore, risca essa opção e tenta a próxima (o segundo link). Ele sabe exatamente onde estava e o que já tentou.

2. A Memória Estruturada (O Caderno de Detetive)

A maior falha dos outros agentes é a "amnésia". Eles esquecem o que viram há 10 clizos atrás.
O StructuredAgent tem um caderno de anotações estruturado. Imagine que ele tem uma planilha onde ele anota:

• "Encontrei um bolo vegano, mas a nota é 3.5 (não serve)."
• "Encontrei um bolo com nota 4.5, mas não é vegano (não serve)."
• "Encontrei um bolo vegano com nota 4.2 (BOM CANDIDATO!)."

Isso permite que ele compare as opções como um humano faria, garantindo que ele não esqueça de uma boa opção só porque navegou para outra página.

3. O Planejamento Hierárquico (O Chefe de Cozinha)

O agente não tenta fazer tudo de uma vez. Ele divide o problema grande em tarefas pequenas, como um chefe de cozinha dividindo o serviço:

1. Tarefa Principal: Encontrar a receita.
2. Sub-tarefa 1: Pesquisar "bolo vegano".
3. Sub-tarefa 2: Filtrar por "nota 4+".
4. Sub-tarefa 3: Verificar se é vegano.

Se a "Sub-tarefa 2" falhar (o site não tem filtro), o agente não trava. Ele usa a árvore para ver que pode tentar "Sub-tarefa 2.1: Ler os títulos manualmente" ou "Sub-tarefa 2.2: Ir para a próxima página". Ele se adapta dinamicamente.

Por que isso é importante?

O mundo da web é caótico. Sites mudam, links quebram e informações estão escondidas.

• Agentes comuns: São como crianças que tentam adivinhar o caminho. Se erram uma vez, desistem.
• StructuredAgent: É como um explorador profissional. Ele traça um mapa, anota onde já pisou, sabe que se a porta A estiver trancada, a porta B pode estar aberta, e se a porta B também falhar, ele volta e tenta a porta C, sem perder a cabeça.

Em resumo: O papel apresenta um sistema que ensina a IA a planejar como um humano, lembrar como um detetive e se adaptar como um explorador, tornando-a muito mais capaz de resolver tarefas complexas na internet, como fazer compras online com regras específicas ou pesquisar informações detalhadas, sem se perder no meio do caminho.

Resumo técnico

Resumo Técnico: STRUCTUREDAGENT

1. O Problema

Os agentes baseados em Grandes Modelos de Linguagem (LLMs) têm demonstrado progresso notável em tarefas de decisão sequencial. No entanto, ao enfrentar tarefas web de longo horizonte (complexas, multi-etapa e com muitas interações), eles enfrentam limitações críticas:

• Memória Contextual Limitada: A incapacidade de rastrear múltiplos caminhos de solução e o histórico completo à medida que as páginas web (que podem exceder 20k tokens) se acumulam.
• Planejamento Fraco: Dificuldade em construir e executar planos complexos ao longo de horizontes estendidos.
• Comportamentos Gananciosos: Tendência a terminar tarefas prematuramente sem satisfazer todas as restrições do usuário.
• Falta de Robustez: Ausência de mecanismos eficazes de tratamento de erros para se recuperar de falhas e explorar soluções alternativas.

Métodos existentes muitas vezes dependem de LLMs para gerar planos inteiros, o que leva a planos simplistas e pouca capacidade de recuperação de erros.

2. Metodologia: STRUCTUREDAGENT

O STRUCTUREDAGENT é um framework de planejamento hierárquico que intercala planejamento e execução, utilizando duas componentes principais para superar as limitações acima:

A. Planejador Hierárquico Online com Árvores AND/OR Dinâmicas
Em vez de delegar a construção completa do plano ao LLM, o framework constrói e mantém explicitamente uma árvore de planejamento AND/OR durante a execução da tarefa.

• Estrutura da Árvore:
  • Nós AND: Representam subobjetivos conjuntivos (todos devem ser bem-sucedidos).
  • Nós OR: Representam estratégias alternativas (qualquer um bem-sucedido basta).
  • Nós de Ação (Folhas): Operações atômicas do navegador (clicar, digitar, rolar, voltar, anotar).
• Algoritmo de Busca: Utiliza uma Busca em Profundidade (DFS) Greedy Modificada. Diferente do DFS clássico, este algoritmo permite:
  • Revisão Dinâmica: Nós podem ser revisitados e reprocessados.
  • Estados de Execução: Os nós transitam entre estados como ENTERING (entrando), EXITING (saindo) e FAILED (falhou).
  • Propagação de Erros e Reparo: Se um nó falha, o sistema pode tentar repará-lo (adicionando/removendo filhos) ou podar ramos inteiros, propagando a falha para cima na árvore para reavaliar o plano global.
• Separação de Responsabilidades: O framework gerencia a estrutura da árvore e a lógica de controle; o LLM é invocado apenas para operações locais específicas (expansão de nós, reparo, verificação de conclusão).

B. Módulo de Memória Estruturada
Para tarefas de busca de informação (ex: encontrar produtos com múltiplas restrições), o agente utiliza um módulo de memória estruturada que:

• Extrai restrições da descrição da tarefa.
• Mantém uma tabela dinâmica de entidades candidatas.
• Rastreia quais restrições cada candidato satisfaz.
• Permite que o agente recupere os top-K candidatos que satisfazem mais restrições durante a tomada de decisão, evitando a perda de informações encontradas em etapas anteriores (um problema comum em anotações não estruturadas).

3. Principais Contribuições

1. Framework de Planejamento Hierárquico: Introdução de um sistema que utiliza árvores AND/OR ordenadas para permitir raciocínio composicional, revisão dinâmica de planos e retropropagação de erros, gerando planos interpretáveis que facilitam a intervenção humana e a depuração.
2. Módulo de Memória Estruturada: Desenvolvimento de um mecanismo específico para tarefas de busca de informação que rastreia entidades candidatas e suas restrições, melhorando significativamente a satisfação de restrições complexas.
3. Interpretabilidade e Controle Humano: A estrutura da árvore permite que operadores humanos inspecionem o plano, detectem decomposições incorretas de subobjetivos e injetem correções em qualquer camada da árvore antes da execução prosseguir.

4. Resultados Experimentais

O framework foi avaliado em três benchmarks principais: WebVoyager, WebArena e um benchmark personalizado de Compras Complexas (Amazon).

• Desempenho Geral: O STRUCTUREDAGENT superou consistentemente os baselines fortes (como AgentOccam, SteP e agentes básicos baseados em Claude) em tarefas de longo horizonte.
  • No benchmark de Compras Amazon (Easy), alcançou a maior taxa de sucesso média (83,3%).
  • No benchmark WebArena, obteve a pontuação geral mais alta (52,6%), com destaque especial nas categorias de Shopping e Reddit.
• Impacto da Memória Estruturada: A adição do módulo de memória estruturada (StructuredAgentMem) melhorou o desempenho em tarefas complexas de múltiplas restrições (Amazon Hard), embora tenha causado uma leve degradação em tarefas simples onde o rastreamento excessivo atua como ruído.
• Generalização: O método demonstrou eficácia com diferentes modelos base (Claude 3.5/3.7 e Kimi-k2), indicando que os benefícios do planejamento hierárquico são independentes do modelo de linguagem subjacente.
• Eficiência de Trajetória: Em tarefas difíceis, o agente realiza mais ações do que os baselines, refletindo uma exploração mais sistemática de múltiplas estratégias antes de desistir, o que resulta em maior robustez e taxas de sucesso superiores.

5. Significado e Conclusão

O STRUCTUREDAGENT representa um avanço significativo na criação de agentes web robustos e interpretáveis. Ao combinar planejamento explícito baseado em árvores com memória estruturada, o trabalho resolve problemas fundamentais de agentes LLMs, como a perda de contexto em tarefas longas e a incapacidade de recuperação de erros.

A principal inovação reside na mudança de paradigma: em vez de confiar cegamente na geração de texto do LLM para planejar, o sistema impõe uma estrutura lógica (árvore AND/OR) que gerencia o estado global, permitindo que o agente "pense" de forma recursiva, lide com falhas de forma sistemática e mantenha um rastro de decisão transparente. Isso não apenas melhora o desempenho em tarefas complexas do mundo real, mas também abre caminho para a supervisão humana e a depuração de agentes autônomos.