Resumo Técnico: PASK – Agentes Proativos Conscientes de Intenção com Memória de Longo Prazo

1. O Problema e o Contexto

O objetivo central da Inteligência Artificial Geral (AGI) é criar sistemas que percebam, raciocinem e atuem no mundo aberto. No entanto, a maioria dos sistemas de IA atuais opera em um modo reativo ("você pergunta, eu respondo"), o que cria duas limitações fundamentais:

1. Desalinhamento com o uso real: Em cenários do mundo real (reuniões, assistências em tempo real), os usuários muitas vezes não podem parar para formular prompts explícitos devido a restrições de tempo, contexto social ou esforço cognitivo.
2. Gargalo de informação: A interação passiva impede que a IA construa uma compreensão profunda do usuário, pois depende exclusivamente de consultas explícitas, ignorando necessidades latentes.

O artigo identifica a lacuna na criação de Agentes Proativos que possam:

• Inferir necessidades latentes a partir do contexto contínuo.
• Agir sob restrições de latência estritas (tempo real).
• Manter uma memória evolutiva de longo prazo para adaptação contínua.
• Operar em ambientes complexos e ambíguos sem interromper o fluxo do usuário.

2. Metodologia: O Paradigma DD-MM-PAS

Os autores propõem um novo paradigma unificado chamado DD-MM-PAS, composto por três módulos interconectados:

A. Detecção de Demanda (DD - Demand Detection)

O núcleo da proatividade. O sistema deve decidir continuamente se deve intervir, quando e como.

• Modelo IntentFlow: Um modelo fundacional de fluxo contínuo (streaming) projetado especificamente para detecção de demanda em tempo real.
• Arquitetura: Utiliza uma abordagem primária-secundária (primary-auxiliary):
  • Demand Detector: Um modelo grande (baseado em Qwen3-30B) que analisa o contexto e prevê um token de decisão: <silent> (silenciar), <fast_intervention> (intervenção rápida baseada apenas no contexto atual) ou <full_assistance> (intervenção completa invocando memória).
  • MemLoader: Um modelo auxiliar menor (Qwen3-4B) que processa e refina evidências recuperadas da memória antes de serem usadas pelo detector.
• Objetivo: Prever a intenção do usuário diretamente do fluxo de informações, sem depender de raciocínio explícito lento.

B. Modelagem de Memória (MM - Memory Modeling)

Para permitir a adaptação de longo prazo, o sistema utiliza uma arquitetura de memória híbrida e hierárquica, inspirada em arquiteturas de computador (Cache, Memória Principal, Armazenamento Externo):

1. Memória do Usuário (M_user - Cache): Armazena perfis estáveis (personalidade, preferências, papel profissional). É injetada diretamente no prompt do sistema para acesso de latência zero.
2. Memória de Workspace (M_wsp - Memória Principal): Mantém o histórico da sessão atual e variáveis de estado. Atualizada continuamente durante a interação para coerência de curto prazo.
3. Memória Global (M_global - Armazenamento Externo): Um sistema baseado em árvore hierárquica e RAG (Retrieval-Augmented Generation) que acumula dados de longo prazo.
   • Mecanismo de Evolução: Utiliza uma estratégia de "mesclagem preguiçosa" (lazy merging) e compressão para evitar explosão computacional, atualizando a estrutura da árvore apenas após o término de sessões (offline).

C. Sistema de Agente Proativo (PAS - Proactive Agent System)

A infraestrutura de execução que integra o frontend (óculos, celular, PC), o backend de servidor e o backend de IA.

• Gerencia o ciclo de execução "always-on", fusão de informações, execução concorrente de tarefas e feedback.
• Integra mais de 20 modelos e agentes (visão, fala, busca na web, especialistas) para executar as ações decididas pelo IntentFlow.

3. Contribuições Principais

1. Paradigma DD-MM-PAS: Uma arquitetura geral que unifica detecção de demanda, modelagem de usuário baseada em memória e execução de agente contínua.
2. IntentFlow e Pipeline de Dados:
   • Introdução do modelo IntentFlow para detecção de demanda em fluxo contínuo.
   • Criação do dataset LatentNeeds: 100k amostras sintéticas (para fine-tuning supervisionado) e 2.1k sessões reais (para Reinforcement Learning de alinhamento de intenção).
   • Estratégia de treinamento em duas etapas: Supervised Fine-Tuning (SFT) seguido de Reinforcement Learning (RL) para alinhamento profundo com intenções humanas.
3. Sistema de Memória Co-evolutivo: Uma arquitetura de memória híbrida que permite a acumulação contínua de entendimento do usuário e recuperação seletiva, superando a limitação de sistemas baseados apenas em consultas.
4. LatentNeeds-Bench: Um benchmark realista construído a partir de dados com consentimento do usuário e refinado por humanos, contendo 100 sessões (3.936 turnos) em três domínios: Trabalho, Aprendizado e Vida Diária.
5. Sistema Pask Completo: Uma implementação end-to-end funcional que demonstra a viabilidade da IA proativa em ambientes reais.

4. Resultados Experimentais

Os experimentos foram conduzidos no LatentNeeds-Bench, comparando o IntentFlow com modelos de ponta (GPT-5, Gemini-3, Claude, DeepSeek, Qwen).

• Desempenho Geral: O IntentFlow alcançou a melhor pontuação média equilibrada (84.2), superando o modelo proprietário mais forte (Gemini-3-Flash com 80.8) e outros modelos de código aberto.
• Equilíbrio entre Ação e Silêncio: Um achado crucial foi que muitos modelos são bons em ajudar ou em ficar em silêncio, mas não em ambos. O IntentFlow demonstrou um equilíbrio superior, evitando interrupções desnecessárias enquanto identificava necessidades latentes com precisão.
• Estabilidade em Longas Interações: Em análises de múltiplos turnos (até 60 turnos), modelos menores e alguns grandes mostraram degradação de desempenho. O IntentFlow, graças ao módulo de memória (Pask-MM), manteve uma trajetória de desempenho estável, com queda de apenas 5% ao longo da sessão, comparado a quedas de ~17-19% em modelos concorrentes.
• Latência: O IntentFlow foi o modelo mais rápido, com latência média de 1.3s a 1.5s por turno, atendendo às restrições de tempo real, enquanto modelos como GPT-5-Mini levavam ~7-8s.
• Estudo de Usuário: Em testes de aprendizado, o grupo usando Pask teve uma melhoria de pontuação de ~6 para ~7.5 em um quiz, indicando eficácia na aquisição de conhecimento.

5. Significado e Conclusão

O trabalho Pask demonstra que a inteligência proativa não é apenas uma questão de escalar modelos maiores, mas de coordenar detecção de demanda precisa, memória evolutiva e sistemas de baixa latência.

• Mudança de Paradigma: Move a IA de uma ferramenta reativa para um participante ativo que antecipa necessidades.
• Viabilidade Prática: Prova que modelos de código aberto, quando treinados com dados específicos e arquiteturas adequadas (como o IntentFlow e a memória híbrida), podem rivalizar ou superar modelos proprietários em cenários de assistência proativa.
• Futuro: O artigo sugere que o próximo passo para a AGI não é apenas "responder melhor", mas "agir no momento certo", detectando necessidades que o usuário ainda não expressou verbalmente.

Em resumo, Pask oferece um caminho concreto para agentes de IA que são não apenas inteligentes, mas também úteis, oportunos e adaptáveis ao longo do tempo no mundo real.