Each language version is independently generated for its own context, not a direct translation.

Imagine que você é o gerente de um hospital de emergência muito movimentado. Todos os dias, milhares de pessoas chegam com problemas: desde um simples resfriado até uma emergência cardíaca.

No mundo da computação em nuvem (como o "Volcano Engine" da ByteDance), acontece algo muito parecido. Milhares de clientes têm problemas técnicos diários e entram em contato com uma equipe de suporte humano. Esses especialistas (os "médicos") estão sempre sobrecarregados.

O Problema: O Assistente que Desiste

Recentemente, as empresas começaram a usar "robôs" (Inteligência Artificial) para ajudar. Mas esses robôs eram do tipo reativo.

Como funcionavam: Eles atendiam o cliente no início. Se o problema fosse simples, resolviam. Se fosse difícil, diziam: "Não sei resolver, chame um humano" e desligavam.
O erro: Assim que o humano entrava na conversa, o robô sumia. Ele não ajudava o humano a responder perguntas simples que surgiam depois, nem aprendia com o que o humano fez. Era como um enfermeiro que só ajuda a triagem e, quando o médico chega, sai correndo da sala, deixando o médico sozinho para fazer tudo.

A Solução: O "Vigil" (O Vigilante Proativo)

Os autores criaram um novo sistema chamado Vigil. Pense nele não como um substituto, mas como um assistente de palco superinteligente que fica ao lado do médico o tempo todo.

Aqui está como o Vigil funciona, usando analogias simples:

1. O Assistente que "Ouve" e Ajuda sem Pedir

Diferente dos robôs antigos que esperavam você chamá-los, o Vigil é proativo.

A Analogia: Imagine que você e seu médico estão conversando. De repente, o Vigil (que está lendo a conversa) percebe que o paciente fez uma pergunta simples, como "Como eu mudo minha senha?". Antes que o médico precise digitar a resposta, o Vigil já escreve a resposta em um cartãozinho colorido na tela e diz: "Eu posso ajudar com isso!".
O Benefício: O médico não perde tempo respondendo coisas básicas e pode focar no problema difícil. O Vigil não interrompe; ele apenas oferece ajuda quando vê que consegue resolver.

2. A Biblioteca que Escreve a Si Mesma (Autoaperfeiçoamento)

Este é o ponto mais genial do sistema.

O Problema Antigo: As bibliotecas de conhecimento dos robôs eram estáticas. Se um novo tipo de vírus surgisse, o robô só saberia resolver depois que alguém atualizasse manualmente o manual, o que levava dias.
A Solução Vigil: O Vigil tem uma memória que se atualiza sozinha.
- Cenário: Um cliente tem um problema novo. O Vigil não sabe a resposta. O humano resolve.
- A Mágica: O Vigil "lê" a conversa, entende como o humano resolveu e escreve isso no seu próprio manual instantaneamente.
- Resultado: Se outro cliente tiver o mesmo problema 10 minutos depois, o Vigil já saberá a resposta e resolverá sozinho, antes mesmo de chamar o humano. É como se o robô estivesse aprendendo na hora, em tempo real.

3. O Filtro de "Não Repetir"

Às vezes, o cliente pergunta a mesma coisa de formas diferentes. O Vigil é inteligente o suficiente para perceber: "Ei, eu já respondi isso há 2 minutos, só que com outras palavras". Ele evita encher a conversa de respostas repetidas, mantendo a conversa limpa e organizada.

Por que isso é importante?

O Vigil foi testado por mais de 10 meses na nuvem da ByteDance e os resultados foram incríveis:

Menos trabalho para humanos: Os especialistas podem resolver problemas complexos mais rápido.
Clientes mais felizes: Eles não precisam esperar tanto tempo por uma resposta.
Aprendizado contínuo: O sistema fica mais inteligente a cada dia, sem que ninguém precise ficar digitando manuais novos.

Resumo em uma frase

O Vigil é como um estagiário brilhante e incansável que fica ao lado do especialista humano durante toda a conversa, respondendo às perguntas simples na hora, aprendendo com cada caso resolvido e garantindo que o conhecimento novo seja compartilhado instantaneamente com todos, sem nunca precisar ser "chamado" para fazer isso.

Ele transforma o suporte técnico de um processo onde o robô desiste quando o humano chega, em uma equipe perfeita onde a inteligência artificial e o humano trabalham juntos do início ao fim.

Each language version is independently generated for its own context, not a direct translation.

Resumo Técnico: Vigil – Um Agente Proativo para Suporte On-Call com Autoaperfeiçoamento Contínuo

1. Problema e Motivação

Em plataformas de serviços em nuvem em grande escala, como o Volcano Engine (da ByteDance), o volume de tickets de suporte diários gera uma carga de trabalho massiva para analistas humanos. O modelo atual de suporte baseia-se em diálogos de "on-call" (plantão).

A literatura recente explorou agentes reativos baseados em Modelos de Linguagem de Grande Escala (LLMs) que atuam como primeira linha de defesa. No entanto, o artigo identifica duas lacunas críticas nesse paradigma:

Desengajamento Prematuro: Agentes reativos geralmente interrompem a interação assim que o problema é escalado para um analista humano. Isso impede que o agente ajude com subperguntas subsequentes que estariam dentro de sua capacidade, desperdiçando oportunidades de reduzir a carga humana e o tempo de resposta.
Estagnação do Conhecimento: Os agentes reativos dependem de bases de conhecimento estáticas e curadas manualmente. Em cenários de nuvem dinâmicos, onde novos sintomas e soluções emergem rapidamente durante os incidentes, esses agentes não conseguem aprender com as resoluções humanas em tempo real, levando a respostas desatualizadas e esforços de troubleshooting duplicados.

2. Metodologia: O Sistema Vigil

O Vigil é um sistema de agente proativo projetado para operar ao longo de todo o ciclo de vida do suporte on-call, integrando-se especificamente na fase onde o analista humano já está envolvido. Diferente dos agentes reativos, o Vigil não espera por uma invocação explícita do usuário; ele monitora o diálogo e interage autonomamente.

O sistema possui duas funções principais:

A. Resposta Proativa Online

O Vigil atua como um assistente do analista humano, executando três tarefas-chave:

Identificação de Perguntas Consciente do Contexto: O sistema analisa as mensagens do cliente para classificar se a pergunta está:
- Dentro do Escopo: Relacionada a produtos de nuvem ou problemas operacionais específicos.
- Fora do Escopo: Decisões subjetivas complexas ou questões fora da especialidade.
- Sem Necessidade de Ajuda: Cumprimentos ou questões já resolvidas.
- Técnica: Utiliza um LLM especializado para classificar a mensagem antes de gerar uma resposta, garantindo que o agente não seja intrusivo.
Geração de Resposta: Após identificar uma pergunta válida, o Vigil utiliza RAG (Geração Aumentada por Recuperação) com uma estratégia de recuperação multi-caminho (documentos técnicos + histórico de pares pergunta-resposta). Ele também pode invocar ferramentas para buscar logs e metadados do sistema.
Deduplicação de Respostas: Para evitar redundância em conversas de múltiplas voltas, o sistema calcula a similaridade semântica entre a nova resposta gerada e as respostas enviadas anteriormente na mesma sessão. Se a similaridade ultrapassar um limiar ( $\theta$ ), a resposta é suprimida.
Interface em Cartão: As respostas são apresentadas em um "cartão" visual distinto, separado das mensagens humanas, com citações claras e um botão de "Aceitar" para feedback.

B. Mecanismo de Autoaperfeiçoamento Contínuo

O Vigil aprende continuamente com cada interação, atualizando sua base de conhecimento sem intervenção manual:

Aprendizado com Perguntas Não Respondidas: Se o Vigil não consegue responder e o analista humano fornece a solução, o sistema extrai essa solução do diálogo subsequente e a salva como um novo par Pergunta-Resposta (QA).
Revisão de Respostas Respondidas:
- Se o usuário aceita a resposta, ela é salva como conhecimento validado.
- Se a resposta não é aceita (ou o analista fornece uma correção), um agente de revisão analisa o contexto. O sistema decide entre:
  - Manter: Se a resposta humana for consistente.
  - Excluir: Se a referência usada estiver obsoleta ou incorreta.
  - Atualizar: Se houver discrepâncias menores, o sistema refina a entrada de conhecimento com novos detalhes contextuais.
Aprendizado com Documentos Externos: O sistema extrai e indexa links para documentação oficial compartilhados durante o chat, garantindo que o conhecimento permaneça atualizado e estruturado.

3. Contribuições Principais

Paradigma Proativo em Suporte On-Call: Introdução do Vigil, que estende o ciclo de ação do agente além do triagem inicial, colaborando ativamente com analistas humanos durante a resolução de incidentes.
Mecanismo de Autoaperfeiçoamento Automatizado: Um sistema que aprende com interações humanas e documentos compartilhados para atualizar autonomamente sua base de conhecimento, reduzindo a dependência de curadoria manual.
Implantação em Produção e Avaliação: O sistema foi implantado no Volcano Engine por mais de 10 meses, com avaliações quantitativas e estudos de caso que demonstram sua eficácia prática.

4. Resultados e Avaliação

O Vigil foi implantado no ambiente de produção do Volcano Engine a partir de março de 2025. Até janeiro de 2026, o sistema processou 131.433 chamadas e gerou 136.234 respostas proativas.

Cobertura Estendida (Q1): Em 40,5% das chamadas onde um analista humano interveio, o Vigil continuou a fornecer assistência valiosa, demonstrando que o ciclo de ação estendido é viável e útil.
Identificação de Perguntas (Q2): A introdução do módulo de identificação de perguntas melhorou significativamente a performance de diversos modelos base (Foundation Models). Por exemplo, o modelo GPT-5-mini viu um aumento de 203,2% no F1-score ponderado ao usar o Vigil.
Precisão das Respostas (Q3): Um estudo ablativo mostrou que o módulo de autoaperfeiçoamento é crucial. O sistema completo superou versões sem autoaperfeiçoamento em até 282,6% (no modelo Seed-1.6). A precisão das respostas proativas no ambiente real foi de 0,591 (59,1%), indicando que a maioria das respostas é correta e útil.
Deduplicação (Q4): A otimização do limiar de similaridade ( $\theta = 0.7$ ) alcançou o melhor equilíbrio entre evitar redundância e manter a utilidade, com um F1-score ponderado de 0,752.

5. Significado e Lições Aprendidas

O trabalho demonstra que a colaboração Humano-AI em suporte técnico pode ser otimizada não apenas substituindo humanos, mas atuando como um "copiloto" proativo que permanece ativo durante toda a crise.

Latência é Crítica: Em cenários de on-call, uma resposta rápida é mais valiosa do que uma resposta complexa e tardia. O Vigil prioriza a velocidade, evitando raciocínio de múltiplos passos que causaria atrasos.
Feedback Ambíguo: O sistema aprendeu que a falta de feedback explícito (não clicar em "Aceitar") não significa necessariamente que a resposta está errada. O Vigil utiliza um mecanismo de revisão baseado no contexto do diálogo subsequente para validar o conhecimento, superando a limitação de depender apenas de cliques de usuários.
Evolução do Conhecimento: A capacidade de aprender com incidentes em tempo real (como em casos de emergência ou erros de SDK específicos) permite que o sistema se adapte a mudanças dinâmicas da infraestrutura de nuvem muito mais rápido do que bases de conhecimento estáticas.

Em suma, o Vigil estabelece um novo paradigma para suporte em nuvem, onde agentes de IA não apenas respondem a perguntas iniciais, mas aprendem continuamente e assistem ativamente os especialistas humanos até a resolução completa do problema.

Help Without Being Asked: A Deployed Proactive Agent System for On-Call Support with Continuous Self-Improvement