A Language for Describing Agentic LLM Contexts

Resumo Técnico: Uma Linguagem para Descrever Contextos de LLMs Agênticos

Declaração do Problema
Os modelos de linguagem de grande porte (LLMs) estão sendo cada vez mais implantados como componentes centrais de raciocínio dentro de sistemas agênticos complexos e multi-componentes. Esses sistemas dependem de contextos de entrada sofisticados que evoluem dinamicamente ao longo do tempo, compreendendo instruções, observações, histórico de interações e saídas de ferramentas. A estrutura desse contexto — especificamente quais mensagens são incluídas, como o histórico é acumulado e sob quais condições o conteúdo aparece — é um artefato de design crítico que molda diretamente o comportamento do agente.

Apesar de sua centralidade, atualmente não existe um método padrão para descrever a construção de contextos. Os praticantes dependem de prosa informal, diagramas ad hoc ou inspeção direta de código. Essa falta de um quadro descritivo compartilhado cria vários problemas:

1. Ambiguidade: Descrições textuais frequentemente falham em capturar com precisão como um prompt evolui através de etapas de interação ou como duas estratégias estruturalmente semelhantes diferem.
2. Reprodutibilidade: Mesmo quando códigos e modelos de prompt são compartilhados, a lógica que governa a montagem do contexto raramente é explícita em artigos de pesquisa, complicando a reprodução.
3. Comparabilidade: É difícil comunicar ou comparar rigorosamente estratégias de evolução de contexto entre diferentes sistemas ou dentro de equipes de pesquisa.
4. Sensibilidade de Desempenho: Pequenas variações estruturais (por exemplo, incluir ou excluir traços de raciocínio do histórico) podem levar a diferenças mensuráveis no desempenho do agente, no entanto, essas nuances são frequentemente obscurecidas na documentação padrão.

Metodologia: A Linguagem de Descrição de Contexto Agêntico (ACDL)
Para abordar esses desafios, os autores introduzem a Linguagem de Descrição de Contexto Agêntico (ACDL), uma linguagem específica de domínio (DSL) projetada para descrever com precisão a estrutura e a dinâmica dos contextos de entrada de LLMs independentemente de qualquer implementação específica.

A ACDL opera com base nos seguintes princípios:

• Abstração: Ela abstrai a redação concreta (o domínio da engenharia de prompts) para focar na macro-lógica da seleção e estruturação de informações (engenharia de contexto). Utiliza rótulos simbólicos para denotar o papel, o tipo e a fonte da informação (por exemplo, distinguindo instruções do sistema de saídas de ferramentas).
• Modelagem Temporal: A linguagem modela sistemas agênticos como máquinas de estado de tempo discreto. Utiliza variáveis indexadas no tempo (por exemplo, @T) para rastrear como os elementos se acumulam através das etapas de interação. Suporta etapas de tempo aninhadas (sub-etapas) para descrever loops complexos, como um chat de múltiplas voltas onde cada volta contém um loop interno ReAct.
• Fluxo de Controle: A ACDL inclui construções para lógica condicional (If, Else, Switch) e iteração (ForEach) para descrever como o contexto é montado, transformado e como o histórico é descompactado no prompt.
• Fontes de Informação: Categoriza as fontes de informação em constantes, estado do sistema (sys), estado do ambiente (env), respostas anteriores do LLM (resp) e funções puras. Isso permite que a linguagem descreva conteúdo dinâmico sem especificar o código subjacente de gerenciamento de estado.
• Suporte Multiagente: A linguagem pode parametrizar contextos por ID de agente, permitindo a descrição de sistemas com estados isolados ou memória/relogios compartilhados.

A linguagem é projetada para ser tanto legível por humanos quanto analisável por máquinas. Suporta renderização visual, permitindo que especificações sejam renderizadas como diagramas (semelhantes a fluxogramas ou diagramas de sequência) que tornam as diferenças estruturais imediatamente aparentes.

Principais Contribuições

1. Especificação Formal da Linguagem: O artigo define a ACDL, uma sintaxe formal para especificar composição, evolução e fluxo de controle de contexto.
2. Ecossistema de Ferramentas: Os autores fornecem um analisador sintático, um visualizador interativo baseado na web, uma extensão para o VS Code com renderização ao vivo e uma habilidade para o Claude Code para operacionalizar a ACDL.
3. Engenharia Reversa e Documentação: Os autores demonstram a utilidade da linguagem documentando vários sistemas existentes:
   • Variantes ReAct: Mostrando como pequenas mudanças estruturais em loops ReAct (por exemplo, colocação de traços de raciocínio) são capturadas explicitamente.
   • OpenCode e OpenClaw: Engenharia reversa dos prompts de loop principal desses agentes de código e assistentes pessoais de código aberto populares para destacar diferenças em suas estratégias de compactação de contexto e chamada de ferramentas.
   • Agente Pokémon do Gemini: Documentando a estrutura de contexto do agente Gemini 2.5 jogando Pokémon Blue, conforme descrito em um relatório técnico, fornecendo uma representação mais clara e menos ambígua do que o texto original.
4. Validação Empírica: Os autores conduziram um pequeno experimento em um agente ReAct onde removeram traços de raciocínio do histórico (uma mudança facilmente especificada na ACDL). Observaram que essa variante prejudicou o desempenho em tarefas de raciocínio, enquanto melhorou ligeiramente o desempenho em tarefas de código, ilustrando o impacto tangível das escolhas de contexto estrutural.

Resultados e Demonstrações
O artigo não afirma resolver o problema de otimizar o contexto, mas sim resolver o problema de descrevê-lo. Os resultados apresentados são qualitativos e demonstrativos:

• Clareza: A ACDL torna as diferenças estruturais (por exemplo, a localização de instruções, a intercalação de respostas de ferramentas) explícitas e comparáveis de relance, enquanto descrições textuais exigem prosa extensa.
• Precisão: A linguagem captura com sucesso cenários complexos, como loops aninhados em agentes de múltiplas etapas e as estratégias específicas de compressão de histórico usadas em sistemas de última geração.
• Potencial de Adoção: Os autores observam que as ferramentas permitem tanto a comunicação humano-humano (através de diagramas em quadro branco ou PDFs) quanto a comunicação humano-IA, observando que agentes de codificação (como o Claude Code) podem ler especificações ACDL para gerar loops agênticos correspondentes.

Significância e Alegações
O artigo posiciona a ACDL como um padrão necessário para a "ciência e engenharia de sistemas agênticos". Sua significância reside em:

• Comunicação Rigorosa: Permitir a comunicação inequívoca de escolhas de design de contexto dentro de equipes e através da comunidade de pesquisa.
• Comparação Fiel: Permitir que pesquisadores comparem estratégias de construção de contexto entre diferentes sistemas sem o ruído de detalhes de implementação.
• Elevação da Engenharia de Contexto: Transformar a construção de contexto de um "pensamento posterior" ou prática informal em um "objeto rigoroso de estudo", fornecendo um vocabulário formal e um método de visualização.

Os autores são modestos em suas alegações, reconhecendo que a ACDL é uma linguagem descritiva, não uma linguagem de programação para construir agentes. Eles também notam limitações atuais, como a dificuldade de descrever sistemas com estado mutável durante a construção do contexto (requerendo uma conversão para um modelo imutável primeiro) e a falta de um mecanismo limpo para sistemas multiagente com relógios separados compartilhando estado mutável. Eles veem a ACDL como um padrão candidato destinado a facilitar documentação, comparação e análise mais claras no campo em rápida evolução dos LLMs agênticos.