💬 NLP

Improving the Efficiency of Language Agent Teams with Adaptive Task Graphs

O artigo apresenta o LATTE, um framework que coordena equipes de modelos de linguagem grandes por meio de um grafo de tarefas compartilhado e em evolução para equilibrar dinamicamente a consistência estrutural com a adaptabilidade, reduzindo assim o consumo de recursos e as falhas de coordenação enquanto mantém ou melhora a precisão em comparação com abordagens estáticas ou não estruturadas existentes.

Autores originais: Elizabeth Mieczkowski, Alexander Ku, Tiwalayo Eisape, Dilip Arumugam, John Matters, Katherine M. Collins, Ilia Sucholutsky, Thomas L. Griffiths

Publicado 2026-05-08

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Elizabeth Mieczkowski, Alexander Ku, Tiwalayo Eisape, Dilip Arumugam, John Matters, Katherine M. Collins, Ilia Sucholutsky, Thomas L. Griffiths

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 tem uma equipe de robôs incrivelmente inteligentes, mas levemente caóticos, tentando construir uma máquina complexa juntos. Alguns robôs são ótimos no planejamento, outros na construção e alguns na verificação do trabalho. O problema é: como fazê-los trabalhar juntos sem pisar nos pés uns dos outros, desperdiçar tempo ou construir as peças erradas?

Este artigo apresenta uma nova maneira de organizar essas equipes de robôs chamada LATTE (Agentes Linguísticos em Equipe para Evolução de Tarefas).

O Problema: Dois Extremos Ruins

Os autores afirmam que as formas atuais de organizar equipes de IA caem em duas armadilhas:

A Fábrica Rígida: Imagine uma linha de montagem estrita onde cada robô tem um trabalho fixo e uma ordem fixa. O Robô A deve fazer a etapa 1, depois o Robô B deve fazer a etapa 2.
- O problema: Se o Robô A cometer um erro ou se as instruções mudarem no meio do caminho, toda a linha para. Os robôs não conseguem se adaptar. Se o Robô A é lento, todos esperam.
O Faroeste Selvagem: Imagine um grupo de robôs em uma sala sem regras. Todos gritam ideias e começam a construir o que quiserem.
- O problema: Eles acabam brigando pelas mesmas ferramentas, construindo a mesma peça duas vezes ou sobrescrevendo o trabalho uns dos outros. É caótico e desperdiça muita energia.

A Solução: Um Mapa Vivo (O "Grafo de Tarefa Adaptativo")

O LATTE resolve isso dando à equipe um mapa compartilhado e vivo (chamado de "Grafo de Coordenação Dinâmico"). Pense neste mapa como um quadro branco que toda a equipe pode ver e atualizar em tempo real.

Veja como funciona usando uma analogia simples:

A Equipe: Você tem um Líder (o gerente de projeto) e vários Trabalhadores (os construtores).
O Mapa: Em vez de uma lista de verificação fixa, o mapa mostra tarefas como pontos conectados por linhas.
- Pontos (Nós): São pequenos trabalhos (por exemplo, "corrigir o código", "analisar os dados").
- Linhas (Arestas): Mostram dependências (por exemplo, "você não pode pintar a parede até que o drywall seja consertado").
- A Fronteira: É a borda do mapa onde estão todos os trabalhos "prontos para começar".

Como o LATTE Comanda o Show

A mágica do LATTE está em como a equipe interage com este mapa:

O Líder Desenha o Mapa: No início, o Líder olha para o grande objetivo e desenha o mapa inicial.
Trabalhadores Reivindicam Tarefas: Em vez de esperar que o Líder distribua cada tarefa individualmente, se um trabalhador terminar seu trabalho e ver um espaço "pronto" vazio no mapa, ele pode reivindicá-lo sozinho. É como um trabalhador dizendo: "Estou livre, vou pegar aquele próximo trabalho", em vez de esperar que um chefe diga o que fazer.
Descobrindo Novas Tarefas: À medida que os trabalhadores realizam seus trabalhos, podem perceber: "Ah, preciso fazer aquela outra coisa primeiro que não havíamos pensado". Eles podem adicionar um novo ponto ao mapa imediatamente.
O Líder como Rede de Segurança: O Líder observa o mapa. Se um trabalhador ficar preso (como um robô girando as rodas), o Líder pode liberar aquela tarefa e entregá-la a outra pessoa. Se uma tarefa parecer arriscada, o Líder pode adicionar uma etapa de "verificação" para conferir o trabalho.

Por Que Isso é Melhor (Os Resultados)

Os autores testaram o LATTE contra os métodos "Fábrica Rígida" e "Faroeste Selvagem" em tarefas como depuração de código, análise de dados e construção de bibliotecas de software.

Menos Desperdício: Como o mapa impede que dois trabalhadores tentem corrigir o mesmo arquivo ao mesmo tempo, eles desperdiçaram muito menos tempo e poder computacional (tokens).
Mais Rápido: Ao permitir que os trabalhadores peguem tarefas assim que estiverem prontos (em vez de esperar por um chefe), a equipe concluiu as tarefas muito mais rápido.
Mais Inteligente: A equipe pôde se adaptar quando as coisas deram errado. Se um plano falhou, eles puderam redesenhar o mapa na hora.
Melhor Qualidade: A equipe cometeu menos erros e produziu resultados mais precisos do que os outros métodos.

A Grande Conclusão

O artigo argumenta que você não precisa de um chefe estrito para controlar cada movimento, nem precisa deixar todos agirem sem controle. O ponto ideal é um plano compartilhado e em evolução que a equipe constrói juntos.

Pense nisso como um grupo de caminhantes navegando uma montanha.

Rígido: Uma pessoa segura um mapa e diz: "Passo para a esquerda, depois para a direita, depois para a esquerda". Se esbarrarem em uma pedra, todo o grupo para.
Selvagem: Todos correm em direções diferentes, gritando, e eventualmente se perdem uns dos outros.
LATTE: Eles têm um mapa GPS compartilhado. O líder atualiza a rota, mas se um caminhante vê um caminho melhor ou uma trilha bloqueada, ele pode atualizar o mapa para todos. Se alguém ficar preso, o grupo pode rapidamente reorientá-lo. Todos sabem para onde estão indo, mas podem se adaptar ao terreno conforme avançam.

O resultado é uma equipe eficiente, que não desperdiça recursos e consegue lidar com problemas complexos e em mudança muito melhor do que antes.

Resumo Técnico: Melhorando a Eficiência de Equipes de Agentes de Linguagem com Grafos de Tarefa Adaptativos

Declaração do Problema

Equipes de Modelos de Linguagem de Grande Escala (LLM) estão sendo cada vez mais implantadas para resolver tarefas colaborativas complexas, no entanto, as arquiteturas de coordenação existentes enfrentam uma tensão fundamental entre estrutura e adaptabilidade. As abordagens atuais tipicamente ocupam um dos dois extremos:

Sistemas Altamente Estruturados: Frameworks como MetaGPT ou hierarquias Líder-Trabalhador dependem de papéis fixos, pipelines pré-especificados ou decomposições de tarefa estáticas atribuídas a priori. Embora garantam consistência, carecem de flexibilidade para se adaptar quando novas dependências emergem, cargas de trabalho mudam ou agentes falham. Frequentemente sofrem de gargalos, pontos únicos de falha (por exemplo, alucinações do Líder) e ineficiências quando o plano inicial é subótimo.
Sistemas Totalmente Não Estruturados/Descentralizados: Estes permitem que agentes operem autonomamente, fomentando adaptabilidade. No entanto, frequentemente sofrem de propagação de erros, conflitos entre agentes (por exemplo, sobrescrita de arquivos), saídas redundantes e sobrecarga de comunicação superlinear. Sem andaimes de coordenação, agentes frequentemente sobrescrevem o trabalho uns dos outros ou falham em detectar quando dependências sequenciais são violadas.

O desafio central é projetar um mecanismo de coordenação que mantenha consistência global e eficiência enquanto preserva a capacidade de adaptação dinâmica e sensível ao contexto inerente aos LLMs.

Metodologia: Framework LATTE

Os autores propõem o LATTE (Equipes de Agentes de Linguagem para Evolução de Tarefa), um framework de orquestração formal inspirado em protocolos de sistemas distribuídos. O LATTE permite que uma equipe de agentes construa, mantenha e adapte colaborativamente um Grafo de Coordenação Dinâmico compartilhado durante a execução.

Arquitetura Central

Papéis dos Agentes: A equipe consiste em um Líder ( $\ell$ $ℓ$ ) e um conjunto de Trabalhadores ( $W$ $W$ ).
- O Líder mantém visibilidade global do grafo de coordenação e controla operadores com consequências em todo o grafo (por exemplo, atribuir tarefas, verificar saídas, liberar tarefas estagnadas).
- Trabalhadores executam subtarefas atribuídas e possuem visibilidade local. Podem propor mudanças estruturais (por exemplo, descobrir novas subtarefas) e reivindicar trabalho disponível.
Grafo de Coordenação Dinâmico ( $G_t$ ): Um grafo acíclico direcionado (DAG) onde:
- Nós representam subtarefas.
- Arestas codificam restrições de dependência (um nó não pode começar até que seus predecessores estejam completos).
- Estado ( $\lambda_t$ ): Cada nó é atribuído a um agente e um status do conjunto $\{pending, assigned, in\_progress, done, verified\}$ .
- Frente ( $F_t$ ): O conjunto de nós pendentes sem dependências insatisfeitas. Estes representam as tarefas imediatamente disponíveis para execução paralela.

Operadores de Mutação do Grafo

O LATTE define um conjunto de operadores explícitos com pré-condições e pós-condições para mutar o grafo, garantindo que a invariante do DAG seja preservada:

DISCOVER (Descobrir): Adiciona um novo nó pendente (subtarefa) com dependências especificadas. Pode ser invocado pelo Líder ou pelos Trabalhadores.
ASSIGN (Atribuir): O Líder atribui um nó pendente a um Trabalhador específico.
CLAIM (Reivindicar): Um Trabalhador reivindica proativamente um nó da frente ( $F_t$ ) se estiver ocioso, imitando o roubo de trabalho para reduzir sobrecarga.
COMPLETE (Completar): Um Trabalhador marca seu nó atribuído como concluído.
RELEASE (Liberar): O Líder reatribui uma tarefa estagnada (detectada via monitoramento de batimento cardíaco) de volta ao estado pendente.
CLOSE (Fechar): O Líder força a conclusão de um nó sem aguardar o sinal do Trabalhador (usado quando os testes passam, mas o agente está travado).
VERIFY (Verificar): O Líder gera um nó de verificação para saídas de alto risco, acionando uma revisão antes que tarefas a jusante prossigam.

Protocolo de Execução

A execução prossegue em rodadas:

Planejamento: O Líder inicializa $G_0$ decompondo a tarefa.
Monitoramento: Verificações de batimento cardíaco identificam retardatários (agentes inativos por $H$ rodadas).
Disparo: Trabalhadores ociosos reivindicam tarefas de $F_t$ ; o Líder atribui as tarefas restantes.
Execução Paralela: Agentes selecionados executam suas subtarefas.
Atualização do Grafo: Agentes propõem mutações (DISCOVER, COMPLETE, CLAIM), que são serializadas e mescladas pelo Líder para atualizar $G_t$ .

Este modelo híbrido equilibra consistência (via serialização das atualizações pelo Líder) com adaptabilidade (via capacidade dos Trabalhadores de descobrir tarefas e reivindicar trabalho).

Contribuições Principais

Framework de Orquestração Formal: O LATTE introduz um protocolo de execução rigoroso usando grafos de tarefa dinâmicos com operadores explícitos de mutação de grafo. Esta estrutura induz propriedades desejáveis em tempo de execução, como paralelismo máximo via nós de frente.
Modelo Híbrido Centralizado-Descentralizado: O framework emprega um modelo de dois níveis onde os Trabalhadores propõem modificações estruturais e o Líder as avalia. Isso é fundamentado em uma conta probabilística de decomposição de tarefa (análogo à amostragem Metropolis-Hastings), equilibrando adaptabilidade local com consistência global.
Interpretabilidade e Auditoria: Ao externalizar decisões de coordenação para um grafo em evolução, o LATTE torna o comportamento da equipe observável. Os autores introduzem uma suíte de métricas de coordenação (taxa de sobrescrita, conflitos concorrentes, caracteres desperdiçados, rodadas ociosas, latência da cauda de retardatários) para avaliar sistemas multiagente além da simples precisão.
Validação Empírica: Experimentos extensivos demonstram que o LATTE supera frameworks existentes em eficiência e precisão.

Resultados Experimentais

Os autores avaliaram o LATTE contra quatro baselines (MetaGPT, Líder-Trabalhador, Descentralizado e uma ablação de Grafo Estático) em três tarefas: Análise Exploratória de Dados, Depuração e Extensão de Biblioteca, usando Claude Sonnet 4-6 e GPT-5.2.

Eficiência: O LATTE alcançou um custo médio de tokens de 47,5% em relação ao próximo melhor método (Grafo Estático), reduzindo o uso de tokens em quase metade. Também reduziu significativamente o tempo de relógio em comparação com as baselines Líder-Trabalhador e MetaGPT.
Precisão: O LATTE alcançou a maior precisão geral de tarefa (79,7%), superando grafos estáticos (57,6%), pipelines fixos (33,9%) e equipes descentralizadas (73,9%).
Qualidade de Coordenação:
- Conflitos: O LATTE reduziu as sobrescritas de agentes em 5,3x em comparação com Líder-Trabalhador e 8,2x em comparação com equipes descentralizadas.
- Saída Desperdiçada: Caracteres descartados foram reduzidos de ~45k (Líder-Trabalhador) para ~5k por tentativa.
- Comunicação: Agentes do LATTE enviaram menos mensagens (20,4 vs. 31,4–34,8) e trocaram conteúdo mais enxuto.
- Retardatários: O mecanismo de batimento cardíaco permitiu que o LATTE se recuperasse de agentes travados, reduzindo o tempo de conclusão no percentil 95 para nós em 2,3x em comparação com sistemas estáticos.
Adaptação Dinâmica: A análise mostrou que as equipes do LATTE utilizaram ativamente toda a gama de operadores de grafo, sendo "Descobrir" o mais frequente, confirmando que as equipes expandiram seus grafos de coordenação à medida que novos requisitos emergiam durante a execução.

Significado e Alegações

O artigo argumenta que estruturas de coordenação explícitas mantidas pelos próprios agentes são um caminho viável para equipes de LLM que são simultaneamente mais eficientes, interpretáveis e adaptativas.

Mudança de Paradigma: O LATTE desafia a suposição de que estruturas de coordenação devem ser impostas por um arquiteto de sistema a priori. Em vez disso, demonstra que permitir que agentes mantenham e revisem sua própria estrutura de coordenação online permite que as equipes se adaptem às evidências acumuladas durante a execução.
Redução de Custos: Ao reduzir o consumo de tokens, o tempo de relógio e a comunicação redundante, o LATTE reduz diretamente os custos computacionais e financeiros associados a equipes de LLM.
Robustez: O framework fornece mecanismos para tolerância a falhas (recuperação de retardatários) e controle de qualidade (verificação seletiva) que emergem naturalmente do protocolo de coordenação, em vez de serem codificados rigidamente.

Os autores notam limitações, incluindo sobrecarga de planejamento para tarefas simples, o foco atual em domínios com limites naturais de subtarefas (como codificação) e o tamanho fixo da equipe usado para benchmarking. Eles sugerem que trabalhos futuros poderiam explorar a extensão de operadores para tarefas de raciocínio menos estruturadas e aplicar aprendizado por reforço para otimizar a construção de grafos e protocolos de coordenação.