Agentic AI Translate: An Agentic Translator Prototype for Translation as Communication Design

Resumo Técnico: Tradução com IA Agente

Declaração do Problema
O artigo identifica uma mudança fundamental no cenário da tradução impulsionada pelos Grandes Modelos de Linguagem (LLMs). Enquanto os sistemas estatísticos e neurais resolveram amplamente o "o quê" da tradução (fidelidade lexical e gramatical), alcançar alta fluência e idiomaticidade tornou-se uma qualidade básica "Obrigatória". A fronteira de valor deslocou-se para o "como": registro, design de público, voz, postura e enquadramento cultural. Os paradigmas atuais de tradução automática tratam tipicamente essas dimensões comunicativas como implícitas ou as aplicam via pós-edição. O artigo argumenta que o vocabulário dos Estudos da Tradução (ET) — conceitos como skopos, registro e equivalência — tornou-se um código de instrução para a IA generativa, contudo, os sistemas existentes carecem de uma arquitetura que operacionalize esses quadros teóricos como entradas explícitas e estruturadas, em vez de conversão de texto não estruturado.

Metodologia
Os autores apresentam a Tradução com IA Agente, um protótipo de pesquisa que operacionaliza a tese de que a tradução é "design de comunicação" e não conversão de texto. O sistema substitui o paradigma padrão de entrada/saída de texto por um ciclo agente estruturado de quatro etapas, precedido por uma fase de especificação interativa.

1. Fase de Especificação Interativa: Antes da geração, o usuário participa de um diálogo assistido pelo modelo para compor um briefing de tradução estruturado. Este briefing fundamenta-se em conceitos dos ET (skopos, público, registro, gênero) e abrange dez seções canônicas (por exemplo, "Coisas a preservar", "Coisas a localizar"). O sistema impõe um mecanismo de "bloqueio", garantindo que nenhuma tradução ocorra sem uma especificação explícita e endossada pelo usuário.
2. O Ciclo Agente de Quatro Etapas:
   • Identificação: Uma chamada ao LLM extrai a análise situacional (skopos, público, registro, etc.) do texto fonte para um formato JSON estruturado.
   • Prompting: Um script Python determinístico monta o prompt final, integrando a especificação bloqueada do usuário, o JSON de identificação, materiais de referência e memória em nível de documento.
   • Geração: Uma única chamada ao LLM (temperatura 0,3) produz a tradução preliminar.
   • Verificação: Um LLM-atuando-como-julgador avalia a saída contra a mesma especificação bloqueada usando o protocolo GEMBA-MQM. Ele identifica faixas de erro, atribui categorias MQM (Precisão, Fluência, Terminologia, etc.) e severidades, e computa uma pontuação determinística. Se a pontuação cair abaixo de um limiar, a lista de erros é alimentada de volta como instruções acionáveis para um loop de refinamento (limitado a duas iterações).
3. Coerência em Nível de Documento: Para lidar com entradas longas, o sistema emprega um sistema de memória "DelTA-lite". Este mantém um registro em execução de nomes próprios, um resumo bilíngue da progressão do documento e o contexto imediato do bloco anterior, injetando-os nos prompts de geração subsequentes para garantir consistência terminológica e tonal.
4. Materiais de Referência: O sistema aceita quatro categorias de entradas de referência (Glossários, Exemplos Pareados, Textos Paralelos, Guias de Estilo), que são injetadas nas etapas de proposta de especificação, prompt de geração e verificação.

Principais Contribuições
A contribuição principal do artigo é arquitetural e conceitual, não empírica.

• Encarnação Executável da Teoria: O sistema fornece uma base de código funcional que traduz a metalinguagem dos Estudos da Tradução (especificamente os quadros de Reiss, Nord, House e Vermeer) em instruções legíveis por máquina. Demonstra que conceitos teóricos podem servir como restrições operacionais diretas para LLMs.
• Arquitetura "Orientada por Especificação": O protótipo impõe um fluxo de trabalho onde o tradutor atua como um "designer" (definindo condições) e um "verificador" (julgando a adequação funcional), em vez de um redator manual. A separação da análise situacional (Etapa 1) da geração permite artefatos inspecionáveis e legíveis, tornando o processo de tradução transparente.
• Implementação de Código Aberto: O sistema é lançado como um protótipo Python de código aberto (aproximadamente 1.200 linhas) usando o SDK da Anthropic e Streamlit, não exigindo ajuste fino, bancos de dados vetoriais ou recursos de GPU. Baseia-se inteiramente em engenharia de prompts e controle de fluxo.

Resultados
O artigo declara explicitamente que nenhuma validação empírica foi conduzida.

• Os autores não apresentam pontuações MQM comparativas, estudos com usuários ou dados quantitativos demonstrando que esta arquitetura produz traduções melhores do que prompts não estruturados ou TA padrão.
• Os "resultados" limitam-se a observações informais em entradas de teste de múltiplos parágrafos, onde a memória DelTA-lite manteve com sucesso a consistência para entidades nomeadas (por exemplo, Natsume Soseki vs. Kushami-sensei) entre blocos.
• O artigo reconhece que a etapa atual de verificação, que utiliza a mesma família de modelos para geração e julgamento, é uma limitação devido ao potencial viés de auto-preferência.

Significado e Alegações
O artigo alega significado como uma prova de conceito conceitual. Argumenta que o "paradoxo da automação" (onde gerar texto é fácil, mas garantir que ele cumpra um propósito específico é difícil) pode ser resolvido tratando o vocabulário dos Estudos da Tradução como o conjunto de instruções para a IA.

• Mudança Filosófica: O sistema operacionaliza a visão de que o papel do tradutor na era da IA Generativa é o design de condições (voz, registro, público) e a verificação do propósito comunicativo, em vez da redação frase por frase.
• Transparência: Ao decompor o processo em etapas distintas e registradas (Identificação, Prompting, Geração, Verificação), o sistema torna a "caixa preta" da tradução por LLM legível e inspecionável, o que é apresentado como uma necessidade pedagógica e de pesquisa.
• Direção Futura: Os autores posicionam este protótipo como a base para pesquisas futuras, especificamente a necessidade de estudos comparativos controlados para validar se a especificação explícita leva a ganhos mensuráveis na "qualidade atraente" (estilo, tom, adequação cultural) e o desenvolvimento de esquemas JSON estruturados para substituir especificações em markdown de forma livre.