🤖 AI

SwarmResearch: Orchestrating Coding Agents for Open-Ended Discovery

A SwarmResearch introduz um framework de orquestrador-subagente que mitiga as limitações de convergência de agentes de codificação únicos de longa duração ao utilizar um Agente Pastor para guiar uma população de Agentes de Busca com contexto isolado, alcançando assim uma descoberta aberta superior através de paralelismo adaptativo e exploração de nível superior.

Autores originais: Yuvraj Virk, Zack Edds, Chunqiu Steven Xia, Lingming Zhang

Publicado 2026-07-07

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Yuvraj Virk, Zack Edds, Chunqiu Steven Xia, Lingming Zhang

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 está tentando inventar uma nova maneira super rápida de assar um bolo. Você tem uma equipe de confeiteiros brilhantes (os agentes de codificação de IA), mas você quer que eles encontrem a melhor receita possível, não apenas uma ligeiramente melhor.

O artigo apresenta uma nova maneira de organizar esses confeiteiros chamada SWARMRESEARCH. Veja como funciona, usando analogias simples:

O Problema: A Armadilha da "Mente de Via Única"

No passado, se você pedisse a um único confeiteiro de IA para melhorar uma receita de bolo, funcionaria assim:

Ele tenta um novo ingrediente.
Ele prova. Se estiver bom, ele o mantém. Se estiver ruim, ele o joga fora.
Ele faz isso repetidamente, fazendo pequenos ajustes na mesma receita por horas.

O Problema: O confeiteiro fica preso em um "ótimo local". Eles continuam aperfeiçoando um "bolo de chocolate" porque ele já é muito bom, mas nunca percebem que mudar para uma abordagem de "torta de limão" poderia ser 10 vezes mais rápido. Eles estão focados demais nos detalhes minúsculos do caminho atual para enxergar um caminho completamente novo e melhor. Eles também tendem a esquecer suas ideias anteriores porque estão constantemente reescrevendo o mesmo caderno único.

A Solução: A Abordagem de Enxame (Swarm)

Os autores construíram um sistema chamado SWARMRESEARCH para corrigir isso. Pense nisso como uma Fazenda de Pesquisa com dois tipos de trabalhadores:

O Pastor (O Gerente): Esta é a IA principal. Ela não assa o bolo em si. Em vez disso, ela observa toda a fazenda, vê o que está funcionando e decide para onde enviar ajuda.
Os Agentes de Busca (Os Confeiteiros): Estes são os trabalhadores que realmente assam o bolo.

Aqui está a magia de como eles são organizados:

Recomeços (Os Confeiteiros "Exploradores"): Em vez de um confeiteiro trabalhando em um único caderno, o Pastor envia novos confeiteiros com cadernos em branco. Esses confeiteiros "Exploradores" recebem a instrução de ignorar a receita antiga e tentar ideias selvagens e novas do zero. Eles não estão presos na mentalidade do "bolo de chocolate".
Refinadores Especializados (Os Confeiteiros "Otimizadores"): Se o Pastor vê uma ideia nova muito promissora (como uma "torta de limão"), ele envia um tipo diferente de confeiteiro para aquele ramo específico. Este "Otimizador" tem permissão para ver o histórico detalhado daquela ideia específica para que possa polir até a perfeição.
Espaços de Trabalho Separados (As Branches do Git): Esta é a parte mais importante. Cada confeiteiro trabalha em sua própria cozinha separada (uma "branch" de git separada).
- Se o Confeiteiro A tentar uma ideia terrível, eles apenas jogam fora a cozinha deles. Isso não estraga a cozinha do Confeiteiro B.
- Se o Confeiteiro B descobrir uma técnica brilhante, o Pastor pode copiar aquela cozinha para o Confeiteiro C sem que o Confeiteiro C tenha que deletar seu próprio trabalho atual.
- Isso evita que a equipe apague ideias boas acidentalmente só porque estão tentando consertar uma ideia ruim.

Como Ele Vence a Competição

O artigo testou este sistema contra outros métodos (como um único confeiteiro trabalhando por muito tempo ou um grupo de confeiteiros compartilhando um único caderno grande).

O Resultado: O Swarm foi melhor do que os outros em 13 de 15 enigmas difíceis (variando de problemas matemáticos a otimizações de sistemas de computação).
Por quê? Porque o Swarm não apenas "ajustou" a solução existente. Ele foi corajoso o suficiente para tentar abordagens completamente diferentes.
- Exemplo: Em uma tarefa, os métodos antigos apenas ajustavam a temperatura do forno levemente. O Swarm tentou construir um tipo de forno completamente novo.

Um Exemplo do Mundo Real: Acelerando a IA

Os autores usaram este sistema para tentar fazer a IA "pensar" mais rápido (especificamente, uma técnica chamada "decodificação especulativa").

O Jeito Antigo: A IA tentava fazer pequenas edições no código, como mudar uma variável aqui ou ali. Ela conseguia um pequeno ganho de velocidade.
O Jeito do Swarm: Os agentes do Swarm tentaram diferentes estratégias. Um agente percebeu que, em vez de verificar cada palavra individualmente, eles poderiam verificar grupos de palavras de uma só vez (como o processamento em lote/batching). Outro agente percebeu que eles poderiam usar menos "especialistas" para verificar as palavras fáceis.
O Resultado: O Swarm encontrou uma maneira de tornar a IA 4,58 vezes mais rápida do que o método padrão, enquanto os outros métodos conseguiram apenas um aumento de cerca de 2x.

A Conclusão

O SWARMRESEARCH é uma nova maneira de gerenciar pesquisadores de IA. Em vez de deixar uma IA ficar presa em uma rotina, ele usa um gerente para enviar muitas equipes diferentes para explorar diferentes caminhos simultaneamente. Ele mantém seus espaços de trabalho separados para que boas ideias não sejam perdidas, e sabe quando mudar de "tentar coisas novas" para "perfeiçoar a melhor coisa".

É a diferença entre uma pessoa tentando consertar um carro apertando cada parafio e uma equipe de mecânicos que simultaneamente tentam construir um novo motor, uma nova transmissão e um novo chassi, para então escolher a melhor combinação.

Resumo Técnico: SWARMRESEARCH

Declaração do Problema

Agentes de codificação de longa duração, como frameworks de autoresearch, são capazes de descobrir otimizações de forma persistente para problemas abertos. No entanto, os autores observam um modo de falha crítico: esses agentes tendem a convergir rapidamente para uma única abordagem de alto nível e, subsequentemente, passam um tempo extensivo realizando edições de baixo nível e micro-otimizações dentro desse nicho específico. Esse comportamento resulta no fato de o agente perder abordagens superiores e distintas ao problema.

Os autores hipotetizam que essa convergência é causada por duas escolhas específicas de design de harness (suporte/infraestrutura) em sistemas existentes:

Acúmulo de Contexto: Agentes acumulam históricos de conversas longos, preenchidos com refinamentos incrementais de uma única abordagem, tornando improvável mudanças substanciais de estratégia.
Estado Único de Programa: Agentes cometem todas as melhorias a um único programa editável, efetivamente descartando direções alternativas e transformando o processo de busca em uma busca local gananciosa (greedy local search).

Metodologia: SWARMRESEARCH

Para abordar esses gargalos, os autores introduzem o SWARMRESEARCH, um harness de orquestrador-subagente projetado para facilitar a descoberta aberta. O sistema é implementado como um conjunto de habilidades compatíveis com ferramentas populares de agentes de codificação (ex: Claude Code).

Arquitetura

O sistema consiste em dois papéis primários:

Agente Pastor (Orquestrador): Um controlador global que gerencia uma população de Agentes de Busca. Ele mantém o contexto global (resumos de todas as tentativas, pontuações e abordagens) e direciona estrategicamente a população de busca.
Agentes de Busca (Subagentes): Agentes individuais responsáveis por idealizar, implementar, avaliar e iterar sobre soluções. Eles operam com contexto local específico para sua tarefa atribuída.

Mecanismos de Design Chave

O SWARMRESEARCH emprega três mecanismos específicos para manter a diversidade e evitar a convergência prematura:

Ramificação Baseada em Git (Versionamento de Programa):
- Ao contrário de sistemas que editam um único estado de programa, o SWARMRESEARCH atribui a cada Agente de Busca uma nova branch de Git.
- A branch principal contém apenas o baseline. Os agentes de busca ramificam-se a partir do baseline (para exploração do zero) ou de um commit de um agente concluído (para iteração).
- Isso permite que múltiplas abordagens de alto nível concorrentes evoluam independentemente. Soluções promissoras, mas não ótimas, não são descartadas, mas preservadas em suas próprias branches para potencial refinamento ou combinação futura.
Gestão de Contexto em Camadas:
- Contexto Local: Agentes de Busca operam com janelas de contexto frescas ou controladas.
  - Agentes Exploradores: Começam com janelas de contexto frescas, lendo apenas o conteúdo de sua árvore de trabalho (worktree) atribuída. Isso evita que eles sejam ancorados ao trabalho anterior, incentivando a exploração de alto nível.
  - Agentes Otimizadores: Herdam o histórico de conversa de seu agente pai, além da worktree. Isso permite um refinamento profundo e serial quando uma abordagem específica mostra promessa.
- Contexto Global: O Agente Pastor mantém uma visão global de todas as atividades dos Agentes de Busca (resumos e pontuações), mas não expõe o histórico completo de conversas de todos os agentes para cada subagente. Isso evita a convergência de "memória compartilhada" vista em outros sistemas multi-agentes, onde os agentes coletivamente abandonam direções independentes para refinar a solução única de melhor desempenho.
Escalonamento Guiado pelo Orquestrador:
- O Agente Pastor gerencia dinamicamente o orçamento de busca variando o número de agentes paralelos e as iterações seriais com base na profundidade da busca.
- Ele pode gerar ondas de Exploradores concorrentes para espalhar-se pelo espaço de solução e mudar para a geração de Otimizadores quando soluções dominantes emergem.
- O Pastor utiliza prompts para compartilhar contexto mínimo e relevante (ex: "ideias para evitar", "descobertas úteis") sem prescrever ideias específicas, mantendo assim a diversidade de ideias.

Avaliação e Resultados

Os autores avaliaram o SWARMRESEARCH em 15 tarefas de otimização abertas em três domínios: Matemática, Sistemas e Algoritmos Heurísticos. Eles o compararam com baselines de última geração:

EvoX: Um baseline evolutivo guiado por LLM.
CORAL: Um sistema multi-agente de última geração usando memória compartilhada.
Escalonamento Fixo: Um baseline ingênuo executando $n$ agentes concorrentes para $k$ iterações seriais.

Métricas de Desempenho

Sucesso da Tarefa: O SWARMRESEARCH descobriu soluções melhores ou comparáveis aos baselines em 13 de 15 tarefas.
- Excedeu estritamente o EvoX em 13 tarefas e igualou-o em 1.
- Excedeu estritamente o CORAL em 10 tarefas e igualou-o em 2.
Granularidade da Exploração: O SWARMRESEARCH tipicamente realizou mudanças de código de 1,7× a 3,2× maiores (medidas em linhas de código alteradas por tentativa) em comparação com os baselines. Isso indica uma maior frequência de exploração de abordagens de alto nível em vez de apenas ajuste de baixo nível.
Eficiência de Escalonamento: Em uma comparação com o escalonamento fixo ótimo (testando várias configurações de $(n, k)$ ), o escalonamento guiado pelo orquestrador do SWARMRESEARCH superou a melhor configuração fixa em 4 de 5 tarefas. O sistema conseguiu adaptar o paralelismo em diferentes profundidades de busca, alocando o orçamento para uma exploração ampla inicialmente e para uma iteração serial profunda posteriormente.

Estudo de Caso: Decodificação Especulativa

Os autores realizaram um estudo de caso detalhado sobre a otimização da decodificação especulativa para inferência de LLM.

Objetivo: Maximizar o throughput de tokens preservando a precisão em tarefas intensivas de raciocínio.
Resultados: O SWARMRESEARCH alcançou um ganho de velocidade de 4,58× sobre a decodificação vanilla ingênua com 60,6% de precisão (vs. 65,8% do baseline).
Comparação: No mesmo intervalo de tempo (~12 horas), o autoresearch alcançou apenas 1,80× de ganho de velocidade, e o CORAL alcançou 2,26×.
Descobertas: O sistema descobriu otimizações de nível de sistema (ex: batching de passagens forward alvo, thread pools persistentes para construção de distribuição) e contagem adaptativa de especialistas (MoE) que não estavam presentes nos baselines. Também explorou condições de aceitação relaxadas, embora algumas tentativas inovadoras (ex: "amostragem comonotônica") tenham sido identificadas como incorretas após revisão rigorosa.

Significância e Alegações

O artigo afirma que o SWARMRESEARCH demonstra que a engenharia de harness — especificamente a gestão de contexto e o versionamento de programa — é um fator crítico para o sucesso de agentes de codificação de longa duração.

Descoberta Divergente: Ao desacoplar os agentes de longos históricos de conversas convergentes e preservar estados de programa alternativos via ramificação de Git, o sistema evita a armadilha da "busca local gananciosa" comum em sistemas de agente único ou multi-agentes de memória compartilhada.
Escalonamento Autônomo: A arquitetura orquestrador-subagente permite o escalonamento adaptativo em tempo de teste, ajustando dinamicamente o equilíbrio entre exploração (paralelismo) e explotação (refinamento serial) sem ajuste manual de hiperparâmetros.
Limitações: Os autores notam modestamente que o harness não aumenta inerentemente a criatividade dos LLMs subjacentes; as abordagens exploradas ainda tendem a ser variações de métodos conhecidos. Além disso, o comportamento de direcionamento estratégico do Agente Pastor é atualmente dependente de prompts, e os modelos testados às vezes têm dificuldade em sintetizar planos estratégicos complexos sem orientação explícita.

O trabalho posiciona o SWARMRESEARCH como uma base mínima e interoperável para futuros harnesses e treinamento em descoberta aberta, enfatizando que escolhas de design estrutural podem amplificar significativamente as capacidades de descoberta dos agentes de codificação existentes.