MyAG: A Graph-Based Framework for Designing and Analyzing Composable LLM Agent Systems

Imagine um mundo onde os computadores não apenas respondem perguntas, mas realmente fazem coisas. Eles podem navegar na web, reservar voos ou resolver quebra-cabeças complexos agindo como assistentes digitais. Este é o reino dos Agentes de IA. Pense neles não como simples chatbots, mas como pequenos robôs com um cérebro (um Modelo de Linguagem Grande) e um conjunto de mãos (ferramentas para interagir com o mundo). Mas aqui está a parte complicada: construir esses robôs é uma bagunça. Você tem que decidir quais ferramentas eles possuem, como eles pensam passo a passo e o que fazem quando ficam travados. É como tentar construir um carro onde o motor, o volante e o GPS estão todos colados de uma forma que torna impossível trocá-los. Se você quiser mudar a forma como o carro dirige, pode ter que reconstruir todo o motor. Pesquisadores estão tentando descobrir como construir esses agentes para que sejam flexíveis, eficientes e fáceis de consertar, porque, no momento, é difícil dizer se um robô está falhando porque é "burro" ou porque as instruções foram apenas mal escritas.

Apresentamos o MyAG, um novo kit de ferramentas criado por Zhisong Zhang, da City University of Hong Kong. O artigo apresenta o MyAG como um "framework baseado em grafos", que é uma maneira sofisticada de dizer que ele organiza o design do agente em três projetos distintos e claros, em vez de uma única bagunça emaranhada. Os autores sugerem que, ao separar o "quem" (os componentes), o "como" (o fluxo de trabalho) e o "e se" (a estratégia de busca), os desenvolvedores podem misturar e combinar partes como blocos de Lego. Eles descobriram que essa separação torna muito mais fácil testar diferentes estratégias sem precisar reescrever todo o sistema. Em seus experimentos, demonstraram que essa abordagem permite um olhar detalhado sobre as compensações entre o quão bem um agente realiza uma tarefa e quanto tempo ou dinheiro custa para fazê-lo. Eles não alegaram ter resolvido todos os problemas de IA, mas demonstraram que seu método ajuda os pesquisadores a ver exatamente onde o agente está gastando seu tempo e onde pode estar desperdiçando recursos.

Os Três Projetos de um Cérebro Digital

Para entender o MyAG, imagine que você está dirigindo um filme. Você tem três funções distintas, e o MyAG insiste que você as mantenha separadas para que possa consertar uma sem arruinar as outras.

1. O Grafo de Componentes: O Elenco e a Equipe
Esta é a sua lista de quem está no filme. No mundo da IA, estes são os agentes (os atores que tomam decisões), os ambientes (os cenários onde atuam, como um navegador web) e as ferramentas (os objetos de cena que usam). No MyAG, isso é desenhado como um mapa mostrando quem pode falar com quem. Por exemplo, um "Agente de Ação" pode estar conectado a um "Ambiente de Navegador", o que significa que o agente pode clicar em botões em uma página da web. O legal aqui é que você pode reutilizar o mesmo ator para diferentes cenas. Você não precisa construir um novo ator só porque a cena mudou; você apenas diz ao existente o que fazer a seguir.

2. O Grafo de Fluxo de Trabalho: O Roteiro
Este é o roteiro que diz aos atores quando falar e o que fazer a seguir. É o fluxo da história. O agente verifica a previsão do tempo e depois reserva uma passagem? Ou ele volta ao início e tenta novamente se falhar? O MyAG permite que você desenhe este roteiro como um fluxograma. Você pode ter loops, ramificações (se isso acontecer, vá para a esquerda; se aquilo acontecer, vá para a direita) e condições de parada. A melhor parte? Você pode manter o mesmo elenco (Grafo de Componentes) mas trocar o roteiro (Grafo de Fluxo de Trabalho) para ver se uma estrutura de história diferente funciona melhor.

3. O Grafo de Busca: Os Ensaios de "E Se"
É aqui que fica realmente interessante. Às vezes, um robô precisa explorar diferentes caminhos antes de decidir qual é o melhor. Talvez ele tente uma porta, perceba que está trancada e então tente uma janela. O Grafo de Busca registra todos esses cenários de "e se". Ele mantém o registro de cada ramificação que o agente toma, cada beco sem saída e cada caminho bem-sucedido. Isso permite que o sistema utilize estratégias como "Busca de Melhor Primeiro" (sempre escolhendo o caminho mais promissor) ou "Rollback" (voltar a um passo anterior se algo der errado). É como ter um diretor que pode dizer: "Corta! Vamos tentar aquela cena de novo, mas desta vez o personagem corre em vez de caminhar", sem ter que reconstruir todo o cenário do filme.

Construindo Torres com Blocos de Lego

Uma das grandes ideias do artigo é a Composição Hierárquica. Imagine que você está construindo um robô gigante. Em vez de tentar projetar cada pequeno parafuso e fio de uma vez, você constrói uma mão, depois uma perna, depois uma cabeça e, finalmente, as junta. O MyAG permite que você faça isso com agentes de IA. Você pode construir um pequeno "Sistema de Navegação Web" que é realmente bom em encontrar artigos na internet. Então, você pode envolver todo esse sistema e tratá-lo como uma única ferramenta dentro de um sistema maior de "Assistente de Pesquisa".

O artigo explica que esses "subsistemas" podem ser sem estado (resetando toda vez que são usados, como uma calculadora) ou com estado (lembrando o que aconteceu antes, como um assistente humano que lembra suas preferências). Essa modularidade significa que você pode construir agentes complexos conectando peças menores e já testadas, em vez de começar do zero toda vez.

O Cronômetro e a Carteira: Medindo a Eficiência

Os autores também se preocupam com a eficiência. Eles argumentam que o fato de um agente obter a resposta correta não significa que ele seja um bom agente; ele pode ter tentado 100 vezes e custado uma fortuna em tempo de computação.

Eles medem duas coisas principais:

• Custo do LLM ($C_L$): Quanto custa o "cérebro". Isso é calculado com base em quantas palavras (tokens) a IA lê e escreve. Eles usam uma fórmula onde pesam os tokens de entrada e saída, permitindo que os usuários definam preços com base no quão caro é o modelo de IA.
• Custo do Ambiente ($C_E$): Quanto custam as "mãos". Isso mede o tempo necessário para realizar coisas no mundo real, como esperar uma página carregar ou rolar uma página para baixo.

Ao rastrear esses custos, os pesquisadores podem ver a compensação entre desempenho e eficiência. Por exemplo, eles descobriram que uma estratégia simples de "Gananciosa" (apenas fazer a primeira coisa que vem à mente) é a mais rápida e barata, pois não perde tempo verificando alternativas. No entanto, uma estratégia de "Rollback" (que permite que o agente volte e tente novamente) pode ser um pouco mais cara, mas frequentemente obtém um resultado melhor. A estratégia "Melhor de N" (tentar muitos caminhos ao mesmo tempo e escolher o melhor) pode ser muito precisa, mas é muito lenta e custosa.

O Que os Experimentos Mostraram

A equipe testou o MyAG em duas tarefas do mundo real: responder a perguntas complexas (usando o benchmark GAIA) e navegar em sites (usando Mind2Web-Live). Eles realizaram esses testes com diferentes estratégias para ver como elas se comparavam.

• Velocidade vs. Inteligência: A estratégia Gananciosa foi a mais eficiente, levando menos tempo e usando menos tokens de computador porque não perdeu tempo verificando alternativas.
• O Poder das Segundas Chances: A estratégia Rollback teve o melhor desempenho geral quando recebeu tempo suficiente. Ela permitiu que o agente admitisse erros e tentasse novamente, o que levou a uma maior precisão, embora tenha custado um pouco mais em tempo e tokens.
• O Custo da Complexidade: Estratégias como Melhor Primeiro e Melhor de N puderam melhorar o desempenho, mas vieram com um preço alto. Elas exigiram muito mais poder computacional e tempo. O artigo observa que o sucesso desses métodos complexos depende fortemente de ter um bom "juiz" para decidir qual caminho é o melhor.

Eles também detalharam exatamente onde o tempo foi gasto. Para navegação web, descobriram que "rolar a página" era surpreendentemente barato e rápido, enquanto "esperar" uma página carregar era a ação mais cara, ocupando uma grande parte do tempo, mesmo ocorrendo com menos frequência. Esse tipo de análise detalhada ajuda os desenvolvedores a saber exatamente onde otimizar seus agentes.

A Conclusão

O MyAG não é uma varinha mágica que resolve todos os problemas de IA, e os autores são claros ao dizer que ele foi projetado como uma ferramenta de pesquisa, não como um produto final para construir aplicativos comerciais com milhões de usuários. Ele ainda não lida com coisas como segurança ou redes distribuídas. No entanto, ele prova com sucesso que separar o "quem", o "como" e o "e se" torna muito mais fácil projetar, testar e compreender agentes de IA. Ao fornecer aos pesquisadores uma maneira clara de visualizar e medir seus agentes, o MyAG ajuda a entender exatamente como construir assistentes digitais mais inteligentes, rápidos e econômicos. O artigo sugere que essa abordagem é um passo sólido para tornar os sistemas de agentes de IA mais transparentes e gerenciáveis.