🤖 AI

Trajectory-Aware Retrieval Agents for Temporal Decision- Making

Este artigo introduz o TLM, uma estrutura de agente de malha fechada que utiliza modelos de curva de crescimento latente sobre embeddings recuperados para preservar a estrutura temporal e refinar iterativamente as evidências, superando significativamente abordagens padrão de recuperação aumentada que são aplicadas em tarefas de tomada de decisão temporalmente fundamentadas, como diagnóstico médico e previsão financeira.

Autores originais: Jing Wang, Jie Shen, Xing Niu

Publicado 2026-07-27

📖 7 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Jing Wang, Jie Shen, Xing Niu

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 resolver um mistério, mas em vez de uma única pista, você tem uma pilha enorme e caótica de notas de um detetive que escreveu ao longo de vários anos. Algumas notas descrevem o início do caso, outras o meio e algumas o próprio fim. Se você apenas pegar um punhado dessas notas ao acaso e pedir a um robô superinteligente para resolver o mistério, o robô pode ficar confuso. Ele pode misturar uma pista de 1990 com uma pista de 2024, ou perder o fato de que o comportamento de um suspeito mudou lentamente ao longo do tempo. Este é o problema que os cientistas enfrentam quando tentam usar Inteligência Artificial (IA) para tomar decisões baseadas em histórias longas, como prontuários médicos ou relatórios do mercado de ações. A IA é ótima em ler, mas frequentemente esquece quando as coisas aconteceram.

Para corrigir isso, pesquisadores estão construindo "agentes" — sistemas de IA que podem pensar, procurar informações e, então, decidir. Uma ferramenta comum que eles usam é chamada de Geração Aumentada de Recuperação (RAG). Pense no RAG como um bibliotecário que corre até as estantes para encontrar livros que correspondam à sua pergunta, trazê-los de volta e entregá-los à IA. O problema é que os bibliotecários padrão apenas pegam livros que soam semelhantes, ignorando o fato de que a história dentro deles possui uma linha do tempo. Eles podem entregar a você uma página do fim de um romance antes da página onde o personagem se apaixona. Este artigo introduz uma nova maneira de ajudar a IA a entender a história dos dados, não apenas as palavras. Ele trata a informação como um rolo de filme, observando como o enredo avança, detectando reviravoltas repentinas e preenchendo cenas ausentes, tudo para fazer melhores previsões sobre o futuro.

A História do Detetive de "Trajetória"

Os pesquisadores por trás deste artigo, Jing Wang, Jie Shen e Xing Niu, perceberam que as ferramentas de IA padrão são péssimas em lidar com o tempo. Se você pedir a uma IA normal para prever o que acontecerá a seguir com base no histórico médico de um paciente ou nas demonstrações de resultados de uma empresa, ela frequentemente trata a informação como um saco de bolinhas de gude. Ela seleciona as bolinhas "importantes" (sentenças), mas ignora a ordem em que foram coletadas. No mundo real, o tempo importa. A febre de um paciente subindo ao longo de três dias é uma história diferente de uma febre que tem um pico e depois cai. O tom de um CEO mudando de confiante para nervoso durante uma chamada é uma pista crítica que se perde se você apenas ler as sentenças fora de ordem.

Para resolver isso, a equipe construiu um novo sistema chamado TLM (Modelo de Linguagem de Trajetória). Você pode pensar no TLM como um detetive que não apenas lê o arquivo do caso; ele assiste ao filme do arquivo do caso.

Passo 1: A Busca Inteligente
Primeiro, o TLM atua como um bibliotecário híbrido. Ele usa dois métodos para encontrar pistas: um que busca correspondências exatas de palavras (como procurar por um nome específico) e outro que busca a "vibe" ou o significado das palavras. Ele pega algumas páginas iniciais do documento para começar.

Passo 2: A Curva de Crescimento (O Truque do "Rolo de Filme")
Este é o grande truque de mágica do artigo. Em vez de apenas ler as páginas, o TLM observa a forma da história. Ele utiliza uma ferramenta matemática chamada Modelo de Curva de Crescimento Latente (LGCM). Imagine que você está observando uma planta crescer. Você não olha apenas para a planta na terça-feira e para a planta na sexta-feira; você olha para a linha que as conecta. A planta está crescendo de forma constante? Está murchando? Parou de crescer subitamente?
O TLM faz isso com o texto. Ele transforma as sentenças em uma linha em um gráfico.

Tendência: A história está melhorando, piorando ou permanecendo a mesma?
Pontos de Virada: A história mudou de direção subitamente? (Como um paciente que piora após ter se sentido melhor).
Lacunas: A história pulou um batimento? (Como um dia perdido em um diário).
Se o TLM vê uma "lacuna" na história, ele sabe que deve voltar à biblioteca e encontrar as páginas perdidas para preencher o buraco.

Passo 3: O Placar "SHAP"
Uma vez que o TLM tem um monte de pistas, ele precisa decidir quais delas importam mais. Ele usa um método chamado SHAP, que é como um jogo onde cada sentença recebe uma pontuação de quanto ajudou a resolver o quebra-cabeça. O TLM usa um "pontuador" minúsculo e rápido para realizar esse cálculo rapidamente. Se uma sentença é super importante, o TLM a utiliza para pedir ao bibliotecário mais pistas relacionadas. Crucialmente, o TLM nunca descarta uma pista que já encontrou; ele apenas adiciona novas. Isso garante que a história continue ficando mais rica, nunca mais pobre.

Passo 4: A Decisão Final
Finalmente, o TLM alimenta essa história organizada e consciente do tempo a um grande cérebro de IA (um Modelo de Linguagem Grande) para fazer a decisão final. Como a história agora está ordenada e completa, a IA pode fazer um palpite muito mais inteligente.

O Que Eles Descobriram

A equipe testou este novo detetive em três tipos muito diferentes de mistérios:

Questões Médicas: Eles pediram ao sistema para responder a perguntas médicas difíceis com base em históricos de pacientes. A IA padrão (sem o TLM) acertou cerca de 34,6% das respostas. O novo sistema TLM acertou 64,2%. Isso é quase o dobro da taxa de sucesso! O artigo sugere que isso ocorre porque as histórias médicas são todas sobre como um paciente muda ao longo do tempo, e o TLM foi o único que percebeu o padrão.
Chamadas de Resultados: Eles tentaram prever se as ações de uma empresa subiriam ou cairiam após o discurso de um CEO. Isso é notoriamente difícil porque o mercado de ações é muito inteligente e reage instantaneamente. A IA padrão foi pouco melhor do que o acaso (cerca de 50,7%). O TLM melhorou isso para 58,0%. Embora não pareça um salto enorme, no mundo das finanças, vencer o mercado mesmo que um pouco é algo grandioso.
Lacunas de Ações: Eles tentaram prever se o preço de uma ação saltaria para cima ou para baixo na manhã seguinte. Eles simularam um jogo de negociação começando com US$ 10.000. A IA padrão terminou com US$ 12.067. O TLM, ao detectar melhor as tendências, fez o dinheiro crescer para US$ 20.400.

A Conclusão

O artigo mostra que, quando você dá a uma IA uma maneira de entender a forma de uma história ao longo do tempo, ela se torna um detetive muito melhor. Ao usar a matemática para rastrear tendências e preencher peças faltantes, o TLM não apenas lê as palavras; ele entende a jornada. Os autores são cuidadosos ao dizer que isso não é uma varinha mágica que resolve tudo — funciona melhor quando a informação possui uma linha do tempo clara, e ainda precisa ser testado em mais situações do mundo real. Mas, por enquanto, prova que, se você quer que uma IA tome boas decisões sobre o futuro, você deve ensiná-la a olhar para o passado em ordem.

Resumo Técnico: Agentes de Recuperação Sensíveis à Trajetória para Tomada de Decisão Temporal

Declaração do Problema

O artigo aborda as limitações das pipelines padrão de Geração Aumentada por Recuperação (RAG) quando aplicadas a tarefas de tomada de decisão de alto risco que envolvem textos de longa duração e estruturados temporalmente (ex: históricos clínicos, conferências de resultados, dados do mercado de ações).

As abordagens RAG padrão recuperam fragmentos de texto baseando-se apenas na similaridade semântica, fragmentando o contexto cronológico em uma "sacola de textos" desordenada. Essa perda estrutural é crítica porque muitos problemas de decisão dependem da trajetória da informação — como o agravamento dos sintomas de um paciente, a mudança de orientação de um CEO ou a dependência de preços de ações em série. Descartar essa estrutura temporal pode levar ao condicionamento em evidências contraditórias ou à perda de transições críticas. Além disso, os LLMs autorregressivos padrão produzem sequências de tokens em vez de decisões de classificação delimitadas, o que leva a uma alta variância e sensibilidade à formatação de prompts quando forçados a produzir rótulos discretos.

Metodologia: TLM (Modelo de Linguagem de Trajetória)

Os autores propõem o TLM, um framework de agente de malha fechada que integra métodos estatísticos clássicos à pipeline RAG para modelar a trajetória latente da evidência recuperada. O framework opera em cinco estágios:

Recuperação Híbrida: O documento de origem é particionado em fragmentos sobrepostos. A recuperação inicial utiliza uma abordagem híbrida combinando correspondência léxica esparsa (BM25) e similaridade semântica densa (via codificador de sentenças pré-treinado) para formar um conjunto inicial de evidências $Z^{(0)}$ .
Modelagem de Curva de Crescimento Latente (LGCM): Os fragmentos recuperados ordenados são tratados como observações de um estado latente em evolução. Os embeddings desses fragmentos são ajustados a uma LGCM linear ( $e_i = \mu + \beta t_i + \epsilon_i$ $e_{i} = μ + β t_{i} + ϵ_{i}$ ), onde $\mu$ $μ$ representa o estado basal e $\beta$ $β$ a taxa de mudança. Essa decomposição gera três sinais acionáveis:
- Classificação de Tendência: Categorizar a trajetória como estável, progressiva ou com mudança de direção.
- Detecção de Ponto de Virada: Sinalizar fragmentos cujos resíduos excedem a média como desvios da trajetória esperada.
- Detecção de Lacuna: Identificar diferenças acentuadas entre embeddings sucessivos para disparar a re-recuperação direcionada de informações intermediárias ausentes.
Reclassificação e Recuperação Aprendida: Um pontuador leve baseado em atenção $g_\theta$ é treinado conjuntamente com o LLM. Ele reclassifica os fragmentos por importância e constró-los "queries aprendidas" (embeddings médios dos fragmentos com maior pontuação) para recuperar evidências adicionais que podem não ter correspondência léxica com a query original, mas são diagnosticamente relevantes.
Classificação por LLM: O conjunto final de evidências (fragmentos reclassificados, resumo da LGCM, query e opções) é passado para um LLM causal. O modelo pontua as opções de resposta usando logits de próximo token para produzir uma classificação discreta.
Refinamento Iterativo Guiado por SHAP: Após a predição inicial, o sistema estima a contribuição de cada fragmento usando uma aproximação leave-one-out dos valores de Shapley, computada eficientemente via o pontuador leve. Fragmentos com contribuições positivas geram novas queries para recuperar evidências adicionais. Crucialmente, este refinamento é apenas aditivo; fragmentos previamente recuperados nunca são descartados.

Os autores fornecem uma proposição teórica afirmando que, sob uma suposição de calibração do pontuador, este procedimento de refinamento aditivo é monotonicamente não decrescente na probabilidade atribuída ao rótulo correto.

Principais Contribuições

Modelagem de Curva de Crescimento Latente para RAG: O artigo introduz a primeira aplicação de LGCMs a trajetórias de evidência em RAG. Isso fornece uma decomposição principista da evidência em baseline, tendência e resíduos, permitindo a detecção de tendências, pontos de virada e lacunas de informação.
Arquitetura Conjunta LLM-Pontuador: Os autores propõem um pontuador leve treinado conjuntamente com o LLM para permitir a estimativa eficiente de valores SHAP. Isso substitui as caras passagens de forward do LLM por passagens baratas do pontuador, tornando prático o refinamento iterativo de evidências.
Validação Empírica em Diferentes Domínios: O framework é avaliado em três tarefas de decisão temporal distintas: perguntas e respostas médicas, previsão de surpresa em conferências de resultados e previsão de gaps de ações durante a noite.

Resultados Experimentais

O framework TLM foi avaliado em três conjuntos de dados usando um backbone Qwen3-14B e embeddings BAAI/bge-large-en-v1.5:

Perguntas e Respostas Médicas (MedQA): O TLM alcançou 64,2% de acurácia, superando significativamente o baseline de LLM zero-shot (34,6%) e um classificador baseado apenas em embeddings (15,3%). Isso demonstra a necessidade de inferência multi-hop sobre evidências temporalmente estruturadas no raciocínio clínico.
Previsão de Surpresa em Conferências de Resultados: Em uma tarefa de classificação binária prevendo a reação do mercado a resultados, o TLM alcançou 58,0% de acurácia. Isso supera os LLMs zero-shot (50,7%) e os baselines de recuperação padrão, que mal excederam o acaso, destacando a dificuldade da tarefa devido à hipótese do mercado eficiente.
Previsão de Gap de Ações Noturnas: Em uma tarefa de classificação de 3 vias (Comprar/Manter/Vender) simulada como uma estratégia de trading, o TLM alcançou 38,3% de acurácia comparado a 27,5% do baseline zero-shot. Em termos de impacto econômico, o TLM fez crescer um portfólio simulado de \ $10.000 para **\$ 20.400**, comparado aos $12.067 do baseline.

Significância e Alegações

O artigo afirma que o TLM preenche uma lacuna entre a metodologia estatística para análise de dados longitudinais e os modernos agentes de LLM. Ao tratar a evidência recuperada não como um conjunto desordenado, mas como uma trajetória temporal, o framework permite que agentes raciocinem sobre tendências e transições em vez de fatos estáticos.

Os autores enfatizam que, embora os ganhos em tarefas financeiras sejam modestos em termos percentuais, eles são economicamente significativos dada a dificuldade de prever reações do mercado. A abordagem é apresentada como um método generalizável para melhorar a tomada de decisão em qualquer domínio onde a ordem cronológica e a evolução da informação são críticas para o resultado correto. O trabalho não pretende resolver todos os desafios de raciocínio temporal, mas oferece um mecanismo específico (LGCM + refinamento SHAP) para mitigar a perda estrutural inerente às pipelines RAG padrão.