🤖 AI

From Cognitive Architectures to Language Agents: A Mechanism-Level Review of Lineage, Convergence, and Migration Gaps

Este artigo apresenta uma revisão em nível de mecanismo que estabelece uma ponte entre arquiteturas cognitivas históricas e agentes de linguagem modernos ao reconstruir sua semântica de controle para identificar padrões de convergência independentes e propor uma agenda falseável para abordar cinco lacunas críticas no acoplamento de mecanismos adaptativos como memória, planejamento e governança de recursos.

Autores originais: Haodi Fan, Zucong Lan

Publicado 2026-07-28

📖 4 min de leitura☕ Leitura rápida

CC BY 4.0

Autores originais: Haodi Fan, Zucong Lan

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 construindo um robô que pode pensar, planejar e resolver problemas. No mundo da inteligência artificial, esse robô é chamado de "agente". Por muito tempo, cientistas tentaram descobrir como tornar esses agentes mais inteligentes, dando-lhes "memória" para lembrar das coisas, habilidades de "planejamento" para traçar etapas e "ferramentas" para interagir com o mundo. Pense nisso como dar a um aluno um caderno, um calendário e um conjunto de chaves de fenda. Mas aqui está a parte complicada: ter esses itens não significa que o aluno saiba como usá-los juntos. Você pode ter um caderno, mas se não souber quando escrever nele ou como virar uma página quando ficar travado, você continuará travado.

Recentemente, surgiu uma nova onda de agentes de IA, impulsionados por enormes modelos de linguagem (aqueles que podem conversar e escrever histórias). Esses novos agentes são incrivelmente capazes, mas muitas vezes parecem uma coleção de dispositivos legais jogados em uma caixa sem um manual de instruções claro sobre como os dispositivos conversam entre si. Cientistas têm olhado de volta para antigos e clássicos projetos de "máquinas pensantes" dos últimos quarenta anos para ver se esses designs antigos podem ajudar a organizar esses novos e caóticos dispositivos. A grande questão é: os novos agentes de IA inventaram acidentalmente os mesmos truques inteligentes dos antigos projetos ou eles realmente aprenderam com eles? E, mais importante, existem peças cruciais de "cola" faltando que impedem o sistema inteiro de funcionar perfeitamente?

Este artigo é como uma enorme história de detetive onde os autores atuam como engenheiros forenses. Eles pegaram dez famosos e antigos projetos de "máquinas pensantes" e os compararam com quarenta e dois sistemas de IA modernos e de alta tecnologia. Em vez de apenas olhar para os rótulos — como dizer "isso tem memória" e "aquilo tem memória" — eles olharam sob o capô para ver exatamente como as engrenagens giravam. Eles queriam saber: Quando a IA fica travada, ela realmente faz uma pausa e pensa de forma diferente, ou ela apenas continua tentando adivinhar? Quando ela aprende um novo truque, ela salva esse truque de uma forma que possa usá-lo mais tarde, ou ela esquece?

Os autores descobriram que os agentes de IA modernos são surpreendentemente bons em fazer muitas das coisas difíceis que os antigos projetos descreviam. Eles descobriram como adaptar sua memória, recuperar-se de erros e até escolher a equipe certa de ferramentas para um trabalho. De fato, eles descobriram que, para um conjunto específico de habilidades (chamado de "governança de habilidades"), um sistema moderno chamado GraSP já construiu uma versão completa e funcional da ideia antiga. É como encontrar um carro moderno que já aperfeiçoou o design do motor de um projeto de 1970.

No entanto, o artigo também revela que a história não terminou. Embora as partes individuais estejam lá, a "cola" que as mantém unidas está frequentemente faltando. Os autores identificaram cinco áreas específicas onde os agentes modernos ainda são um pouco instáveis. Por exemplo, eles podem ter um ótimo sistema de memória e um ótimo sistema de planejamento, mas não têm uma regra que diga ao sistema de memória exatamente como mudar seu comportamento com base no quão útil o plano acabou sendo. É como ter um bibliotecário brilhante e um arquiteto brilhante, mas ninguém dizendo ao bibliotecário quais livros retirar da estante para ajudar o arquiteto a terminar a casa.

Os autores não estão dizendo que os antigos projetos são a única resposta, nem estão dizendo que a nova IA está quebrada. Em vez disso, eles sugerem que o futuro da IA não é construir uma máquina totalmente nova do zero, mas sim conectar cuidadosamente essas peças existentes e poderosas. Eles propõem uma "lista de tarefas" de cinco conexões específicas que os cientistas devem tentar construir a seguir. Se conseguirmos construir essas conexões, podemos finalmente obter agentes de IA que não apenas pareçam inteligentes, mas que realmente pensem, aprendam e se adaptem de uma forma que pareça verdadeiramente humana. O artigo conclui que, embora tenhamos dado passos gigantescos, a verdadeira magia acontece nos espaços entre as partes, e é aí que os próximos grandes avanços provavelmente virão.

Resumo Técnico: De Arquiteturas Cognitivas a Agentes de Linguagem

Declaração do Problema

A literatura atual frequentemente descreve agentes de linguagem utilizando rótulos de características de alto nível (ex: "memória", "planejamento", "reflexão") que obscurecem a semântica de controle subjacente que determina como um agente realmente opera. Esses rótulos mascaram diferenças críticas em estado autoritativo, gatilhos de transição, semântica de falha, efeitos de aprendizado e controles de recursos. Embora as arquiteturas cognitivas históricas (abrangendo quarenta anos) e os modernos runtimes de agentes de linguagem abordem problemas de controle semelhantes, as revisões existentes falham em fornecer um relato mecanismo por mecanismo de sua proveniência, correspondência, profundidade de implementação e os acoplamentos residuais que permanecem fragmentados em sistemas especializados. O problema central é a falta de uma síntese delimitada que conecte mecanismos históricos a runtimes modernos para identificar quais mecanismos de controle adaptativo migraram, até que profundidade e quais acoplamentos específicos permanecem como alvos de pesquisa abertos.

Metodologia

O artigo conduz uma revisão de mapeamento por nível de mecanismo, delimitada por um corpus analítico congelado até 26 de julho de 2026. A metodologia é estruturada em torno de três estratos distintos:

Corpus H (Histórico): Dez famílias de arquiteturas cognitivas (ACT-R, Soar, CLARION, LIDA, Hearsay-II, BDI, MIDCA, ICARUS, EPIC, Sigma).
Corpus M (Moderno): Duas camadas compreendendo oito famílias de runtimes gerais (ex: LangGraph, AutoGen, Letta) e quarenta e dois sistemas focados em mecanismos (ex: AgeMem, GraSP, PALADIN, KnowNo).
Corpus B (Pontes): Trabalhos que ligam explicitamente os domínios histórico e moderno (ex: CoALA, sistemas híbridos BDI-LLM).

Representação de Mecanismo:
Cada mecanismo é reconstruído usando uma tupla de sete campos: $K = \langle S, C, T, P, F, L, R \rangle$ , representando Estado, Controle, Transição, Persistência, Falha, Aprendizado e governança de Recursos.

Estrutura de Codificação:
A revisão emprega dois eixos de codificação independentes para cada correspondência entre um mecanismo histórico e uma implementação moderna:

Relação de Evidência (E1–E4):
- E1: Linhagem documentada (citação explícita).
- E2: Migração estrutural (correspondência implementada de estado/controle).
- E3: Aproximação funcional (função comparável, organização interna diferente).
- E4: Convergência estrutural (organização semelhante, sem evidência de transferência).
Profundidade de Migração (D0–D4):
- D0: Semelhança conceitual.
- D1: Correspondência de interface.
- D2: Estrutura explícita de estado/componente.
- D3: Lei de controle de runtime (gatilho executa ação de controle).
- D4: Lei de controle adaptativo (resultados atualizam política futura).

Extração Residual:
Os autores derivam "feixes residuais" identificando o menor invariante de estado, gatilho, autoridade ou aprendizado ausente no corpus atual. Estes são fundidos ou divididos com base em fronteiras de inserção e dependências compartilhadas. Um processo de "triagem de baseline mais próxima" é aplicado para testar se um candidato a feixe já é implementado por um sistema específico (ex: GraSP), fechando assim essa lacuna.

Principais Contribuições

Catálogo de Mecanismos Distintivos: Uma reconstrução de dez arquiteturas cognitivas históricas, detalhando a cadeia operacional específica (estado consumido $\to$ gatilho $\to$ ação de controle $\to$ transição $\to$ consequência de aprendizado) e o problema de controle específico que cada uma resolve.
Estrutura de Evidência-Profundidade Auditável: Um sistema de codificação de duplo eixo (E/D) que separa reivindicações de linhagem da profundidade de implementação, permitindo a caracterização precisa da migração (ex: um sistema pode ter linhagem E1, mas apenas profundidade de implementação D1).
Agenda de Pesquisa Falsificável: A identificação de cinco feixes de controle residuais e um candidato fechado, formulados como hipóteses testáveis para o desenvolvimento futuro de runtimes, em vez de pedidos de recursos vagos.

Resultados

A análise revela um cenário de migração desigual onde agentes modernos operacionalizaram partes substanciais de memória adaptativa, recuperação de falhas e indução de habilidades, frequentemente através de convergência independente em vez de herança documentada.

Status de Migração por Arquitetura:

ACT-R (Memória): Sistemas modernos (ex: AgeMem, CURATOR) alcançam D4 para políticas de memória adaptativa, mas carecem de uma lei unificada que acople ativação, latência de recuperação e utilidade de ação (Residual B1).
Soar (Falha/Recuperação): Sistemas como PALADIN e AgentDebugX alcançam D3/D4 para diagnóstico e recuperação, mas carecem do acoplamento específico de impasses tipados, subestados protegidos e compilação de resolução (Residual B2).
LIDA (Workspace): Agentes de Workspace Global e DyLAN alcançam D3/D4 para seleção e broadcast, mas a admissão dependente de resultados de coalizões de conteúdo tipado dentro de um ciclo delimitado permanece não integrada (Residual B3).
BDI/MIDCA (Comprometimento/Metacontrole): Sistemas híbridos BDI-LLM alcançam D3 para deliberação explícita, mas falta um ciclo de vida de comprometimento portátil que combine persistência, reconsideração e autoridade de troca de método ao vivo (Residual B4).
ICARUS/CLARION (Habilidades): Sistemas como GraSP, SkillOps e SkVM alcançam D4 para indução e compilação de habilidades. Crucialmente, o candidato de governança de habilidade (B5) está fechado: GraSP já implementa a cadeia completa de roteamento calibrado, verificação tipada, reparo delimitado e fallback de replanejamento.
EPIC/Sigma (Recursos/Incerteza): Sistemas como AIOS e KnowNo alcançam D3 para escalonamento de recursos e ações disparadas por incerteza, mas falta um plano de controle compartilhado que propague incerteza calibrada para alocar orçamento e autorizar interrupção entre estágios (Residual B6).

Os Cinco Feixes Residuais:
O artigo isola cinco acoplamentos específicos que permanecem como alvos de pesquisa abertos:

B1: Ativação, latência de recuperação, utilidade downstream e custo de manutenção.
B2: Impasse tipado, subestado protegido, retorno tipado e compilação de resolução.
B3: Admissão dependente de resultado sobre coalizões tipadas dentro de um ciclo de broadcast delimitado.
B4: Persistência de intenção, reconsideração explícita e autoridade de troca de método ao vivo.
B6: Incerteza propagada, alocação de múltiplos recursos, preempção e interrupção.

Significância e Alegações

O artigo alega deslocar a questão histórica de "reuso de conceito" para "profundidade de lei de controle". Argumenta-se que as arquiteturas cognitivas permanecem valiosas não como blueprints para reconstrução total, mas como fontes de invariantes de runtime precisos e hipóteses de controle falsificáveis.

A significância reside em:

Precisão: Ir além de rótulos de características para definir objetos de estado, gatilhos e fronteiras de autoridade específicos.
Rigor: Estabelecer que a inspiração histórica tem valor científico apenas quando o limite residual sobrevive à comparação contra as baselines atuais de D3/D4 (ex: provar que um novo mecanismo de memória adiciona valor além de CURATOR ou AgeMem).
Viabilidade: Demonstrar que os pontos de inserção necessários existem em runtimes modernos (ex: LangGraph, OpenHands) e que o desafio restante é composicional: tornar as arestas composíveis sem importar suposições representacionais desnecessárias.

Os autores declaram explicitamente que o artigo estabelece hipóteses arquiteturais e viabilidade, não valor causal transdomínio. Os feixes propostos foram desenhados para serem testados contra baselines atuais, onde a falha estreitaria o papel do invariante histórico, e o sucesso validaria o valor composicional desses acoplamentos específicos.