Microsoft limpa o chat de agentes de IA e obtém até 66% de ganho com o mesmo orçamento

Agentes de IA autônomos encontram soluções com mais dificuldade à medida que a própria conversa se acumula. Essa é a conclusão de pesquisadores da Microsoft, que batizaram o efeito de "bacias de ideias" (idea basins): regiões locais do espaço de soluções das quais um agente com contexto longo já não consegue escapar. O método proposto por eles, o Fork-and-Flush, limpa o histórico do chat, mas preserva o espaço de trabalho. Com o mesmo orçamento computacional, ele entrega resultados até 66% melhores.

Como o agente fica preso em uma bacia

Um agente que trabalha por muito tempo em uma tarefa vai enchendo o contexto, passo a passo, com hipóteses, tentativas fracassadas e conclusões intermediárias. Tudo isso passa a condicionar o passo seguinte. O modelo continua desenvolvendo a direção já escolhida, mesmo que ela leve a um beco sem saída, e cada nova mensagem reforça essa trajetória. Os pesquisadores descrevem o fenômeno como a queda em uma região local da qual não há saída no curso normal do trabalho.

Aumentar o orçamento não resolve o problema. Se o agente fica rodando em torno de uma única ideia, tokens e passos adicionais só aprofundam a bacia. Por isso, o que importa é a forma de gastar a computação.

Fork-and-Flush: ramificar e limpar

O método tem duas operações. O Fork cria ramificações do processo, e o Flush apaga o histórico do chat. O detalhe central: só a conversa é apagada, e o espaço de trabalho permanece intacto. Tudo o que o agente já fez com as próprias "mãos" continua lá: arquivos, código, artefatos. O modelo recebe um contexto limpo e olha para o ambiente de trabalho pronto, sem o peso dos raciocínios anteriores.

Assim, o agente retoma a tarefa sem os vieses acumulados, mas sem perder o progresso concreto. Daí vem a eficiência: não é preciso reiniciar o trabalho do zero.

Parâmetros principais, segundo o estudo:

• Problema: "bacias de ideias" causadas pelo crescimento do contexto do chat;
• O que é descartado: o histórico de conversa do agente;
• O que é preservado: o espaço de trabalho;
• Orçamento: o mesmo volume de computação da abordagem de base;
• Resultado: ganho de até 66%.

O "até 66%" indica o máximo, não a média. A publicação original do The Decoder não traz detalhamento por tarefa, modelo ou benchmark, então ainda é cedo para avaliar o ganho típico. É preciso consultar o trabalho da própria Microsoft.

O que testar nos seus agentes

A ideia vale bem além do laboratório de pesquisa, sobretudo em programação, onde agentes trabalham por horas. Se os resultados se confirmarem na prática, daí decorrem alguns passos.

Primeiro: guardar o estado no espaço de trabalho, não no diálogo. Tudo o que importa (código, anotações, resultados de verificações) deve ficar em arquivos e no repositório, de onde possa ser lido depois de um reset de contexto.

Segundo: não esticar uma única sessão indefinidamente. Se o agente passa muito tempo sem avançar, sai mais barato limpar o contexto e dar a ele um olhar novo sobre o estado atual do projeto do que despejar mais tokens na mesma conversa.

Terceiro: rodar várias ramificações com contexto limpo em vez de uma só, longa. O orçamento computacional é o mesmo, mas aumentam as chances de encontrar outra "bacia".

O método contraria a suposição habitual de que o contexto acumulado sempre ajuda. Em sistemas agênticos, ele provavelmente deve ser tratado como um recurso com retorno decrescente, que precisa ser gerenciado com o mesmo cuidado dedicado a tokens e tempo de execução.