Design Anything mantém o briefing em projetos grandes: +25% em 24 artefatos

Um agente capaz de desenhar um bom logotipo ainda não é um designer. Um projeto real reúne dezenas de artefatos conectados: logotipo, paleta de cores, embalagem, redes sociais, apresentação. Cada um se apoia nas decisões dos anteriores.

É aí que os agentes costumam falhar: no vigésimo arquivo, o briefing já foi esquecido e as cores não batem mais. A equipe por trás do Design Anything propôs um harness que resolve esse problema pela arquitetura. Com o LLM fixo, ele cumpre 85,0% das restrições factuais do briefing com DeepSeek V4.

1 Flash High e 92,5% com GPT-5.6 Sol High. Os melhores esquemas de referência, nos mesmos modelos, ficam 15,4% e 14,4% atrás.

Nas tarefas mais longas, a distância aumenta para 25,1% e 23,0%.

A memória do briefing fica no grafo, não no contexto

A ideia é simples: a intenção do projeto não pode ficar dentro da janela de contexto do modelo. A janela enche, os detalhes se diluem e as decisões iniciais são empurradas para fora pelas mais recentes. Por isso, o Design Anything tira a intenção do modelo e a armazena em um intent-execution graph. Esse grafo liga cada resultado à etapa do processo que o produziu.

O mecanismo tem três partes:

• o task contract guarda as restrições e as decisões já tomadas no projeto;
• as variantes de design escolhidas viram entradas explícitas para as gerações seguintes;
• um controlador determinístico usa os vínculos e os registros de execução para verificar os tipos e a quantidade de arquivos de saída, encontrar itens inacabados e orientar o próximo passo do agente.

A palavra-chave aqui é «determinístico». O controlador não pede que o modelo avalie com honestidade se tudo foi feito. Ele conta a partir dos registros. Se o briefing pede seis artefatos de determinado tipo e o grafo tem cinco, o que falta é identificado e entra na fila de produção. Com isso, sai do controle de completude a parte menos confiável: o autorrelato do LLM.

228 tarefas e projetos de até 24 artefatos

Para os testes, os autores montaram o DesignAnything-Bench. Ele tem 228 tarefas em 19 domínios de design, que abrangem 38 famílias de projetos. Cada família está disponível em três escalas: 6, 14 e 24 artefatos. Essa grade permite ver como a qualidade cai à medida que o projeto cresce, em vez de apenas comparar modelos em imagens isoladas.

O resultado é revelador. Quanto mais longo o projeto, maior o ganho do harness: com 24 artefatos, a vantagem sobre a melhor linha de base é de 25,1% para o DeepSeek V4.1 Flash High e de 23,0% para o GPT-5.6 Sol High. As abordagens de referência se degradam conforme o número de arquivos aumenta, enquanto o grafo mantém o nível. Além disso, com cada um dos dois modelos, o Design Anything lidera ou divide a primeira posição no cumprimento de restrições em 18 dos 19 domínios. Ou seja, o ganho não depende de duas ou três categorias favoráveis.

A comparação é justa em um aspecto importante: o LLM é fixo. A melhora não vem da troca de modelo, mas apenas do harness em torno dele. A diferença entre o modelo Flash e o GPT-5.6 Sol continua existindo (85,0% contra 92,5%). Uma base forte, portanto, segue importante, mas um modelo mais fraco com um bom harness reduz bastante a distância.

Os autores também ouviram pessoas. Em avaliação cega, designers profissionais escolheram com mais frequência os conjuntos completos do Design Anything do que os resultados dos esquemas de referência nos mesmos modelos. As métricas automáticas de restrições factuais são, assim, confirmadas pelo julgamento de profissionais.

O que levar para os seus pipelines de agentes

A principal conclusão prática vai além do design. Qualquer processo longo de agente cujo resultado seja composto de várias partes coerentes entre si se beneficia de um estado externo. Isso vale para geração de campanhas de marketing, documentação, interfaces, cursos e conjuntos de testes. Três técnicas do trabalho podem ser adotadas quase sem alterações:

• registre restrições e decisões tomadas em um contrato explícito, e não no histórico do chat;
• repasse os artefatos aprovados às etapas seguintes como entradas estruturadas;
• verifique a completude por código, comparando os tipos e a quantidade de resultados com o plano, em vez de perguntar ao modelo.

Para equipes de produto, isso também é um argumento na discussão de orçamento. Se o harness leva um modelo Flash compacto a 85% de cumprimento das restrições, parte das tarefas pode deixar de ir para o modelo mais caro. Para estúdios e agências, a conclusão é outra: o valor deixa de estar em uma geração individual bonita e passa para a gestão do projeto como um todo. Sai na frente quem consegue garantir que os 24 arquivos do briefing foram feitos e estão coerentes entre si.