Enxame DreamTeam sem gerente escreveu o trustcheck por $5,68 e passou em 13 de 13 testes ocultos

O DreamTeam é um framework open source em Python (licença MIT) para um enxame autoorganizado de agentes de IA, sem agente gerente. Os agentes recebem um único objetivo, um quadro de tarefas compartilhado, uma pasta git comum e a possibilidade de trocar mensagens entre si. Dali em diante, resolvem tudo sozinhos.

O autor testou o framework em quatro problemas com resposta verificável de forma independente: três de matemática e um de engenharia. O mais revelador é o de engenharia: um enxame de 8 agentes, rodando o barato deepseek-v4.1-flash, escreveu em cerca de três horas e por $5,68 a ferramenta trustcheck, que responde à pergunta "posso confiar nos testes?"

Quem a avaliou foi um benchmark oculto do Claude: 13 repositórios git com armadilhas e resposta correta conhecida. Um stub vazio no lugar da ferramenta passa em 1 de 13; o trustcheck pronto passa em 13 de 13. O Claude se conectou ao enxame via MCP, como usuário e verificador externo.

Quadro em vez de gerente

A sessão começa com uma única tarefa: "planejar". O primeiro agente livre a pega de forma atômica, então dois agentes não conseguem receber a mesma tarefa. O planejador distribui o trabalho: primeiro as tarefas independentes (literatura, ambiente, dados, experimentos preliminares), para que os demais agentes não fiquem parados, e depois as dependentes. Cada tarefa tem critério de sucesso, executor, revisor e dependências. O executor não pode aprovar o próprio trabalho: quem revisa é outro participante, e, se não houver nenhum, a tarefa vai para um humano. Se faltam mãos, os agentes contratam colegas de um catálogo de papéis, dentro de um limite.

Quando falta uma ferramenta, o agente a escreve como um servidor MCP, e todo o enxame passa a usá-la. O próprio enxame também é um servidor MCP, então o Claude Code pode observar, controlar ou entrar na equipe como mais um participante.

Quatro execuções: do terceiro lugar à tabela com cálculo incompleto

No problema de Erdős sobre sobreposição mínima (quanto menor a estimativa da constante, melhor), 4 agentes chegaram, em 1 hora e 40 minutos e por $0,51, a uma estimativa de no máximo 0,38090966633824946 com uma função em degraus de 800 degraus. O resultado é melhor que os de Haugland (0,380927) e AlphaEvolve (0,380923), mas pior que os de Hill Sampling (0,38088232) e TTT-Discover (0,380876). Não há recorde; há um terceiro lugar.

No problema dos amplificadores de seleção, é preciso encontrar um grafo em que uma mutação vantajosa se fixe com mais frequência do que em uma população misturada, simultaneamente sob as duas regras do processo de Moran: Birth-death e death-Birth. Em 2 horas e 40 minutos e por $3,97, 8 agentes encontraram um amplificador simultâneo estrito em 14 vértices, enquanto o exemplo conhecido até então tinha cerca de mil. O efeito é minúsculo: amplificação para r de 1 a aproximadamente 1,016 e ganho de no máximo ~10⁻⁵.

O Claude certificou o resultado para quatro valores de r e mostrou, por busca exaustiva, que não existe um grafo não ponderado desse tipo com N ≤ 8. O autor conferiu a novidade apenas com alguns artigos de 2024–2026 e não afirma ser o "primeiro".

A execução mais instrutiva foi o problema de Thomson no disco: posicionar N cargas idênticas de modo que a energia de repulsão seja mínima. Em pouco mais de quatro horas e por $3,98, o enxame gerou configurações para todos os 131 valores de N de 20 a 150 e reproduziu quatro recordes recentes com três métodos independentes. Em 57 valores de N, a energia encontrada ficou abaixo da tabela de Amore-Zarate por 10⁻⁹…

10⁻⁶. Mas o Claude refinou as configurações originais pelo método de Newton e obteve as mesmas energias: os pontos publicados tinham sido apenas calculados de forma incompleta. No fim, em 128 dos 131 valores de N o mínimo coincidiu com a tabela; em N = 131–133 o resultado do enxame ficou 0,07–0,08 acima, e em nenhum valor ficou abaixo.

A conclusão do autor: o enxame declara sucesso de bom grado a partir de uma diferença bruta entre números, e a revisão interna confere que a tarefa foi feita, mas não que o resultado está correto. Só a verificação externa protege contra isso.

Na execução de engenharia, o trustcheck faz teste de mutação restrito ao diff, emite veredictos para testes individuais e procura adulteração no histórico de commits. O pacote final contém 231 testes que passam. Os conjuntos de armadilhas v2 e v3 foram adicionados ao longo do processo: uma vez, um ajuste feito para o conjunto antigo causou uma regressão, e só o conjunto novo a detectou. Após a segunda rodada ($4,15), no conjunto novo v4, o stub fez 2/12 e a ferramenta, 12/12.

O que ficou sem solução

Nos cerca de 1400 testes do próprio DreamTeam, o trustcheck leva de 13 a 25 minutos, e sua nota nesse código é 0,60, para uma meta de 0,7. Em um teste A/B com três bugs históricos do cookiecutter, a skill trustcheck não ajudou: os testes ocultos passaram 29/29 nos dois grupos, e as correções incorretas foram detectadas em 13/13 sem a skill e 12/13 com ela, a um custo de $1,00 contra $0,81. Os dois grupos bateram no teto. Ao longo do caminho, descobriu-se que um agente com acesso à rede pode baixar uma versão da biblioteca em que o bug já foi corrigido, e por isso surgiu o modo de sessão sem internet.

As execuções revelaram outros problemas, que o autor transformou em correções: o planejador fazia o relatório final depender de tarefas opcionais, o arquiteto passou 30 minutos sem conseguir sair de um raciocínio cortado pelo limite de saída, e, quando pediam "terminem", os agentes iniciavam mais um cálculo "rápido" com 16 processos. Agora existe um modo de encerramento sem novos processos em segundo plano, e o limite de saída dobra depois de um corte. A lição prática para quem constrói os próprios agentes: o feedback útil aparece em execuções longas com tarefas reais, e não em demos curtas, e um verificador independente é sempre necessário.