Sber abre o Universal Agent: o mesmo modelo com outro arcabouço resolve 24 pontos a mais

Abra o código de qualquer agente e você encontrará quase a mesma coisa: o modelo escolhe uma ferramenta, um código comum a executa e o resultado volta ao modelo. O ciclo se repete até a tarefa ser concluída. Isso é ReAct, e em pseudocódigo ocupa dez linhas. Então por que há tantos produtos baseados nesse ciclo e por que eles funcionam de modo tão diferente?

A equipe GigaCode R&D da Sber respondeu com um artigo e um projeto aberto em Python, o GigaCode Universal Agent. A tese deles: todo o trabalho de engenharia está no arcabouço (harness), isto é, no ambiente de execução em torno do ciclo.

O que existe em volta das dez linhas

Imagine uma tarefa: há um termo de referência e três propostas de fornecedores. Os preços são de períodos diferentes, as condições estão escondidas em anexos e uma das propostas não inclui um trabalho obrigatório. O agente deve ler tudo, levar a um denominador comum e escrever uma nota com as fontes.

Para isso são necessárias três coisas. A tarefa descreve o que pegar e o que devolver. A habilidade (skill) é um regulamento reutilizável, como as instruções para um novo funcionário: como converter preços para um único período, como marcar «não informado» e acrescentar uma pergunta, em vez de tratar a lacuna como serviço gratuito. As ferramentas dão acesso a dados e ações, e sistemas externos são conectados via MCP. As regras vivem na habilidade, o acesso nas ferramentas e o núcleo permanece inalterado.

Depois surgem perguntas que o pseudocódigo não cobre. Uma tarefa em segundo plano não tem observador, por isso a unidade de execução aqui é o Run, com modelo, versão da habilidade, ferramentas e limites fixos de tempo, tokens, passos e chamadas. Se um limite se esgota, a execução para, salva o que foi feito e informa o motivo. Cada execução deixa um trace, que mostra de onde veio um resultado e por que ontem funcionou e hoje não.

Um juiz separado, isto é, um segundo modelo com sua própria instrução, confronta o relatório e o trace com a tarefa. Se um requisito se perdeu ou uma conclusão não tem fonte, o agente recebe observações e continua. Onde a verificação for possível por programa (arquivo criado, teste aprovado, JSON válido), é melhor fazê-la por código. Para tarefas longas há o autorregistro: o agente comprime o estado em uma nota breve e continua trabalhando além de uma única janela de contexto.

A segurança também é resolvida pelo arcabouço. Se a instrução diz «não envie nada», o agente simplesmente não deve ter uma ferramenta de envio de e-mails. Somam-se verificações de leitura e escrita, moderação de comandos pelo juiz e separação de contêineres.

O que os números mostraram

Com a mesma Qwen3.6-35B-A3B, o Universal Agent foi comparado ao OpenCode e ao Qwen Code. SWE-bench Verified: 69,9% contra 66,4% e 65,0%. Terminal Bench 2.1: 65,5% contra 62,1% e 41,4%. No SWE-bench Pro e no Multilingual, os resultados são aproximadamente iguais. A conclusão dos autores: um mesmo modelo em outro arcabouço dá outro resultado.

Em cibersegurança (CyberGym lvl1, DeepSeek-V4-Flash), uma habilidade especializada elevou o resultado de 70,6% para 76,7% sem alterar o núcleo. Em custo, o agente no SWE-bench Verified saiu cerca de um terço mais barato que o Qwen Code. Os autores calculam o custo de uma tarefa bem-sucedida: todas as execuções, incluindo as malsucedidas e o retrabalho manual, divididas pelo número de tarefas resolvidas. O roteamento automático light/default/max transferiu 50–60% das requisições para modelos menores, com qualidade próxima ao nível max, mas isso ainda é uma linha experimental.

Limitações e o que fazer

É um artigo dos desenvolvedores sobre o próprio produto, e a comparação foi feita em seu próprio conjunto de condições. O juiz pode errar, ao comprimir o contexto detalhes se perdem e, em tarefas difíceis, o agente queima tokens. A busca científica continua modesta em todos os participantes da comparação. Para cenários de negócios, como a comparação de fornecedores, será preciso medir a qualidade com exemplos próprios.

A conclusão prática é simples. Ao escolher ou construir um agente, não discuta o modelo: verifique o arcabouço. Há limites e traces? O resultado é verificado de forma independente das palavras do próprio modelo? As permissões das ferramentas são restritas? O preço é calculado por tarefa concluída, e não por token? É aí que está hoje a diferença.