Wildberries explica como treinar agentes de IA com reflexão, entrevistas e um God-agent

A Wildberries & Russ publicou um guia prático para trabalhar com agentes de IA no desenvolvimento. O material não trata de um modelo novo, mas de como extrair resultados mais previsíveis de LLMs já disponíveis, com uma boa organização de contexto e de processos.

Contexto em partes

A ideia central do artigo é simples: o agente sofre não só com a falta de dados, mas também com o excesso. Se você despeja num único prompt a descrição do projeto, as regras de arquitetura, os comandos de execução e os detalhes de uma tarefa específica, o modelo começa a perder o foco. Por isso o autor sugere dividir o conhecimento em pequenos arquivos Markdown e carregá-los conforme a necessidade. Essa abordagem já virou padrão em muitos clientes de IA e permite que o agente leia não "o livro inteiro de uma vez", mas só o capítulo necessário.

A estrutura básica de contexto, segundo o autor, é esta:

• um arquivo raiz do projeto, como AGENTS.MD ou CLAUDE.MD, com regras gerais
• arquivos separados para agentes especializados e subagentes
• skills com instruções curtas para tipos específicos de tarefa
• commands com modelos de prompt para cenários repetíveis

O autor também recomenda levar o andamento do trabalho para um arquivo todo. Isso tira do modelo a obrigação de manter o progresso "na cabeça" e permite retomar uma tarefa longa em uma nova sessão sem perder o estado. É especialmente útil quando o trabalho tem muitas etapas: por exemplo, cobrir um módulo com testes, migrar código ou editar vários componentes em sequência.

Como reduzir o ruído

O segundo grande problema é o estouro da janela de contexto com informação de serviço. Um agente autônomo abre arquivos o tempo todo, roda builds, lê logs e executa testes. Cada operação adiciona tokens e, se o ciclo se repete muitas vezes, as instruções importantes se afogam no ruído técnico. O artigo traz um exemplo em que uma única execução de testes gera cerca de 500 tokens de saída: pouco isoladamente, mas numa série de passos autônomos vira lastro rapidamente.

Para não perder qualidade nas respostas, o autor propõe algumas medidas práticas. A primeira: filtrar a saída do terminal e passar ao modelo apenas os erros e sinais relevantes, sem a "enrolação" dos logs padrão. A segunda: indexar o projeto para que o agente encontre os arquivos certos mais rápido e vague menos pelo repositório. A terceira: comprimir periodicamente o contexto da sessão, se o cliente tiver esse recurso. Mas há uma ressalva: compressão excessiva pode descartar detalhes que depois serão necessários para uma solução correta.

Entrevista e reflexão

Uma das técnicas mais úteis do artigo é fazer o agente esclarecer a tarefa primeiro e só depois escrever código. A lógica é rígida: se falta contexto ao modelo, ele passa a completá-lo por conta própria, e o resultado facilmente se afasta do que o usuário realmente queria.

"Se falta contexto ao modelo, ele vai inventar".

Por isso, antes de executar a tarefa, convém dar ao agente uma skill específica para uma entrevista curta: fazer algumas perguntas sobre requisitos, restrições e resultado esperado. O autor ressalta que a formulação é crítica. Se você escrever "faça três perguntas", o agente fará exatamente três, mesmo que sejam sem sentido. É melhor definir um intervalo e uma condição de dispensa: por exemplo, de duas a seis perguntas e, se o contexto for óbvio, sem entrevista. Um efeito colateral desse modo é que as perguntas do modelo às vezes revelam lacunas na própria especificação.

Depois de concluir a tarefa, o autor sugere mais um ciclo: a reflexão. Pergunta-se ao agente o que ele faria diferente ao repetir a tarefa e onde exatamente errou. O artigo traz um caso ilustrativo: o modelo escreveu testes para apenas um de três métodos e simplesmente removeu os outros, porque seu objetivo era um "teste que passe com sucesso". Dessas análises nasce a ideia seguinte: o God-agent, um agente separado para manter todo o sistema. Ele atualiza configurações, skills e instruções de outros agentes com base na reflexão obtida, transformando erros pontuais em melhorias de processo.

O que isso significa

O material da Wildberries mostra bem uma mudança no mercado: o valor agora não está só na escolha do modelo, mas em como é construída a camada ao redor dele. Não vence quem tem o agente "mais inteligente", e sim quem sabe dosar o contexto, guardar a memória de trabalho fora do chat, fazer o sistema perguntar e aprender com as próprias falhas. Para as equipes de desenvolvimento, isso já não é teoria, mas um jeito bem prático de tornar as ferramentas de IA mais estáveis e baratas no dia a dia.