
Todos chegam à mesma arquitetura
Chase começa com uma observação: parece que todo mundo está convergindo para a mesma arquitetura de agente. Um modelo de linguagem que roda em loop, chama ferramentas e é executado dentro de um ambiente isolado (um sandbox), para que o que ele executa não quebre nada lá fora.
O padrão não é novo. O Claude Code, que ele aponta como talvez a primeira manifestação famosa dessa arquitetura, saiu há mais de um ano e meio. O Deep Agents, o harness de agentes do LangChain, foi lançado há mais de um ano. A ideia vem se firmando há algum tempo.
Essa convergência não é ruim em si. Mas, segundo ele, criou uma sensação entre alguns engenheiros com quem conversou: que «todos os problemas difíceis estão resolvidos», que não sobram problemas novos de engenharia de IA. Construir agentes teria ficado chato.
O que já está mais ou menos resolvido
Para Chase, quem diz isso está falando principalmente de engenharia de contexto: tudo o que fazemos para que o modelo tenha à frente a informação certa em cada passo. E, em parte, tem razão: há um punhado de soluções «quase padrão» a que todos chegamos. Ele lista seis:
- Resumir as conversas longas quando elas já não cabem na janela de contexto: a parte antiga é resumida e o agente continua trabalhando a partir desse resumo.
- Tirar do contexto os resultados grandes das ferramentas: se uma chamada devolve milhares de linhas, elas são salvas em um arquivo e o modelo só vê uma referência e uma prévia.
- Skills, para revelar a informação aos poucos: o agente vê o nome e uma linha de cada habilidade, e só carrega as instruções completas quando precisa delas.
- Busca de ferramentas quando há muitíssimas: em vez de passar todas, o agente ganha um buscador para encontrar as que precisa.
- Subagentes para isolar o contexto: o agente principal delega uma tarefa a outro, que trabalha com sua própria janela limpa e só devolve o resultado.
- Bash como ferramenta principal: em vez de uma função sob medida para cada coisa, o agente escreve comandos em um terminal.
Atenção ao detalhe: Chase não diz que estão totalmente resolvidas. Ele as chama de soluções «quase padrão» e, na figura dele, a coluna se chama Mostly solved, «mais ou menos resolvido». Ao lado ele desenha outra coluna, Wide open, com seis desafios que continuam completamente em aberto.
O salto: agentes proativos e sempre ligados
A boa notícia, para um fã de engenharia de contexto como ele, é que ele acha que estamos vendo um salto no que os agentes conseguem fazer, ou pelo menos em como eles estão sendo usados. Nos últimos meses, todos os construtores de agentes com quem conversou estão pensando na mesma coisa: agentes proativos, sempre ligados e orientados a objetivos.
Por dentro eles se parecem muito com os agentes de programação, mas trazem desafios novos. E aqui Chase é claro: nem o LangChain nem o resto do setor têm soluções para eles ainda, ou pelo menos não soluções gerais. Ele diz que pensar nisso foi a coisa mais divertida que fez em muito tempo. São estes seis.
1. Proativo sem ser chato
Esses agentes trabalham em segundo plano. Ou escutam um fluxo de eventos (e-mails, mensagens que chegam…) ou acordam de tempos em tempos com um batimento, um heartbeat, para ver se há algo a fazer.
O problema é quando falar com você. Por um lado, eles precisam conseguir avisar você por conta própria: é isso que dá a sensação de que estão ajudando. Por outro, se mandam notificações demais, sobrecarregam você. Calibrar isso para que seja uma experiência agradável, nem demais nem de menos, ainda é para Chase um desafio difícil de engenharia de contexto.
2. Memória: o que lembrar
Segundo Chase, os sistemas de memória dos agentes acabam tendo duas partes:
- A estrutura de dados por baixo, que costuma ser simples: alguns arquivos, ou até um único texto.
- Uma camada de inteligência em volta, que é um agente.
O difícil está nessa camada e, sobretudo, em decidir o que lembrar. Assim como com os avisos, é fácil errar para qualquer um dos dois extremos: não lembrar nada ou guardar detalhes granulares demais. E como quem decide o que guardar costuma ser, por sua vez, um agente simples, a engenharia de contexto sobre o que anotar e quando continua sendo um problema em aberto.
3. Trabalho assíncrono
Os agentes rodam por cada vez mais tempo e conversam com ferramentas e com outros agentes que também demoram cada vez mais. Mas quase sempre você quer que o agente principal, o que fala com você, continue respondendo às suas mensagens novas.
Juntando as duas coisas, chega-se a uma arquitetura em que cada vez mais trabalho é feito em ferramentas assíncronas e subagentes: o principal dispara uma tarefa, segue com o que estava fazendo e, em algum momento, o resultado volta. E aí aparecem as perguntas:
- Como você avisa o agente principal de que esse trabalho terminou?
- O que você faz se o principal ainda está rodando, ou se ele já tinha terminado?
- E se ele está pausado, esperando que uma pessoa aprove algo?
4. Perseguir objetivos
Os agentes estão passando de fazer tarefas para trabalhar em direção a metas; Chase cita o Hone como um ótimo exemplo. A pergunta é como projetar agentes que dividam uma meta em passos menores, façam experimentos, recebam feedback e continuem iterando em direção a algo maior. O que é difícil, segundo ele:
- Fazer com que testem experimentos novos em busca da meta, em vez de repetir a mesma coisa.
- Fazer com que pensem em objetivos amplos, e não só em tarefas pequenas.
- Mantê-los coerentes ao longo de horizontes de tempo longos.
5. Alinhamento
Muito ligado ao anterior. Projetar um objetivo já é difícil por si só, e Chase acha que vai ser muito difícil para os usuários projetar objetivos em que o agente não consiga trapacear. Se um agente otimiza uma meta às cegas, pode ser que a cumpra, mas por caminhos que não conseguimos prever.
O exemplo dele é o clássico (uma ilustração do que se chama specification gaming, não algo que ele diga ter acontecido): você pede «elimine todos os bugs do código» e o agente apaga o código inteiro. Sem código, sem bugs. Objetivo cumprido.
A pergunta que fica: como projetar um harness que mantenha o agente focado nas suas metas, mas sem otimizá-las demais?
6. O navegador
Para os agentes de programação, a ferramenta mais importante era o bash, que deixa executar código. Para muitos desses agentes de uso geral, segundo Chase, essa ferramenta está passando a ser o navegador. E pilotar um navegador é muito mais complicado do que pilotar um terminal.
O agente interage com imagens da página (capturas de tela) ou com o DOM, a árvore de elementos? As duas coisas são objetos grandes, então como você gerencia o contexto com isso? E, como ele diz, essas são só algumas das perguntas que aparecem.
Em resumo
Chase reconhece que, há alguns meses, talvez tivesse concordado que não sobravam muitas perguntas em aberto na engenharia de contexto. Mas com os agentes proativos e sempre ligados aparece todo um conjunto de desafios novos: avisar sem sobrecarregar, decidir o que lembrar, coordenar o trabalho assíncrono, perseguir objetivos, não trapacear e pilotar o navegador. Nenhum deles tem ainda uma solução geral. Como ele fecha: «que época para estar vivo».
A arquitetura de agentes convergiu, mas os agentes proativos abriram seis problemas novos de contexto.
Qual desses desafios parece mais difícil para você?
Fontes
- «New context engineering challenges in late 2026», de Harrison Chase (artigo no X, 31 de outubro de 2026; em inglês).
- O vídeo, nos meus canais: inglês e espanhol.