The AI world is getting ‘loopy’
Na sexta-feira, Boris Cherny, criador do Claude Code, participou da conferência @Scale da Meta e, surpreendentemente, a primeira pergunta da plateia foi sobre loops.
“Os loops são a próxima moda passageira”, perguntou o participante, “ou são algo concreto?”
A resposta de Cherny foi enfática: “Sim, eles são reais.”
“Há dois anos, escrevíamos o código-fonte manualmente. Começamos a fazer a transição para que agentes escrevessem o código. E agora estamos passando para um ponto em que agentes dão instruções a outros agentes, que então escrevem o código”, continuou ele. “Por maior que tenha sido o salto do código-fonte para os agentes, os loops são um passo igualmente importante e significativo.”
Mais adiante na palestra (por volta dos 32:00 do vídeo do YouTube postado acima), Cherny entrou em detalhes sobre os loops que mantém em execução em seu próprio trabalho. Um agente está continuamente buscando maneiras de melhorar a arquitetura do código, enquanto outro procura abstrações duplicadas que possam ser unificadas. Eles enviam pull requests como qualquer outro programador e, como o código está em constante mudança, nunca param de funcionar.
É uma ideia poderosa, especialmente com uma figura tão significativa quanto Cherny por trás dela. Com a mudança para a IA baseada em agentes, o foco da maioria dos usuários tem sido gerenciar seus agentes da melhor maneira possível: estabelecer metas claras, acompanhar unidades discretas de progresso e não deixá-los se desviar muito do prompt. O loop vai um passo além, autorizando um enxame de agentes a trabalhar continuamente em segundo plano, sem parar. É muita confiança depositada na IA — mas, com os modelos melhorando rapidamente, esse pode ser o próximo passo para que a IA passe a lidar com trabalho real.
A primeira coisa a reconhecer é que isso não é totalmente novo. Os loops recursivos — funções que se chamam a si mesmas para repetir uma ação, juntamente com uma condição que interrompe o loop — são um pilar dos cursos introdutórios de ciência da computação. Esses loops seguem uma lógica não determinística — ou seja, é um subagente que decide quando interromper o loop, em vez de uma condição clara —, mas a mesma abordagem básica está em ação. Assim que os programadores começaram a usar a IA para realizar tarefas, era inevitável que surgisse alguma versão do loop recursivo, com a IA supervisionando a própria IA.
Diferentemente da computação clássica, os loops de agentes podem ser irritantemente simples. Um dos truques mais populares é o Ralph Loop (batizado em homenagem a Ralph Wiggum), que basicamente resume todo o trabalho que o modelo realizou e pergunta se ele atingiu seu objetivo. É uma maneira de lidar com modelos de IA que se perdem ao rodarem por muito tempo — essencialmente fazendo o modelo ir e voltar até que a tarefa seja concluída.
Outra maneira de pensar nos loops é como parte do esforço geral para aumentar a capacidade computacional durante os testes. Como observou o pesquisador da OpenAI Noam Brown no início deste mês, os modelos contemporâneos podem resolver praticamente qualquer problema se você lhes fornecer recursos computacionais suficientes. Isso significa que uma maneira de garantir que um problema seja resolvido é simplesmente continuar fornecendo recursos computacionais até que ele seja concluído. Isso é particularmente verdadeiro para problemas do tipo “hill-climbing”, como o aprimoramento de uma base de código, em que o modelo pode simplesmente continuar fazendo melhorias incrementais até atingir um determinado limite. Ou, como no exemplo de Cherny, ele pode simplesmente continuar fazendo melhorias incrementais enquanto houver recursos computacionais para dedicar a isso.
Se isso parece caro, é porque é mesmo. Assim como a IA agentiva antes dela, os loops de IA consomem tokens muito mais rápido do que simples chatbots de perguntas e respostas — e, como o objetivo é manter o loop funcionando o tempo todo, não há limite para quanto você pode gastar. Isso é bom para a Anthropic, que, no fim das contas, atua no ramo de venda de tokens, mas para todos os outros, pode ser uma forma cara de trabalhar.
Ainda assim, dependendo do problema que o loop agentivo está tentando resolver e da configuração adequada que permita o monitoramento do gasto de tokens, do desvio e de outras questões clássicas de IA, os benefícios podem ser impressionantes o suficiente para superar os custos.
