O Campo Nomeou Três Formas de Agentes se Reescreverem. Nenhuma Nomeia um Responsável.
Shilong Liu, postdoc fellow no Princeton AI Lab, publicou em 8 de julho de 2026 uma taxonomia que faltava a um campo disperso. Agentes autoevolutivos, os sistemas que reescrevem alguma parte de si mesmos em um loop, tinham cerca de 25 papers no arXiv por trás e nenhum mapa compartilhado. Liu desenhou um. Seu movimento organizador é limpo: um agente é um modelo mais um harness, e agentes produzem artefatos, então a evolução pode acontecer em exatamente três níveis. O texto é um post de blog publicado como uma longa thread no X, não um paper revisado por pares, e já é a coisa mais clara escrita sobre o assunto.
Suas perguntas distintivas são precisas: “O que evolui? Que feedback o move? Onde o loop se fecha?” Três perguntas, três níveis. Há uma quarta pergunta que a taxonomia nunca faz, e é a que um operador precisa antes de ligar qualquer coisa disso. Quando o loop se fecha, quem responde por ele? Cada nível responde a essa pergunta de forma diferente, e cada um exige um controle diferente.
Nível 1: o agente melhora suas saídas
O primeiro nível é a otimização iterativa de artefatos. O modelo e o harness permanecem fixos. O que muda é a saída. Um humano define o alvo e os critérios de avaliação, e o agente roda um loop: melhora, produz, verifica, repete. Liu cita o AlphaEvolve para descoberta de algoritmos, o trabalho de políticas de robôs da NVIDIA, o LabOS e o Qumus.
Este é o nível que a maioria dos times já roda sem nomear. Qualquer agente que itera contra um avaliador até a nota passar está fazendo otimização de artefatos. A evolução é real, mas está limitada pela avaliação. O agente não escapa dos critérios que um humano escreveu. É exatamente por isso que os critérios são o ponto de controle, e por isso uma avaliação mal especificada é o modo de falha. Se o avaliador recompensa a coisa errada, o agente vai otimizar a coisa errada com mais diligência do que qualquer humano teria.
Nível 2: o agente reescreve os próprios componentes
O segundo nível é a automelhoria do harness. Os pesos permanecem congelados, mas o agente modifica o próprio andaime. Liu divide isso em duas trilhas. O nível de prompt e memória cobre GEPA, ACE playbooks e Mem0. O nível de ferramentas e skills cobre Alita e Mem-UI, em que o agente escreve novas capacidades para si mesmo. Liu observa que skills foram “formalizados pelo Claude Code”, o que coloca este nível em produção, não em teoria. Estende-se a sistemas multiagente, em que um roteador atribui tarefas a agentes especialistas.
Um agente que escreve as próprias ferramentas é um agente com permissão de escrita sobre si mesmo. Argumentamos em agentes autoaperfeiçoantes e observabilidade que o nível do harness é o mais propenso a derivar em silêncio, porque nada nele toca um registro de modelos ou um data warehouse onde um time de governança perceberia. Um novo skill é apenas um arquivo. O ponto de controle aqui é a permissão de escrita sobre o harness e uma revisão de diff em cada skill e ferramenta que o agente cria. Se um humano nunca vê o diff, as automodificações do agente se acumulam sem auditoria, um arquivo por vez.
Nível 3: os pesos mudam sem respostas de referência
O terceiro nível é o que faz times de segurança se endireitarem na cadeira. Os próprios pesos mudam, e mudam sem rótulos de referência. Liu agrupa os métodos: pseudo-ground-truth e sinais internos como self-training e TTRL, self-play como em SPIN e Absolute Zero, treino em tempo de teste e aprendizado contínuo. O agente gera o próprio sinal de treino e se atualiza contra ele.
É aqui que a responsabilização deixa de ser abstrata. Um modelo que treina nas próprias saídas pode derivar para um loop em que o sinal em que confia é o sinal que ele mesmo produziu. O ponto de controle é o portão de dados de treino, a decisão sobre o que tem permissão de virar exemplo de treino, e o rollback de pesos, a capacidade de voltar a um checkpoint reconhecidamente bom quando a deriva aparece em produção. Nenhum dos dois existe por padrão. Ambos precisam ser construídos antes de o loop ser ligado.
A coluna que falta na taxonomia
Liu nomeia um único humano em todo o framework. “Um humano é um roteador.” Esse papel atribui tarefas. Não responde por elas. Não há eixo de segurança, nem eixo de controle, nem eixo de rollback, nem eixo de supervisão em lugar nenhum da taxonomia. Isso não é uma crítica ao mapa. Uma taxonomia do que evolui não é obrigada a ser uma taxonomia de quem responde por isso. Mas um operador que adota o mapa precisa da segunda tabela, porque os três níveis não compartilham um ponto de controle. Cada um exige o seu.
| Nível | O que muda | Ponto de controle | Quem assina embaixo |
|---|---|---|---|
| 1. Otimização de artefatos | As saídas do agente; modelo e harness fixos | Os critérios de avaliação e o alvo que define “melhor” | O humano que escreveu a avaliação |
| 2. Automelhoria do harness | Prompts, memória, ferramentas, skills que o agente escreve para si | Permissão de escrita sobre o harness mais revisão de diff em cada novo skill e ferramenta | O dono da plataforma que revisa o diff |
| 3. Aprendizado de modelo sem respostas | Os pesos, atualizados com sinal autogerado | O portão de dados de treino e o rollback de pesos para um checkpoint bom | O dono do registro de modelos |
Os riscos já são concretos. Liu cita o sistema FARS da Analemma AI, que rodou por 417 horas e produziu 166 papers inteiramente gerados por IA a um custo de aproximadamente US$ 180 mil. Isso é um loop de Nível 1 e Nível 2 rodando por semanas sem um humano no caminho da melhoria. A saída foram 166 artefatos. A pergunta que a taxonomia não obriga ninguém a responder é quem assinou embaixo deles, e contra quais critérios.
Liu encerra com uma frase que vale guardar: “O mundo ainda é o ambiente mais difícil. É também o lugar onde agentes autoevolutivos mais importam.” O mundo é também o lugar onde um loop sem dono causa estrago que um benchmark nunca vê. A camada de controle de agentes está virando categoria de produto justamente porque a pergunta da responsabilização não tem lar no enquadramento de pesquisa, e permissões precisam virar sistema de registro assim que os agentes conseguem se reescrever.
Faça isto agora
Pegue a taxonomia de Liu e acrescente a quarta coluna antes de rodar qualquer coisa sobre ela. Para cada loop autoevolutivo que você opera, anote qual nível é, depois nomeie o ponto de controle e a pessoa que assina embaixo. Nível 1: quem é dono da avaliação, e quando ela foi revisada pela última vez contra o que você de fato quer. Nível 2: quem revisa o diff quando o agente escreve um skill novo, e essa revisão acontece antes de o skill rodar ou depois. Nível 3: qual é o portão de dados de treino, e você consegue voltar os pesos para ontem se a deriva aparecer hoje à noite.
Se alguma linha tem ponto de controle mas nenhum nome ao lado, aquele loop está rodando sem dono. A taxonomia vai dizer o que está evoluindo. Não vai dizer quem responde. Essa coluna é sua para preencher.
Fontes
- Shilong Liu, Princeton AI Lab. “A Taxonomy of Self-Evolving Agents.” Julho de 2026.
A Victorino ajuda organizações de engenharia a colocar um dono nomeado e um ponto de controle atrás de cada loop de agente autoevolutivo: contato@victorino.com.br | www.victorino.com.br
Todos os artigos do The Thinking Wire são escritos com o auxílio do modelo LLM Opus da Anthropic. Cada publicação passa por pesquisa multi-agente para verificar fatos e identificar contradições, seguida de revisão e aprovação humana antes da publicação. Se você encontrar alguma informação imprecisa ou deseja entrar em contato com o editorial, escreva para editorial@victorino.com.br . Sobre o The Thinking Wire →
Se isso faz sentido, vamos conversar
Ajudamos empresas a implementar IA sem perder o controle.
Agendar uma Conversa