A ideia de que o desenvolvimento de IA se resume a escrever o prompt perfeito está morrendo. Eu já avisava isso no meu livro, mas o que vimos nos últimos dias no arXiv confirma: estamos saindo da era do 'prompt-first' para o que os pesquisadores agora chamam de 'nurture-first'.
O paper Development of Agents with Nurture-First Approach formaliza o que aplicamos nos squads de IA da T2S. A expertise de domínio é tácita e evolutiva; não dá para codificar tudo num system prompt estático. O agente precisa de um ciclo de cristalização do conhecimento, onde o diálogo operacional vira memória estruturada.
Mas não é só sobre salvar logs. O grande salto vem de como interpretamos o raciocínio. O trabalho sobre o framework TRACED é fascinante porque foge da armadilha das probabilidades escalares. Eles propõem olhar para a cinemática geométrica do pensamento.
Raciocínio correto manifesta trajetórias estáveis e de alto progresso, enquanto alucinações exibem 'loops de hesitação' com alta curvatura geométrica nos estados ocultos. É uma lente física para decodificar a dinâmica interna do modelo. Se a curvatura aumenta e o deslocamento estagna, o modelo está patinando na lógica. Isso é muito valioso para quem constrói sistemas de monitoramento de confiança em tempo real.
Outro ponto que me chamou a atenção foi o HyMEM (sigla que soa muito mal em português... rs), uma memória estruturada híbrida que imita o cérebro humano. Ela acopla nós simbólicos discretos para estratégia com embeddings contínuos para detalhes multimodais. Para agentes de GUI, isso resolve o problema da amnésia em fluxos de trabalho longos.
Sobre o alinhamento moral, o estudo sobre RLVR traz uma descoberta contraintuitiva: o alinhamento não exige diversidade de respostas. Na verdade, as regiões de alta recompensa no raciocínio moral são mais concentradas do que na matemática. Eu tenho minhas dúvidas se isso não é apenas o RLHF injetando preconceitos do treinador, tornando a IA mais 'teimosa' do que ética. O viés no RLHF é inevitável e precisaremos de novas formas de treinamento para superar isso.
Para quem desenvolve, pare de focar apenas no input e comece a arquitetar fluxos agênticos com gerenciamento dinâmico de memória e RAG. É o que trato em detalhes no meu livro Engenharia de Prompt para Devs. A IA agora é um processo, não um snapshot.
A pergunta que fica para sua próxima implementação na T2S ou na sua startup é: você está construindo um oráculo que esquece tudo em 5 minutos ou um sistema que aprende com cada erro de execução? Acho que vou torrar uns tokens aqui para testar essa métrica de curvatura no meu próximo projeto... rs.
Conecte-se comigo para discutirmos mais sobre engenharia de ML e estratégia: https://linktr.ee/ricardo.pupo.