Na última sexta-feira, Boris Cherny, criador do Claude Code, subiu ao palco da conferência @Scale promovida pela Meta. E surpreendentemente, a primeira pergunta que veio da plateia não poderia ser mais direta: "Os loops são o próximo ciclo de hype, ou são para valer?" A resposta de Cherny foi enfática: "Sim, são para valer."
"Há dois anos, escrevíamos código-fonte manualmente. Começamos a fazer a transição para que agentes escrevessem o código. E agora estamos transitando para o ponto em que agentes estão prompting agentes que, então, escrevem o código", explicou ele. "Tão grande quanto foi o passo do código-fonte para os agentes, os loops são igualmente importantes e representam um passo igualmente grande."
Mais adiante na apresentação, Cherny entrou em detalhes sobre os loops que ele continua executando em seu próprio trabalho. Um agente está constantemente procurando formas de melhorar a arquitetura do código, enquanto outro busca abstrações duplicadas que podem ser unificadas. Eles submetem solicitações de pulling como qualquer outro programador, e como o código está em constante mudança, eles nunca param de rodar.
É uma ideia poderosa, especialmente com uma figura tão significativa quanto Cherny por trás dela. Com a mudança para a IA agentiva, o foco para a maioria dos usuários tem sido gerenciar seus agentes da melhor forma possível: estabelecer metas claras, verificar unidades discretas de progresso e não deixá-los se afastar muito do prompt. O loop leva isso um passo adiante ao autorizar um enxame de agentes para trabalhar continuamente em segundo plano, sem parar.
É muita confiança para colocar na inteligência artificial, mas com os modelos melhorando rapidamente, pode ser o próximo passo para fazer a IA lidar com trabalho real. O primeiro ponto a reconhecer é que isso não é inteiramente novo. Loops recursivos, funções que chamam a si mesmas para repetir uma ação junto com uma condição que para 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 escolhe quando parar o loop em vez de uma condição clara, mas a mesma abordagem básica está em funcionamento. Assim que os programadores começaram a usar IA para completar tarefas, alguma versão do loop recursivo, com IA supervisionando IA, estava bound a aparecer.
Ao contrário da computação clássica, loops agentivos podem ser simples de uma forma frustrante. Um dos truques mais populares é o Ralph Loop, nomeado em referência a Ralph Wiggum, que basically soma todo o trabalho que o modelo fez e pergunta se alcançou seu objetivo. É uma forma de lidar com modelos de IA se perdendo quando rodam por tempo demais, essencialmente fazendo o modelo ir e vir até a tarefa estar completa.
Outra forma de pensar sobre loops é como parte do impulso geral por mais tempo de computação em tempo de teste. Como observou um pesquisador da OpenAI anteriormente neste mês, modelos contemporâneos podem resolver quase qualquer problema se você jogar tempo de computação suficiente neles. Isso significa que uma forma de garantir que um problema seja resolvido é simplesmente continuar jogando computação nele até terminar.
Isso é particularmente verdade para problemas de escalada, como melhorar uma base de código, onde o modelo pode continuar fazendo melhorias incrementais até atingir um limite dado. Ou, como no exemplo de Cherny, pode simplesmente continuar fazendo melhorias incrementais enquanto houver computação para gastar.
Se isso parece caro, deveria. Como a IA agentiva antes dela, loops de IA consomem tokens muito mais rápido do que chatbots simples de perguntas e respostas, e como o ponto é manter o loop rodando o tempo todo, não há teto para quanto você pode gastar. Isso é fine para a Anthropic, que está no negócio de vender 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 certa que permite supervisão de gastos com tokens, desvio e outras questões clássicas de IA, os benefícios podem ser impressionantes o suficiente para superar os custos.
Fonte: TechCrunch
