EnCompass \u00e9 um framework desenvolvido por pesquisadores do MIT CSAIL em parceria com a Asari AI para executar programas de agentes de IA por meio de backtracking e m\u00faltiplas tentativas. A ideia \u00e9 encontrar o conjunto de sa\u00eddas geradas por modelos de linguagem (LLMs) que produza os melhores resultados, reduzindo o esfor\u00e7o de codifica\u00e7\u00e3o para programar agentes.<\/p>\n
O sistema funciona ao permitir que o agente marque pontos de ramifica\u00e7\u00e3o no c\u00f3digo, onde resultados podem variar. Em vez de reescrever manualmente a l\u00f3gica de busca, EnCompass executa backtracking e pode clonar a runtime para testar v\u00e1rias trajet\u00f3rias em paralelo, buscando o caminho com maior efic\u00e1cia.<\/p>\n
Essas capacidades ajudam a explorar diferentes caminhos de decis\u00e3o alimentados por v\u00e1rias chamadas a LLMs. O objetivo \u00e9 encontrar estrat\u00e9gias de busca que maximizem a qualidade das sa\u00eddas do agente, mantendo a fluidez do fluxo de trabalho original do agente.<\/p>\n
Paralelamente, o framework separa a estrat\u00e9gia de busca da l\u00f3gica de alto n\u00edvel do workflow do agente. Segundo o pesquisador principal Zhening Li, a abordagem facilita a experimenta\u00e7\u00e3o com diferentes estrat\u00e9gias para o melhor desempenho da IA.<\/p>\n
Em demonstra\u00e7\u00f5es, EnCompass mostrou ganho expressivo na economia de c\u00f3digo. Em um agente que traduz um reposit\u00f3rio Java para Python, houve uma economia de 348 linhas de c\u00f3digo, cerca de 82% menos do que se implementado manualmente. O estudo tamb\u00e9m apontou ganhos de 15% a 40% na precis\u00e3o, com uma estrat\u00e9gia de busca em dois n\u00edveis.<\/p>\n
Os autores destacam que a ferramenta facilita experimentar estrat\u00e9gias de busca sem modificar o fluxo b\u00e1sico do c\u00f3digo. Estrat\u00e9gias comuns, como busca em \u00e1rvore Monte Carlo ou beam search, podem ser utilizadas nativamente ou adaptadas pelo usu\u00e1rio.<\/p>\n
A pesquisa foi apresentada no NeurIPS, confer\u00eancia realizada em dezembro, com apoio da Asari AI. Os pesquisadores avaliam que EnCompass pode ampliar a efici\u00eancia de agentes que gerenciam grandes bibliotecas de c\u00f3digo e tarefas cient\u00edficas, al\u00e9m de designs de hardware em fases futuras.<\/p>\n
Entre os pesquisadores est\u00e3o Zhening Li, Armando Solar-Lezama e Yisong Yue, da MIT e Caltech, com participa\u00e7\u00e3o de Stephan Zheng, CEO da Asari AI. O estudo tamb\u00e9m aponta possibilidades de aplica\u00e7\u00e3o em gest\u00e3o de bibliotecas de c\u00f3digo extensas e em projetos de experimentos cient\u00edficos.<\/p>\n
Especialistas externos destacam que a separa\u00e7\u00e3o entre a l\u00f3gica do fluxo de trabalho e a estrat\u00e9gia de busca pode facilitar a ado\u00e7\u00e3o de t\u00e9cnicas orientadas por busca em engenharia de software. EnCompass aparece como um componente essencial para melhorar a confiabilidade de gera\u00e7\u00e3o de c\u00f3digo e tradu\u00e7\u00e3o com IA.<\/p>\n","protected":false},"excerpt":{"rendered":"