Notícias / Research watch · Infraestrutura de agentes
O survey que diz aos agentes para encontrarem o próprio trabalho: o mapa proativo de Google-UIUC em 203 páginas
Agentes sabem ler código, chamar ferramentas e rodar tarefas longas — mas na maioria dos stacks, perceber o que precisa ser feito e julgar que vale a pena fazer ainda é tarefa do humano. Um survey de 23 autores da UIUC e Google, "Proactive AI for Superintelligent Agents", consolida 1.410 trabalhos citados no mapa dessa camada que falta: a proatividade, a capacidade de começar trabalho com propósito sem um pedido explícito. Verificamos o artefato diretamente — o PDF tem exatamente 203 páginas pelos metadados do arquivo, a lista de autores e a citação do manuscrito de 2026 batem com a página de publicações do Google Research, e o repositório companion MIT organiza a biblioteca inteira de 1.410 trabalhos, 80 representativos em 13 domínios. Para builders que rodam agentes longos em API medidas por consumo, a parte que carrega o peso é um capítulo: Arbitration — os quatro portões que um agente deveria cruzar antes de gastar seus tokens em trabalho que ninguém pediu.
Verificado por leitura direta: o survey existe e bate — 23 autores liderados por Ke Yang e Jiateng Liu (UIUC) com coautores do Google (Zifeng Wang, Chen-Yu Lee), citado como yang2026proactiveai na página de publicações do Google Research; o PDF hospedado tem 203 páginas; o repositório companion (EmpathYang/Proactive-AI-for-Superintelligent-Agents, MIT) organiza 1.410 trabalhos citados — 80 representativos em 13 domínios — com biblioteca atualizada em outubro de 2026.
O framework: seis capacidades — Awareness, Anticipation, Agenda, Arbitration, Action, Adaptation. O pivô é Arbitration: intervenções candidatas passam por portões de incerteza (entendo mesmo a necessidade?), utilidade (o ganho supera o custo?), tempo (agora ou depois?) e risco/reversibilidade (se eu errar, quão grave é?). A avaliação roda em três níveis — tarefa, mecanismo, usuário — com carga de supervisão e a armadilha da taxa de aceitação nomeadas explicitamente. Gargalo transversal: velocidade, custo e confiabilidade do feedback fixam o ritmo com que um agente pode iterar com segurança.
Não estabelecido: ainda sem sede com revisão por pares (manuscrito de 2026 hospedado pelo Google Research); é um survey, não um sistema — sem benchmarks, sem produtos; sem conteúdo de fornecedores chineses — a conexão com a China corre pela própria linha de cobertura deste site: o dsh-superagent da DeepSeek e o HarnessPro da Tsinghua/Zhipu já praticam partes do mesmo problema de disciplina de custos.
As afirmações, graduadas (7 de nov)
- O artefato, verificado por leitura direta. PDF hospedado no Google Cloud storage (pubtools/1048480): 203 páginas confirmadas dos metadados do arquivo. Autores: 23, ancorados pela UIUC (Ke Yang, Jiateng Liu, Hanghang Tong, Jingrui He, Chenyan Xiong, Jiawei Han, ChengXiang Zhai et al.) mais coautores do Google (Zifeng Wang, Chen-Yu Lee). Citado como
@misc{yang2026proactiveai}, 2026; sem sede de conferência anexa. - A biblioteca, verificada no repo. GitHub
EmpathYang/Proactive-AI-for-Superintelligent-Agents(MIT, 7 commits, 18 estrelas): 1.410 trabalhos citados organizados sob o framework, 80 representativos analisados, dados da biblioteca atualizados em outubro de 2026. O README declara que o survey cobre trabalhos de 1937 a 2026. - As seis capacidades (6A). Awareness (manter a situação), Anticipation (contexto → necessidades não ditas), Agenda (metas priorizadas e persistentes), Arbitration (gatar a iniciativa via incerteza, utilidade, tempo, risco, reversibilidade), Action (intervir dentro da autoridade), Adaptation (calibrar a iniciativa futura a partir de resultados e feedback — aceitar, recusar, modificar, ignorar, retirar, assumir o controle, cada um lido em contexto).
- Os 13 domínios. Codificação, agentes GUI, acesso à informação, embodied & robótica, segurança, AutoResearch, casa inteligente, cidade inteligente, saúde, direito, educação, entretenimento & mídia, agricultura — cada um mapeado numa escada de iniciativa de cinco degraus de reativo a gerador de agenda.
- A pilha de avaliação. Nível de tarefa (os resultados melhoraram; o tempo economizado superou o custo adicionado), nível de mecanismo (leitura da situação, antecipação, tempo bem escolhido), nível de usuário (carga de supervisão e correção, experiência, controle, confiança alinhada com a confiabilidade real). A armadilha da taxa de aceitação: um agente pode aprender a empacotar sugestões melhor sem ficar melhor em julgar o valor delas.
- O gargalo. Através dos domínios, o que limita a iteração proativa é o feedback: CI e compiladores fecham em segundos ou minutos; feedback de saúde, agricultura e laboratório úmido exige um ciclo de tratamento, uma safra ou um experimento caro. Velocidade, custo e confiabilidade do feedback fixam o tempo seguro da iniciativa.
- O que fica aberto. Sem sede/revisão por pares, sem suíte de benchmarks, sem implementação de referência. O número de 203 páginas confirmamos do próprio PDF; resumos na mídia (NLPer, 5 nov) repassaram o framework de forma coerente com as fontes primárias.
Verificação em 7 de novembro de 2026: página de publicações do Google Research, README do repo GitHub e página do projeto lidos diretamente; contagem de páginas do PDF lida do próprio arquivo (9,1 MB, /Count 203). Afirmações sobre o framework confrontadas com a estrutura do README. Nenhuma avaliação independente da qualidade acadêmica do survey foi tentada.
Arbitration em linguagem de builder: os quatro portões antes de seus tokens se moverem
A ideia que mais carrega peso neste survey para quem roda agentes é que agir e não agir devem ser comparados antes de agir. Um conflito de agenda é só um dado até o agente pesá-lo contra rota e tempo, estimar se preparar uma opção de participação remota ajuda de fato, e só então ganhar uma razão para falar. Traduzido para um stack de agentes em API medidas por consumo, os quatro portões são uma checklist de engenharia: incerteza — um humano chamaria isso de necessidade real ou de pista tênue (validação isolada antes de propor um patch); utilidade — ganho esperado contra computação, tempo, interrupção e custo de correção; tempo — guardar a descoberta para um intervalo natural entre tarefas; risco/reversibilidade — escritas em banco de dados, merges e mensagens enviadas precisam de autorização prévia justamente porque são difíceis de desfazer.
A galeria de fracassos do survey é familiar para quem já rodou um assistente proativo: cada sugestão é razoável isoladamente e insuportável em conjunto — refatorar aqui, documentar ali, atualizar essa dependência — enquanto o usuário está em plena entrega. O remédio documentado é estrutural, não comportamental: fazer os candidatos passarem pelos portões antes da execução, estacionar descobertas até o portão de tempo abrir, e tratar o "não incomodar" como um resultado projetado em vez de um fracasso.
O capítulo de avaliação aterrissa na aritmética semanal deste site: os ganhos no nível de tarefa precisam ser líquidos da carga de supervisão no nível de usuário. Um agente cuja lista de tarefas cresce enquanto a fila de limpeza do humano cresce mais rápido tem valor negativo, não importam os scores de benchmark.
Contexto: a linha dos laboratórios chineses já pratica partes disso
O survey não tem conteúdo de fornecedores chineses, mas os problemas que ele sistematiza estão vivos na linha de cobertura deste site. O dsh-superagent aberto pela DeepSeek (tradução integral) projetou exatamente a metade ação-e-custo — batching, filtragem de eventos, execução especulativa — para persistência 24/7. O paper HarnessPro da Tsinghua/Zhipu tornou quantitativo o portão de utilidade do Arbitration: +2,0pp de taxa de sucesso a −26,1% de custo por tarefa escolhendo intensidade de raciocínio e pontos de parada por tarefa. O que o survey adiciona é o arcabouço em volta dessas soluções pontuais: Awareness e Anticipation antes do gasto, Arbitration antes de o gasto ser justificado, Adaptation depois.
Para builders, a aritmética de custos é a mesma que rodamos toda semana sobre preços de modelos: o portão "vale a pena" de um agente proativo é a questão de custo por tarefa — DeepSeek V4.1-Flash fora de pico a $0,22/1M contra GLM-5.3 a $1,40/$4,40 decide quais comportamentos seu stack pode se permitir deixar um agente iniciar sem instrução, e a tabela comparativa segura a escada. Autoridade, como o survey enquadra, é concedida sobre confiança ganha: comece agentes com iniciativa reversível e em sandbox; amplie o escopo só à medida que o loop de adaptação o ganhar.
Sinais a observar: o survey achando uma sede e citações, a biblioteca do repo passando de 1.410, e qualquer fornecedor entregando proatividade com portões de arbitragem como funcionalidade de produto — esse último moveria este texto de observação de pesquisa para cobertura de lançamento.
Acesso de fora da China — e o aviso de sempre
Este site rastreia APIs de modelos chineses para builders internacionais: endpoints oficiais, preços e status dos pesos abertos, mais o trabalho de infraestrutura de agentes construído em cima. Os modelos sob a aritmética de custos vivem na tabela comparativa e na guia dos mais baratos; a linha de agentes está coberta nos briefings dsh-superagent e HarnessPro.
Aviso de independência: a ChinaModelAPI é um site de informação independente, sem afiliação com os autores do survey, UIUC, Google ou qualquer fornecedor de modelos. Os fatos do artefato vêm de leituras diretas (página de publicação, repo, metadados do PDF); os resumos do framework atribuem ao survey; nada aqui é promessa de roteamento, disponibilidade ou preço, e nenhuma avaliação do mérito acadêmico do survey é implícita.
Fontes primárias
- Google Research — página de publicação (23 autores, resumo, 2026; leitura direta)
- PDF do survey (pubtools/1048480) — 203 páginas confirmadas dos metadados do arquivo; leitura direta
- GitHub — EmpathYang/Proactive-AI-for-Superintelligent-Agents (MIT; 1.410 trabalhos, 80 representativos, 13 domínios; README lido diretamente)
- Página do projeto — visão geral interativa; biblioteca atualizada em outubro de 2026
- NLPer / AINLP (WeChat, 5 de nov de 2026) — a leitura confrontada por este briefing; repassada de forma coerente
- Referências do site: dsh-superagent de código aberto · o paper HarnessPro sobre disciplina de custos · guia dos mais baratos · tabela comparativa
FAQ (2026)
O que é o survey Proactive AI for Superintelligent Agents?
Um survey de 203 páginas de 23 autores da UIUC e Google (Ke Yang, Jiateng Liu et al.; citado como yang2026proactiveai, hospedado nas publicações do Google Research), que consolida 1.410 trabalhos citados — 80 representativos em 13 domínios aplicativos — sobre como agentes podem achar e começar trabalho que vale a pena sem pedido explícito. O repo GitHub companion (MIT) contém o paper e a biblioteca estruturada, atualizada em outubro de 2026.
O que é proatividade, na definição do survey?
A capacidade de iniciar ação intencional sem um pedido explícito — exercer a margem discricionária que as instruções deixam aberta (trade-offs, lacunas, contingências, replanejamento). O survey a trata como um terceiro eixo ao lado de inteligência (capacidade) e alinhamento (servir valores humanos), mirando iniciativa calibrada em vez de sobre- ou sub-agir.
Quais são as seis capacidades (framework 6A)?
Awareness (manter a situação), Anticipation (transformar contexto em necessidades não ditas), Agenda (metas organizadas e priorizadas), Arbitration (decidir se vale intervir agora), Action (intervir dentro da autoridade concedida), Adaptation (aprender de resultados e feedback).
Quais são os portões de arbitragem?
Antes de intervir, uma ação candidata passa por quatro checagens: confiança (entende mesmo a necessidade ou chuta a partir de uma pista tênue), utilidade (o ganho esperado supera computação, tempo, interrupção e custo de correção), tempo (agora, ou depois de o usuário terminar o passo atual), e risco/reversibilidade (se errar, quão grave e recuperável). Esperar e guardar uma descoberta para um intervalo natural fazem parte do design, não fracassos.
Como se deveriam avaliar agentes proativos?
Três níveis: tarefa (os resultados melhoraram — o tempo economizado superou o custo adicionado), mecanismo (leu a situação, antecipou, escolheu bem o tempo), usuário (carga de supervisão e correção, experiência, controle, e confiança alinhada com a confiabilidade real). O survey adverte: otimizar só a taxa de aceitação de sugestões pode ensinar um agente a empacotá-las melhor sem julgar melhor o valor delas.
Por que importa para builders de API?
Agentes longos em API medidas por consumo vivem dentro do problema de arbitragem: cada passo proativo são tokens faturados contra incerteza. Os portões e a avaliação de três níveis do survey são uma checklist para decidir quais comportamentos proativos seu stack pode se permitir — e sua conclusão transversal é que velocidade, custo e confiabilidade do feedback fixam a velocidade com que um agente pode iterar com segurança.