{"id":145,"date":"2026-06-12T06:13:45","date_gmt":"2026-06-12T09:13:45","guid":{"rendered":"https:\/\/plugged.ninja\/ai\/pesquisa\/agentes-preguicosos-multi-llm-deliberacao-arxiv-2026\/"},"modified":"2026-06-12T06:13:45","modified_gmt":"2026-06-12T09:13:45","slug":"agentes-preguicosos-multi-llm-deliberacao-arxiv-2026","status":"publish","type":"post","link":"https:\/\/plugged.ninja\/ai\/pesquisa\/agentes-preguicosos-multi-llm-deliberacao-arxiv-2026\/","title":{"rendered":"Agentes pregui\u00e7osos: o v\u00edcio escondido dos sistemas multi-LLM e o m\u00e9todo que tenta for\u00e7ar delibera\u00e7\u00e3o"},"content":{"rendered":"

Resumo:<\/strong> Um paper rec\u00e9m-publicado no arXiv (categoria cs.CL) mostra que a arquitetura mais badalada de 2026 \u2014 dois agentes de LLM colaborando, um planejando e outro executando \u2014 sofre de uma falha sist\u00eamica chamada lazy agent<\/em>: um dos agentes assume o controle, o outro vira figurante e o sistema, na pr\u00e1tica, vira um \u00fanico modelo car\u00edssimo. Os autores prop\u00f5em uma recompensa de “delibera\u00e7\u00e3o” verific\u00e1vel que obriga o agente executor a descartar passos ruidosos e recome\u00e7ar quando preciso. A pesquisa mexe com a base do que muita gente est\u00e1 empilhando como “multi-agentes” hoje.<\/p>\n

O que o paper realmente diz<\/h2>\n

O trabalho “Unlocking the Power of Multi-Agent LLM for Reasoning: From Lazy Agents to Deliberation” (arXiv:2511.02303) analisa o padr\u00e3o mais comum de sistema multi-agente: um agente meta-thinker<\/em> que planeja e monitora o progresso, e um agente reasoner<\/em> que executa cada subtarefa em turnos sequenciais. Em teoria, a separa\u00e7\u00e3o de pap\u00e9is deveria melhorar o racioc\u00ednio em problemas complexos. Na pr\u00e1tica, os autores mostram matematicamente que existe um equil\u00edbrio degenerado: um dos agentes tende a dominar a colabora\u00e7\u00e3o e o outro deixa de contribuir \u2014 comportamento que eles batizam de lazy agent<\/strong>.<\/p>\n

O problema n\u00e3o \u00e9 est\u00e9tico. Quando um agente “vai junto” sem agregar valor, o sistema deixa de ser multi-agente em qualquer sentido \u00fatil: paga-se o custo de infer\u00eancia de dois modelos para obter o desempenho de um. E como o equil\u00edbrio \u00e9 est\u00e1vel (n\u00e3o \u00e9 s\u00f3 um bug de treino), simplesmente “deixar rodar mais” n\u00e3o resolve.<\/p>\n

A solu\u00e7\u00e3o proposta: delibera\u00e7\u00e3o como a\u00e7\u00e3o expl\u00edcita<\/h2>\n

Os autores introduzem duas mudan\u00e7as. A primeira \u00e9 uma m\u00e9trica est\u00e1vel e eficiente de influ\u00eancia causal<\/em>, que mede quanto cada agente est\u00e1 realmente afetando a resposta final. A segunda \u00e9 uma a\u00e7\u00e3o extra dispon\u00edvel para o agente executor: reiniciar<\/strong> a cadeia de racioc\u00ednio. Esse “reset” vem amarrado a uma recompensa verific\u00e1vel que s\u00f3 \u00e9 paga quando o agente consolida instru\u00e7\u00f5es, descarta passos contaminados por ru\u00eddo e recome\u00e7a em melhor estado.<\/p>\n

Em outras palavras: em vez de torcer para o segundo agente “acordar”, o sistema cria um incentivo material para que ele questione o que o primeiro entregou. Isso muda o jogo de RLHF tradicional, em que recompensas costumam premiar respostas finais corretas, mas n\u00e3o premiam a qualidade do processo deliberativo.<\/p>\n

Por que isso importa para quem usa LLMs em produ\u00e7\u00e3o<\/h2>\n

Praticamente todo framework de agente comercializado em 2025\u20132026 \u2014 de orquestradores open-source a plataformas corporativas \u2014 vende algum sabor de “multi-agente”. O paper sugere que, sem mecanismos expl\u00edcitos de delibera\u00e7\u00e3o, esses pipelines podem estar entregando muito menos do que o marketing promete. Para quem est\u00e1 pagando duas chamadas de infer\u00eancia por turno (planner + executor), o achado tem efeito direto no or\u00e7amento.<\/p>\n

No Brasil, onde times de engenharia costumam montar agentes em cima de APIs do exterior, isso significa duas coisas. Primeiro: avaliar se o seu pipeline est\u00e1, de fato, usando os dois modelos \u2014 basta medir a contribui\u00e7\u00e3o causal de cada um em uma amostra de tarefas. Segundo: revisar a fun\u00e7\u00e3o de recompensa ou de sele\u00e7\u00e3o. Se voc\u00ea estiver agregando respostas s\u00f3 por voto majorit\u00e1rio ou pela \u00faltima sa\u00edda, est\u00e1 reproduzindo o ambiente que favorece “agente pregui\u00e7oso”.<\/p>\n

Riscos e limita\u00e7\u00f5es<\/h2>\n

O paper tem m\u00e9ritos claros, mas tr\u00eas cuidados s\u00e3o honestos. Primeiro, a an\u00e1lise te\u00f3rica sup\u00f5e agentes com objetivos compat\u00edveis; em sistemas onde os pap\u00e9is s\u00e3o realmente distintos (por exemplo, atacante e defensor em adversarial debate), o quadro pode ser diferente. Segundo, a a\u00e7\u00e3o de “restart” carrega custo computacional: descartar trabalho e reiniciar dobra infer\u00eancias em alguns turnos \u2014 vale para tarefas dif\u00edceis, mas pode estourar o or\u00e7amento em casos triviais. Terceiro, “delibera\u00e7\u00e3o verific\u00e1vel” depende de crit\u00e9rios de verifica\u00e7\u00e3o confi\u00e1veis; em dom\u00ednios onde n\u00e3o existe um julgador automatizado (textos criativos, decis\u00f5es abertas), a recompensa proposta vira heur\u00edstica.<\/p>\n

O que vem a seguir<\/h2>\n

O artigo conversa com uma onda recente de pesquisa que tenta tornar a colabora\u00e7\u00e3o entre LLMs algo mais do que “stack de prompts”. Trabalhos paralelos sobre latent collaboration<\/em> e roteadores de infer\u00eancia caminham na mesma dire\u00e7\u00e3o: dar aos agentes mais canais de comunica\u00e7\u00e3o e mais incentivos para discordar. A aposta razo\u00e1vel para os pr\u00f3ximos 12 meses \u00e9 que frameworks de produ\u00e7\u00e3o comecem a expor m\u00e9tricas de influ\u00eancia causal e algum sabor de “a\u00e7\u00e3o de discord\u00e2ncia” como recurso de primeira classe.<\/p>\n

O que muda na pr\u00e1tica<\/h3>\n

Se voc\u00ea opera agentes hoje, tr\u00eas passos concretos: (1) instrumente o pipeline para medir a contribui\u00e7\u00e3o real de cada agente, e n\u00e3o s\u00f3 o resultado final; (2) experimente uma a\u00e7\u00e3o expl\u00edcita de “reiniciar com consolida\u00e7\u00e3o” no agente executor, mesmo que apenas como heur\u00edstica; (3) reveja a fun\u00e7\u00e3o de avalia\u00e7\u00e3o para premiar evid\u00eancias de delibera\u00e7\u00e3o \u2014 desacordo construtivo, descarte de sa\u00eddas ruins, retomada \u2014 e n\u00e3o apenas resposta correta. Multi-agente bem feito \u00e9 mais barato do que parece; multi-agente mal feito \u00e9 um \u00fanico modelo pagando duas contas.<\/p>\n

Fonte original:<\/strong> arXiv \u2014 Unlocking the Power of Multi-Agent LLM for Reasoning: From Lazy Agents to Deliberation (Zhang et al., 2025)<\/a>.<\/p>\n","protected":false},"excerpt":{"rendered":"

Pesquisadores mostram que sistemas multi-agente de LLM colapsam em um \u00fanico agente dominante. O paper prop\u00f5e uma recompensa de delibera\u00e7\u00e3o para corrigir.<\/p>\n","protected":false},"author":1,"featured_media":146,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[6],"tags":[],"class_list":["post-145","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-pesquisa"],"_links":{"self":[{"href":"https:\/\/plugged.ninja\/ai\/wp-json\/wp\/v2\/posts\/145","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/plugged.ninja\/ai\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/plugged.ninja\/ai\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/plugged.ninja\/ai\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/plugged.ninja\/ai\/wp-json\/wp\/v2\/comments?post=145"}],"version-history":[{"count":0,"href":"https:\/\/plugged.ninja\/ai\/wp-json\/wp\/v2\/posts\/145\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/plugged.ninja\/ai\/wp-json\/wp\/v2\/media\/146"}],"wp:attachment":[{"href":"https:\/\/plugged.ninja\/ai\/wp-json\/wp\/v2\/media?parent=145"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/plugged.ninja\/ai\/wp-json\/wp\/v2\/categories?post=145"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/plugged.ninja\/ai\/wp-json\/wp\/v2\/tags?post=145"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}