Classificar cada auto-melhoria pelo que ela altera e por quem a avalia

No relatório trimestral da Veredas, três mudanças diferentes apareceram sob a mesma frase: “o assistente aprendeu com o uso”. A primeira era a memória de estratégias, que o agente propõe e Caio aprova toda semana. A segunda, a queda de US$ 0,86 para US$ 0,41 por pergunta, que Caio fez à mão. A terceira, uma proposta dele para deixar um otimizador reescrever as instruções do módulo RLM.

Helena devolveu o relatório com duas perguntas para cada mudança: o que mudou de fato e quem garantiu que a mudança era boa? Sem essas respostas, o cliente lê “aprendeu” como promessa de que o sistema vai melhorar sozinho, e a Veredas assume um compromisso que nunca mediu. Das três mudanças, só a primeira é auto-melhoria em operação; a segunda é trabalho de engenheiro, e a terceira ainda precisa de portão.

Ao terminar, você classifica qualquer método de auto-melhoria por dois eixos: o objeto alterado e o validador. Você posiciona 16 trabalhos de 2022 a 2025 nessa grade, com o número principal de cada um, e entende por dentro os métodos que adaptam um agente sem tocar nos pesos do modelo.

Auto-melhoria, neste curso, é uma mudança persistente que um sistema faz em si mesmo a partir do próprio desempenho, como o cozinheiro que anota no caderno o ajuste que deu certo e o usa no dia seguinte. Três fenômenos vizinhos recebem o mesmo nome e falham em ao menos uma das três condições: persistir, partir do desempenho e ser proposta pelo próprio sistema.

As fronteiras se movem com um detalhe. O ajuste fino vira auto-melhoria quando é o sistema que gera os próprios dados de treino e decide o que fica, como no STaR. A repetição vira auto-melhoria quando o que funcionou é gravado e relido na tentativa seguinte, como no Reflexion, ainda que só dentro da mesma tarefa. O teste rápido cabe numa pergunta: se você reinicia o sistema amanhã, alguma coisa que ele mudou em si continua lá?

Dois eixos bastam para posicionar qualquer método. O primeiro é o objeto alterado, em ordem crescente de custo para desfazer: o prompt, a memória ou contexto (notas e casos lidos a cada execução), o código do agente (ferramentas, laço, habilidades) e os pesos, que só mudam com treino. O segundo é quem valida: o próprio modelo, um juiz de IA (outro modelo que lê e dá nota), um verificador programático (um programa que confere, como um teste) ou um humano.

A grade mostra três coisas. Quase todo método publicado depende de um verificador programático, porque é o sinal mais barato de repetir milhares de vezes. Os que confiam no próprio modelo ficam nas pontas: o Self-Refine, que nem persiste, e o Self-Rewarding, que mexe nos pesos por DPO (treino com pares de respostas, uma melhor e uma pior, sem gerar amostras novas durante o treino). A coluna humana está quase vazia, e é nela que a Veredas opera.

Leia a coluna de números com a etiqueta de cada um. Os do AlphaEvolve são da própria empresa sobre o próprio sistema. O ganho do SICA vale num subconjunto do benchmark. O do GEPA compara com o GRPO, otimizador de aprendizado por reforço que usa a média de um grupo de respostas como linha de base; o curso de aprendizado por reforço explica a mecânica. Cinco resumos não trazem percentual: Promptbreeder, ADAS, Gödel Agent, SEAL e Absolute Zero.

Dentro da grade, um terceiro corte separa quem aprende de quem seleciona. Selecionar é gerar muitas variantes e guardar a que avaliou melhor, como um concurso de receitas: nenhuma receita aprende nada, o júri escolhe. Aprender é atualizar um estado que muda o comportamento em casos novos, como pesos treinados ou uma memória consultada a cada tarefa. A diferença decide o que conta como prova.

Como a adaptação sem pesos funciona por dentro

No Reflexion, de março de 2023, o agente erra, escreve em texto por que errou e guarda esse comentário numa memória episódica, lida na tentativa seguinte da mesma tarefa. Os autores chamam isso de reforço verbal: o sinal de erro vira frase, sem gradiente. Os 91% no HumanEval vêm de tentativas repetidas no mesmo problema, com testes que o próprio agente escreve; levar a lição para um problema novo fica fora do desenho.

O ACE, de outubro de 2025, trata o contexto como um manual de estratégias que cresce. Três papéis dividem o trabalho: o gerador resolve tarefas e produz trajetórias, o refletor lê as trajetórias e extrai lições, e o curador transforma as lições em itens curtos e os integra ao manual. A integração é incremental, por delta: entram itens novos e mudam itens específicos, sem reescrever o manual inteiro.

O delta responde a dois defeitos que o artigo nomeia. Métodos anteriores reescreviam o contexto inteiro a cada rodada. Sofriam de viés de brevidade, que troca o detalhe do domínio por um resumo enxuto, e de colapso de contexto, em que a reescrita repetida apaga detalhes até o manual ficar genérico. Com itens estruturados e atualizações locais, o ACE ganhou 10,6% em agentes e 8,6% em finanças, sem rótulos humanos, só com o retorno natural da execução.

A memória da Veredas corre o mesmo risco. Se Caio pedisse ao agente que fundisse as dez notas aprovadas num texto único toda semana, a nota sobre o número da condicionante logo depois da sigla da licença viraria “procure padrões antes de ler” em poucas rodadas. Notas guardadas como itens separados, com data e autor, são o delta da Veredas.

O GEPA, de julho de 2025, evolui as instruções de um programa com dois recursos. A métrica devolve nota e um texto que diz por que a execução errou, e um modelo de reflexão lê esse texto e propõe a instrução nova. A seleção mantém uma fronteira de Pareto por instância: guarda todo candidato que tem a melhor nota em ao menos um exemplo de validação, o que preserva estratégias complementares.

O Memento, de agosto de 2025, guarda casos: cada tarefa vira um registro com plano, resultado e nota, e a tarefa seguinte busca os casos parecidos antes de agir. O LLM fica congelado; o que pode ser treinado é o seletor de casos, uma rede pequena à parte. Na mesma família, o Training-Free GRPO, de outubro de 2025, compara grupos de tentativas e guarda a lição em texto, sem calcular gradiente; o nome imita o GRPO só por analogia.

Adaptar sem pesos tem um custo que cresce em silêncio. Em maio de 2026, Song e Wei mediram que agentes perdem até 21% de desempenho quando a biblioteca passa de poucas habilidades úteis para 202, porque o agente escolhe a habilidade errada. Em abril, Zhao e colegas mostraram que experiência acumulada só em tarefas benignas ainda pode reduzir a recusa em cenários de risco. Memória e manual pedem poda com a mesma frequência com que crescem.

Classifique as dez intervenções da tabela abaixo pelas duas perguntas de Helena, o que mudou e quem validou, antes de ler a última coluna. Duas são da Veredas; uma delas é a memória de estratégias do capítulo sobre provar uma auto-melhoria antes de acreditar nela.

Liste as mudanças que o seu sistema sofreu nos últimos três meses e escreva, para cada uma, o objeto alterado, o validador e se ela sobrevive a um reinício. Está pronto quando nenhuma linha tem “o próprio modelo” como único validador sem um conjunto de perguntas que ele nunca viu ao lado. O próximo capítulo monta esse conjunto e o laço que seleciona variantes contra ele.