Engenharia de Contexto Agentivo: Contextos Evolutivos para Modelos de Linguagem Autoaperfeiçoados

Aplicações de grandes modelos de linguagem (LLM), como agentes e raciocínio específico de domínio, dependem cada vez mais da adaptação de contexto — modificando entradas com instruções, estratégias ou evidências, em vez de atualizações de pesos. Abordagens anteriores melhoram a usabilidade, mas frequentemente sofrem de viés de brevidade, que elimina insights do domínio em resumos concisos, e de colapso de contexto, onde a reescrita iterativa erosiona detalhes ao longo do tempo. Com base na memória adaptativa introduzida pelo Dynamic Cheatsheet, apresentamos o ACE (Agentic Context Engineering), uma estrutura que trata contextos como livros de jogo evolutivos que acumulam, refinam e organizam estratégias por meio de um processo modular de geração, reflexão e curadoria. O ACE previne o colapso com atualizações estruturadas e incrementais que preservam conhecimento detalhado e escalam com modelos de contexto longo. Em benchmarks de agentes e domínios específicos, o ACE otimiza contextos tanto offline (por exemplo, prompts do sistema) quanto online (por exemplo, memória do agente), superando consistentemente linhas de base fortes: +10,6% em agentes e +8,6% em finanças, ao mesmo tempo que reduz significativamente a latência de adaptação e o custo de implantação. Notavelmente, o ACE pôde se adaptar efetivamente sem supervisão rotulada, aproveitando feedback natural de execução. No leaderboard AppWorld, o ACE iguala o agente de produção classificado em primeiro lugar na média geral e o supera na divisão de teste-desafio mais difícil, apesar de usar um modelo open-source menor. Esses resultados mostram que contextos compreensivos e evolutivos possibilitam sistemas LLM escaláveis, eficientes e autoaperfeiçoados com baixo overhead.