Rumo a Agentes Autoevolutivos: Uma Estrutura de Duplo Processo para Refinamento Contínuo de Contexto

Grandes Modelos de Linguagem (LLMs) tornaram-se essenciais para sistemas de IA interativos, porém permanecem fundamentalmente estáticos após o lançamento: eles não podem atualizar seus parâmetros a partir do feedback da interação e frequentemente repetem os mesmos erros ao longo de longas sequências de interação. Propomos o Agente de Duplo Processo (DPA), uma estrutura para refinamento contínuo de contexto que possibilita o aprendizado sem modificar a espinha dorsal do modelo congelado. Inspirado pela teoria de duplo processo da ciência cognitiva, o DPA decompõe cada episódio de interação em dois processos complementares: um Sistema 1 rápido que recupera contexto compacto e relevante de uma memória de longo prazo explícita e gera respostas, e um Sistema 2 lento que reflete sobre os resultados e escreve atualizações selecionadas de volta na memória. Para evitar a degradação da memória em interações prolongadas, o DPA mantém entradas de memória em formato de bullet points com estatísticas de utilidade e emprega um portão curador conservador que filtra inserções genéricas, redundantes ou conflitantes. Experimentos em seis benchmarks diversos demonstram que o DPA supera consistentemente o prompting padrão e linhas de base competitivas tanto nos backbones GPT-5.1 quanto Llama-3.1-8B, alcançando o melhor desempenho geral em múltiplas tarefas que exigem raciocínio e conhecimento intensivo.