EnvHarness, do Google, muda o ambiente para treinar agentes de IA nos próprios erros

Pesquisadores do Google Cloud AI Research, da Universidade Washington em St. Louis e da Universidade da Carolina do Norte em Chapel Hill publicaram em 20 de agosto de 2026 o artigo do EnvHarness (abre em nova aba). A proposta muda o lugar onde agentes de inteligência artificial treinam sem reconstruí-lo. O método envolve um ambiente de treino que já existe numa camada programável, capaz de alterar onde o agente começa, o que ele vê e quais ações pode tomar. O mundo original e o sistema que corrige as tarefas ficam como estão. Nos testes dos próprios autores, o ganho chegou a 9 pontos em tarefas reservadas, que ficaram fora do treino.

Agentes são modelos de linguagem que executam trabalhos em vários passos, como navegar por um site ou consertar um defeito num programa. Eles aprendem praticando em ambientes, os mundos de treino em que cada ação recebe uma reação. Segundo o resumo do artigo, esses mundos são feitos à mão e estáticos: não enxergam as fraquezas do agente e ficam para trás conforme ele melhora.

Funcionam como um simulado que repete as mesmas questões todo ano. Quem vai mal tropeça sempre nos mesmos pontos, quem vai bem aprende os atalhos daquela prova, e o simulado não percebe nenhum dos dois.

Refazê-lo a cada rodada sai caro.

Segundo os autores, os geradores automáticos de ambiente criados para resolver isso exigem uma linha de montagem diferente para cada área e dependem de verificadores caros ou pouco confiáveis. No fim, entregam outra vez mundos parados.

Embrulhar em vez de construir

A página do projeto (abre em nova aba) resume a alternativa em wrapping, not authoring: embrulhar em vez de escrever do zero. Quase todo ambiente conversa com o agente por dois comandos padronizados. O reset() abre uma rodada, chamada episódio, e o step() recebe a ação do agente e devolve a resposta do mundo. O EnvHarness trabalha só por essa porta. Intercepta o que passa por ali e não toca no código interno do ambiente nem nas tarefas.

Por isso cada tarefa modificada herda o verificador da original, isto é, o programa feito por pessoas que decide se o agente acertou. As regras do mundo mudam, mas a nota continua sendo dada pelo mesmo verificador.

As mudanças vêm de três tipos de peça:

• Stage muda o ponto de partida. Segundo a MarkTechPost, a peça executa uma lista fixa de ações logo após o reset(). A VentureBeat cita um exemplo no ALFWorld, ambiente doméstico simulado, com a tarefa de pôr uma caneca limpa sobre uma mesa.
• Contract age a cada passo sobre a ação do agente, a reação do ambiente e o que o agente observa. Pode bloquear uma ação, reescrever uma resposta ou cortar parte do que é mostrado.
• Chain conecta ambientes, combinando tarefas de um com as de outro.

Como todas preservam a mesma porta de entrada, as peças podem ser empilhadas. O artigo e o site usam os nomes Stage, Contract e Chain, e a documentação do repositório chama as mesmas peças de Setup, Rule e Link. No site, dá para testá-las no navegador num jogo em que quatro cartas precisam ser combinadas com as quatro operações até dar 24.

O mesmo truque, do outro lado

O nome tem motivo. Harness (arreio, em tradução literal) é como se chama a estrutura montada em volta de um modelo de linguagem para lhe dar ferramentas, memória e a capacidade de repetir passos em ciclo. O modelo fica congelado e a capacidade nova vem de fora. O EnvHarness aplica a mesma lógica ao ambiente: acrescenta estados, regras e observações a um mundo que não muda sozinho. A página do projeto descreve a comparação assim: "Same trick, other side of the loop". Ou seja, o mesmo truque aplicado do outro lado do ciclo.

Quem escolhe a mudança

Escrever essas peças à mão para cada fraqueza traria o custo de volta. Os autores criaram então o EnvRigger, que trata o agente como caixa-preta: não olha dentro do modelo, só para o que ele faz.

1. Observar: o agente joga várias rodadas, e os registros de cada uma, as trajetórias, são guardados com acertos e erros.
2. Diagnosticar: o EnvRigger busca um padrão de falha, não um episódio ruim isolado.
3. Escrever: gera uma peça voltada para essa falha.
4. Validar: o mesmo agente joga rodadas novas no ambiente modificado. A peça é aceita se ensinar a habilidade que faltava sem tornar a tarefa impossível. Se não passar, volta para reescrita até ser aprovada ou até acabar o limite de revisões.

Para agentes fortes, o site fala em desmontar atalhos frágeis. Para os que têm dificuldade, em montar andaimes nos passos que faltam.

O exemplo do site vem do SWE-bench Verified, conjunto de problemas reais de programação em que a correção precisa passar nos testes. O agente edita o arquivo, registra a mudança e envia sem rodar teste algum. Um teste escondido quebra. O diagnóstico, em tradução livre: o sucesso depende de sorte, não de verificação. A peça escrita é um Contract que barra o envio com uma mensagem imitando um bloqueio automático do Git e exige que os testes rodem antes. Esse bloqueio não existia no repositório original. Nas rodadas seguintes, o agente testa, encontra a falha, corrige, testa de novo e envia. A peça é aceita, e a lição extraída é rodar o teste que falha antes da correção e outra vez depois. É a velha prova real da escola.

O código dessas peças é gerado em Python. Segundo a documentação do repositório, ele é compilado e executado num subprocesso isolado do restante do sistema.

Os números, segundo os autores

Os testes cobriram cinco conjuntos de avaliação, os chamados benchmarks, em quatro áreas: engenharia de software, navegação na web, trabalho de escritório e tarefas físicas simuladas. O repositório traz a comparação abaixo, com média de três execuções usando modelos Gemini. As duas colunas medem o agente depois de aprender, num caso no ambiente original e no outro no ambiente modificado.

A tabela do site acrescenta o ponto de partida. Na WebArena, o agente sem treino marcava 38,7 e, depois de aprender no ambiente original, ficou em 38,5. Praticar no mundo estático não ajudou.

O ganho de 9 pontos citado no resumo aparece no ALFWorld, em tarefas fora da distribuição, ou seja, de tipos diferentes dos vistos no treino: 70,4 contra 61,4. Os autores relatam também 9,8% menos passos. No SWE-bench Verified, a média caiu de 55,01 para 49,61 passos por episódio.

A VentureBeat também relata comparações com sistemas feitos especificamente para gerar ambientes para cada benchmark. Segundo a publicação, o EnvHarness superou o SWE-smith em 2,46 pontos percentuais no SWE-bench Verified, com 5,11 passos a menos por episódio, e o GenEnv em 5,7 pontos, em média, no ALFWorld. No aprendizado por reforço, em que o próprio modelo é ajustado com base em recompensas, o artigo relata ganho de até 6,5 pontos e afirma que agente e ambiente podem evoluir juntos. No repositório, essa rota usa o algoritmo GRPO por meio da biblioteca verl-agent.

Todos os números vêm dos autores, 17 no total, com Chengsong Huang, que fez o trabalho como estagiário do Google Cloud AI Research, como primeiro autor. O artigo está na versão 1 do arXiv, plataforma de pré-publicações, sob licença CC BY 4.0, sem indicação de revisão por pares. As reportagens da MarkTechPost, de 30 de agosto, e da VentureBeat, de 20 de setembro, repetem os resultados da pesquisa e não trazem experimentos próprios. O repositório do EnvHarness (abre em nova aba) foi publicado em 21 de agosto, e os dois veículos descrevem a licença do código como Apache 2.0.

Dá para usar sobre um harness que já existe?

A pergunta tem duas leituras. Na primeira, o EnvHarness seria mais um acessório a encaixar no harness do agente, ao lado das ferramentas e da memória. Não é o caso: ele não entra no agente, que para o EnvRigger é uma caixa-preta observada de fora.

Na segunda, a camada vai sobre um ambiente ou ciclo de avaliação que a equipe já usa, e essa é justamente a proposta. A MarkTechPost respondeu com um "sim, se você já roda um ciclo de avaliação de agentes". A formulação é da publicação, não dos autores. O agente mantém o harness que já tem e passa a ser o aluno, enquanto o novo arreio vai para o mundo onde ele pratica.

Para entrar no esquema, um benchmark novo precisa implementar a interface ActionableEnv, com sete comandos:

• reset e step, para começar uma rodada e executar uma ação;
• observe, para mostrar o que o agente pode ver;
• evaluate, para dar o veredito sobre a tarefa;
• get_env_state, para expor o estado real do mundo, que pode diferir do que o agente enxerga;
• save_state e from_state, para guardar uma situação e recomeçar a partir dela.

E no OpenClaw e no Hermes Agent?

O projeto não anuncia integração com o OpenClaw nem com o Hermes Agent, da Nous Research. O repositório cita as famílias de modelos GPT, Claude via Vertex AI e Gemini, e as configurações apontam por padrão para o openai/gpt-4.1-mini. Quem quiser levar a ideia a um desses agentes terá de fazer uma adaptação própria. A interface permite estimar onde fica esse trabalho, mas o que segue é inferência, não instrução do projeto.

O que volta ao agente depende da rota escolhida. No aprendizado de habilidades, o produto é uma lição escrita em linguagem comum, como a do teste antes do envio. No aprendizado por reforço, é um modelo com pesos ajustados pelo GRPO, o que pressupõe poder treinar o modelo.

O primeiro passo, portanto, não depende do OpenClaw nem do Hermes. Depende de as tarefas do agente já terem um corretor confiável, que é justamente o que o EnvHarness foi desenhado para herdar.

Perguntas frequentes