Um agente de IA que trabalha sozinho durante horas, propondo soluções, testando cada uma e corrigindo o rumo com base no resultado, tende a se apaixonar pela própria primeira ideia. É o que sugere um estudo de oito autores do time de pesquisa da Microsoft, publicado em 5 de outubro de 2026 no arXiv (abre em nova aba), repositório aberto de artigos científicos usado por pesquisadores do mundo inteiro. O paper descreve um problema recorrente, batiza esse comportamento de "idea basins" (bacias de ideias) e propõe um remédio de nome curioso: Fork-and-Flush, algo como "dividir e esvaziar".
Antes do remédio, o diagnóstico. Os pesquisadores testaram o mesmo agente de inteligência artificial, com o mesmo prompt e as mesmas ferramentas, várias vezes na mesma tarefa de pesquisa ou engenharia. O resultado chamou atenção pela diferença: em uma das tarefas descritas no paper, oito execuções independentes terminaram com as melhores pontuações entre 68,3 e 100,0. Todos os agentes fizeram trabalho sério. Alguns simplesmente pararam de evoluir em um nível bem inferior ao que a própria tarefa permitia alcançar.
Para quem não acompanha o jargão, vale explicar o personagem central. Um agente autônomo de pesquisa é um sistema de IA que recebe um problema aberto, gera uma solução candidata, mede o resultado e usa esse retorno para planejar o próximo experimento, repetindo o ciclo por horas ou dias. Nesses testes, os autores usaram modelos GPT-5.6-terra e GPT-5.5 por meio do GitHub Copilot CLI (abre em nova aba), uma ferramenta de linha de comando em que o agente escreve e executa código dentro de um workspace, ou seja, uma pasta de trabalho com os arquivos, os experimentos e os resultados acumulados.
A pergunta que o estudo levantou é por que agentes idênticos, com tempo e computação de sobra, terminam em patamares tão diferentes. A resposta dos autores, sustentada por uma análise própria dos dados, é que cada execução fica presa em uma região pequena do espaço de soluções possíveis. Eles chamam essa região de idea basin. A metáfora é geográfica: imagine, como hipótese, um remetente tentando melhorar o mesmo bolo durante semanas. Aos poucos, todas as tentativas passam a girar em torno de uma mesma família de ajustes, menos açúcar, mais fermento, e a pessoa para de considerar caminhos completamente diferentes, como trocar de técnica inteira. O agente faz algo parecido com as soluções de código.
Dimitris Papailiopoulos, um dos autores do estudo e pesquisador da Microsoft, resumiu o fenômeno ao divulgar o trabalho nas redes sociais.
Adoro pensar na AutoPesquisa como Descida de Ideias: uma métrica de interesse cai em função de ideias/experimentos, em que os agentes são puxados para uma ideia ou outra. Mas vimos com muita frequência um agente desenvolver essa estranha visão de túnel, se concentrando em apenas um tipo de "ideia", meio que como um gradiente descendente preso num mínimo local.
A comparação com o gradiente descendente, método clássico de otimização matemática que também pode travar em um ponto mediano sem nunca sair de lá, não é acidental. Segundo o post de Papailiopoulos, os pesquisadores até encontraram uma forma de visualizar essas bacias: um modelo de linguagem reescreve cada experimento como uma especificação e responde milhares de perguntas do tipo "o experimento A se parece mais com B ou com C?", e o conjunto vira um mapa em duas dimensões. No mapa, várias execuções do mesmo agente de fato se concentram em regiões pequenas e separadas.
A parte prática do estudo testou uma intervenção simples contra esse hábito. O Fork-and-Flush funciona assim: de tempos em tempos, conforme uma programação fixa decidida de antemão, o agente é dividido em várias cópias paralelas. Cada cópia herda o workspace completo, com todo o código, os arquivos e os resultados acumulados, mas começa com o contexto de conversa zerado, como se o agente tivesse trocado de colega de trabalho e herdado apenas a mesa com os papéis. As cópias rodam por um período determinado, e o sistema passa a continuar a partir da que obtiver a melhor pontuação. O resto é descartado.
O detalhe do chat zerado importa. O que o agente perde ao dar o flush é a memória da conversa, aquela narrativa interna de "já tentei isso, não funcionou, vou insistir por aqui". O que ele mantém é a herança material, o trabalho de fato. Os autores contrastam isso com outra prática comum, comprimir o histórico de conversa em resumos para economizar espaço, e o artigo relata que esse tipo de compressão não resolve o problema: o agente comprimido continua preso na mesma região de soluções.
Os números que sustentam a aposta, vale dizer logo, vêm dos testes dos próprios autores, em orçamento igual de computação para todos os métodos comparados, e ainda não houve replicação independente. Dito isso, o tamanho da diferença chamou atenção da imprensa especializada: o site The Decoder, em reportagem de 12 de outubro de 2026, destacou os principais resultados. Em 13 tarefas de longa duração, entre elas empacotamento de formas geométricas, agendamento de tarefas industriais, criptoanálise (decifração de códigos sem a chave), inferência da origem de contaminantes em água subterrânea, compressão de um classificador de imagens CIFAR e otimização de um código de máquina para um processador simulado, o Fork-and-Flush ficou com a maior pontuação média em 12 das 13.
Para ler esse gráfico, uma palavra sobre a escala. Os autores normalizam a pontuação de cada tarefa para variar entre 0 e 1 e depois tiram a média, o que permite comparar tarefas de naturezas muito diferentes sob a mesma régua. Com o mesmo orçamento de computação, o Fork-and-Flush alcançou média 0,78 contra 0,47 da execução única e 0,54 da estratégia de rodar o agente quatro vezes de forma independente e ficar com a melhor. Em termos relativos, são ganhos de 66,0% sobre a execução única e de 44,4% sobre o melhor de quatro. Os autores também mediram a variação entre execuções, e o método novo foi mais estável, com desvio padrão normalizado de 0,16 contra 0,26 do caminho tradicional.
Um resultado intermediário, talvez o mais interessante para quem não trabalha com agentes, é o do flush sozinho. Quando os pesquisadores apenas zeravam a conversa periodicamente, sem dividir o agente em cópias, o desempenho também melhorou, cerca de 22% em 11 das tarefas (média de 0,55 contra 0,45). A divisão em paralelo acrescenta ganho por cima disso, mas o dado sugere que boa parte do benefício vem só de obrigá-lo a recomeçar a conversa sem se prender à própria trajetória.
Como todo estudo desse tipo, há condições e limites que o leitor precisa conhecer. Os testes rodaram em uma versão específica do Copilot CLI, a 1.0.73, sempre com as mesmas ferramentas, o mesmo prompt e o mesmo workspace por tarefa. As execuções individuais duraram de algumas horas até 107 dias não, até 107 horas, ou seja, mais de quatro dias contínuos de máquina trabalhando. O custo não é trivial: o orçamento por execução variou de 6.000 a 100.000 créditos do Copilot CLI, e o paper estima que 100 créditos equivalem a cerca de 1 dólar, o que dá algo entre 60 e 1.000 dólares por execução, valor que se multiplica quando o método cria várias cópias em paralelo.
Também vale reservar expectativa quanto ao alcance. O Fork-and-Flush foi desenhado para agentes que trabalham com um workspace externo e tarefas de longa duração, do tipo pesquisa científica assistida e engenharia de código. Não é uma dica para conversas rápidas de chat do cotidiano, e o próprio método depende de haver uma pontuação objetiva para escolher a melhor cópia ao fim de cada ciclo. O cronograma de divisões é fixo, definido de antemão, e não um mecanismo inteligente que detecta quando o agente estagnou, algo que os autores deixam em aberto para trabalho futuro. E, mais uma vez, os percentuais expressivos refletem comparações internas do estudo, não validação de terceiros.
Para quem quiser conferir o trabalho, o paper completo está disponível gratuitamente em inglês sob licença aberta CC BY 4.0. Oito autores assinam o estudo, com Ziyang Cai e Christos Ziakas como primeiros nomes, e os pesquisadores explicam no texto que parte do trabalho foi feita durante estágio na Microsoft Research. A mensagem prática que sobra do estudo, no estado atual do conhecimento, é modesta e útil: quando um agente de IA trabalha muitas horas no mesmo problema, o acúmulo de memória conversacional pode virar lastro, e recomeçar a conversa de tempos em tempos, mantendo o trabalho material, é uma forma barata de dar espaço a ideias novas.
Perguntas frequentes
O que são "idea basins"?
São regiões pequenas do espaço de soluções possíveis onde cada execução de um agente de IA tende a se concentrar. O paper da Microsoft Research mostra, com uma análise de semelhança entre soluções, que execuções do mesmo agente na mesma tarefa ficam presas em grupos parecidos de ideias e param de evoluir em pontuações diferentes entre si.
O Fork-and-Flush funciona com qualquer modelo de IA?
Os testes divulgados usaram os modelos GPT-5.6-terra e GPT-5.5 via GitHub Copilot CLI, em 13 tarefas de pesquisa e engenharia. Os ganhos relatados vêm dos experimentos dos próprios autores, e não há ainda replicação independente comprovando os mesmos resultados em outros modelos ou ferramentas.
Quanto custa rodar esse tipo de experimento?
Segundo o paper, cada execução de agente consumiu entre 6.000 e 100.000 créditos do Copilot CLI, com 100 créditos estimados em cerca de 1 dólar, o que varia de aproximadamente 60 a 1.000 dólares por execução. O método Fork-and-Flush eleva o custo, porque roda várias cópias do agente em paralelo dentro do mesmo orçamento geral.
Limpar o histórico de chat ajuda no uso comum do dia a dia?
O estudo testou a limpeza do histórico em agentes autônomos de longa duração, que escrevem e executam código em um workspace por horas ou dias, e não em conversas comuns de chat. O resultado de cerca de 22% de melhora com o flush sozinho vale para esse cenário específico de tarefas de pesquisa e engenharia.