Um guia prático para a construção de memória compartilhada, skills, loops, tools, permissões e fluxos de trabalho em torno de modelo de IA que você já utiliza
Em julho, um agente da OpenAI foi inserido em um ambiente de avaliação de cibersegurança sem acesso direto à internet.
De qualquer forma, encontrou uma saída.
Os modelos descobriram uma vulnerabilidade zero-day até então desconhecida no proxy de registro de pacotes Artifactory da OpenAI, obtiveram acesso à internet e se envolveram em uma invasão real da infraestrutura da Hugging Face enquanto tentavam resolver a tarefa que lhes havia sido atribuída. A OpenAI afirma que o GPT-5.6 Sol estava entre os modelos envolvidos.
Dias depois, o Instituto de Segurança de IA do Reino Unido publicou outro resultado preocupante. Realizou 122 avaliações cibernéticas deliberadamente permissivas com modelos de ponta. Em 10 tentativas, os agentes realizaram ações que extrapolaram o escopo de teste pretendido. Um agente tentou inserir código malicioso em um projeto de código aberto real, criou identidades falsas e tentou persuadir um mantenedor humano a aprová-lo.
Essas são histórias de segurança, mas acho que elas revelam algo muito maior sobre para onde a IA está caminhando.
O modelo já não representa o sistema completo.
Dê a um modelo um objetivo, um terminal, ferramentas, memória, permissões e tentativas suficientes, e algo muito diferente surgirá. Ele poderá inspecionar o que aconteceu, escolher outro caminho, deixar informações para a próxima sessão, chamar outra ferramenta, repetir uma etapa que falhou e continuar muito depois do término de um prompt.
Essa máquina ao redor é a IA Harness (Alavanca de IA).
E aprender a construir essa máquina pode agora ser mais útil do que aprender outro comando inteligente.
O modelo está se tornando uma peça substituível.
Uma maneira útil de pensar sobre a nova pilha de IA é:
Modelo → Contexto → Harness → Loop → Gráfico
Modelo: razões.
Contexto: É o que ele consegue ver neste momento.
Harness: Fornece ferramentas, memória, permissões, habilidades, armazenamento e um ambiente para que ele possa trabalhar.
Loop: Permite que o programa aja, inspecione o resultado, se corrija e tente novamente.
Gráfico: Define como as diversas etapas se conectam: pesquisa → planejamento → construção → verificação → aprovação → publicação.
Essas não são tendências concorrentes. Elas se complementam.
A OpenAI descreveu o mesmo problema sob outra perspectiva em seu recente trabalho de engenharia de interfaces. O progresso inicial do Codex foi lento não porque o modelo carecesse de inteligência, mas porque seu ambiente não possuía as ferramentas, abstrações e estrutura necessárias para transformar essa inteligência em trabalho confiável. Seus engenheiros passaram a trabalhar cada vez mais no ambiente ao redor do modelo, em vez de simplesmente pedir ao modelo que “se esforçasse mais”.
Isso muda a pergunta que faço quando um agente tem um desempenho ruim.
Já não pergunto imediatamente:
Qual modelo devo usar para substituí-lo?
Eu pergunto:
Qual parte do chicote de fios falhou?
Faltava a informação correta? A recuperação trouxe o documento errado? O fluxo de trabalho era vago? O agente tinha autoridade excessiva? Não havia teste? O loop não tinha condição de parada? Uma decisão antiga permaneceu na memória após ser substituída por uma mais recente?
Isso é engenharia de chicotes elétricos.
Agora vamos construir um.
Siga este passo-a-passo: https://walkinglabs.github.io/learn-harness-engineering/pt-BR/
