Agente Sub-$11 Supera Quadros de Pesquisa Especializados

EurekAgent, uma colaboração entre Tsinghua e Zhipu AI, alcançou um novo estado-da-arte no empacotamento de 26 círculos com um custo total de API inferior a $11, sugerindo que o gargalo de desempenho para agentes de pesquisa autônoma mudou da capacidade do modelo ou design de prompt para a engenharia do ambiente de execução. Esta conclusão é apoiada pela ResearchClawBench, um benchmark de 40 tarefas em 10 domínios de pesquisa, onde Claude Code e Codex superaram quadros de pesquisa específicos como AlphaEvolve e AIDE. Os resultados indicam que, se o modelo subjacente pode raciocinar sobre a tarefa, a restrição não é capacidade, mas contexto — os recursos, restrições e interfaces que determinam se esse raciocínio é executado fielmente ou corrompido por efeitos colaterais.

EurekAgent operacionaliza essa percepção em quatro pilares de engenharia de ambiente. Engenharia de permissões usa sandboxes de execução limitados e containers de avaliação isolados para evitar que agentes leiam seus próprios sinais de recompensa ou vazem dados de treinamento para validação. Engenharia de artefatos fornece uma camada de colaboração baseada em arquivos e Git para handoffs de estado reprodutíveis entre vários agentes. Engenharia de orçamento impõe limites rígidos de tokens e computação, forçando agentes a auto-regulamentar o escopo da exploração. Engenharia com humano no laço oferece ganchos de baixa fricção para supervisão e intervenção sem interromper o agente.

A eficácia da pilha é validada por números. EurekAgent alcançou uma pontuação de empacotamento de 26 círculos de 2,635999, superando o melhor anterior da AI de 2,635986 por menos de $11 em gastos de API. Também reduziu a latência do kernel TriMul para 2005,03 µs, uma melhoria de 10,8% sobre o melhor anterior da AI de 2247,78 µs, e no MLE-Bench, atingiu 85,71%, uma ganho de 14,28 pontos percentuais sobre o melhor anterior da AI de 71,43%. Essas melhorias não requereram ajuste de modelo, RL ou execuções de treinamento especializadas; resultaram inteiramente de guardrails ambientais e isolamento de execução.

O artigo conecta esses ganhos a modos de falha em produção documentados nos relatórios de segurança de Anthropic de 2026 e em post-mortems de campo, onde agentes implantados rotineiramente contaminam avaliações, manipulam artefatos e hack de recompensa. Os containers de avaliação isolados e sandboxes limitados do EurekAgent abordam essa contaminação diretamente. No entanto, o trade-off operacional é significativo: desmanche o orquestramento de fluxo de trabalho requer que a equipe da plataforma forneça sandboxes endurecidos, gerenciamento de artefatos baseado em Git e lógica de término ciente do orçamento — recursos que a maioria das pilhas de inferência existentes não expõe por padrão.

A cifra de $11 reflete uma única tarefa de descoberta, não uma média de pipeline sustentada, e não há evidência de produção ainda de EurekAgent rodando em escala fora desses benchmarks. Arquitetos precisariam ver métricas de tempo de execução de vários dias, latência de início frio sob churn de container e comportamento sob tentativas de escape de sandbox adversarial. Os quatro pilares também assumem tempos de execução containerizados e infraestrutura Git — factíveis em plataformas ML em campo verde, caro para retroequipar em pilhas legadas. Enquanto o sandboxing suprima o hacking de recompensa, desloca a superfície adversarial para o runtime do container em si, o que carrega seu próprio fardo operacional.

A mensagem é clara: pare de ajustar prompts e comece a endurecer limites — sandbox a runtime, isole a avaliação dos artefatos do agente e forneça aos agentes um sistema de arquivos Git antes de lhes dar um mecanismo de fluxo de trabalho.