Ideia principal

Muitos sistemas de deep research seguem uma arquitetura "buscar → extrair → resumir → redigir". Mesmo quando lançam várias buscas, elas continuam sendo ramificações de um plano definido muito cedo. A pesquisa ali é uma fase que antecede a geração.

Um loop realmente adaptativo exige que o agente mantenha um estado: o escopo, o conhecimento estabilizado, a proveniência e o nível de sustentação dele, as contradições, as incertezas, as lacunas identificadas, as buscas já realizadas, as estratégias que não deram em nada, as áreas consideradas saturadas. É esse estado que permite ao agente responder à única pergunta útil a cada passo: qual busca maximiza agora a chance de um ganho de conhecimento?

A profundidade não substitui esse estado. Um agente pode ler cem documentos repetindo os mesmos vieses, explorar muito sem nunca procurar a fonte que contradiz a sua conclusão central, acumular um contexto gigantesco sem saber o que continua incerto.

Por que isso importa

Isso desloca o critério de avaliação de uma ferramenta de pesquisa com IA: não quantas fontes ela lê, mas o que ela sabe sobre o que entendeu e sobre o que está faltando.

E isso diz o que precisa ser construído além de um pipeline de pesquisa: uma memória do estado do conhecimento, atualizada a cada iteração e relida antes da seguinte.

Nuances e limites

Manter esse estado custa, em tokens e em projeto, e para uma pergunta simples uma pesquisa linear basta.

E um estado mal mantido — incertezas não atualizadas, áreas declaradas saturadas por engano — leva o agente a escolhas mais confiantes, mas não mais acertadas.

Questões em aberto

• Em que forma esse estado continua legível para um humano que quer controlar as escolhas do agente?