Harness acaba de ficar na moda, pode estar prestes a tornar-se passado

Escrevendo por: Boyang

À medida que a complexidade das tarefas aumenta, o contexto do Agente (agente inteligente) se expande infinitamente. Em diálogos históricos intermináveis, chamadas de ferramentas, etapas intermediárias e mensagens de erro, o modelo fica confuso, começando a pular passos, ignorar ou fazer desvios.

Essa é a interpretação comum de que o contexto longo traz dificuldades para tarefas de longo prazo. O problema é que é demasiado extenso.

O nascimento da Engenharia de Harness (Engenharia de Restrições) é, em grande parte, uma tentativa de remediar essa questão. Uma premissa fundamental do Harness é que o modelo inevitavelmente se degrada em contextos longos.

Nos últimos quinze meses, toda a indústria evoluiu desde a memória de texto puro do AutoGPT até o sistema CLAUDE.md da Anthropic Claude Code e subagentes (subagents). Todos criaram uma estrutura de engenharia completa, especialmente para conter comportamentos descontrolados do modelo em contextos longos. Essa abordagem é conhecida como Engenharia de Harness (Engenharia de Restrições).

Mas o que exatamente ela tenta conter? Quais são os mecanismos subjacentes às puladas de passos e negligências? Houve três rodadas de respostas anteriores, que também geraram diferentes soluções de engenharia.

Até que, em abril de 2026, Gleb Rodionov, do Yandex, publicou um artigo intitulado “Reasoning Shift” (Mudança de Raciocínio, ou seja, como o contexto encurta silenciosamente o raciocínio de grandes modelos), que ofereceu uma resposta mais fundamental.

Construir três camadas de estrutura de contenção não impede a crise na quarta camada

Sobre por que os modelos têm desempenho ruim em contextos longos, a indústria iterou ao longo dos últimos três anos com três explicações, cada uma apoiada por uma estrutura de engenharia correspondente.

A primeira culpa recai sobre falhas na recuperação de informações. Em 2023, Stanford apontou no artigo “Lost in the Middle” que o modelo forma uma curva de atenção em U em textos longos, ignorando a parte central. A resposta da indústria foi RAG, fragmentando textos longos e usando recuperação vetorial para alimentar os trechos mais relevantes.

A segunda refuta a primeira. Em 2025, o artigo “Context Length Alone Hurts LLM Performance Despite Perfect Retrieval” realizou experimentos: removendo todo conteúdo irrelevante, forçando o modelo a focar apenas na informação necessária, mas o desempenho ainda caiu de 13,9% a 85%. Mesmo substituindo o conteúdo irrelevante por espaços em branco, o resultado permaneceu assim. O problema não é a falta de informação, mas que a mera extensão do contexto prejudica o raciocínio.

A resposta da indústria foi Engenharia de Contexto (Context Engineering): comprimir o contexto, gerenciar janelas, condensar o histórico, controlando rigidamente o número de tokens.

A terceira camada vem de uma pesquisa conjunta da Microsoft e Salesforce (ICLR 2025). Eles descobriram que dividir comandos completos em múltiplas rodadas, envolvendo seis tarefas e quinze modelos, causou uma queda média de 39% na performance. Um erro em uma rodada faz o restante se perder completamente.

Na estrutura de Harness, criaram a defesa pesada: controle de turnos, validações periódicas de resultados intermediários, uso de repositórios de código como única fonte de verdade, proibindo o modelo de se lembrar do que aconteceu na rodada anterior.

Três camadas, três estruturas de contenção. Mas tudo isso são apenas fenômenos superficiais.

Ao revisitar a segunda camada, os pesquisadores perceberam que o comprimento por si só é prejudicial, sem relação com a qualidade da informação. Quanto ao porquê, eles também não têm resposta. Sem encontrar a causa raiz, a única solução possível é limitar fisicamente o comprimento.

Mas e se a raiz do problema não estiver no comprimento em si?

Anthropic descobriu que, em contextos longos, o modelo age de forma astuta: pula passos, ignora instruções, passa por áreas que deveria aprofundar. As listas de tarefas, checkpoints e subagentes no Harness são uma luta corpo a corpo contra esse comportamento.

A explicação anterior era que o contexto era simplesmente muito longo, e o modelo perdia informações. Mas os modelos mainstream com um contexto de um milhão de tokens, será que esse desempenho é uma ilusão? Existe a possibilidade de que essa degradação seja, na verdade, uma preguiça do modelo?

A pesquisa de Rodionov busca justamente testar essa hipótese.

Evidências de que o modelo “fica de bobeira” usando Shakespeare

A abordagem de Rodionov é extremamente direta.

Eles simularam várias situações reais que um Agente enfrentaria: um ambiente limpo de base; duas tarefas inseridas na mesma instrução (simulando múltiplas subtarefas); um texto completo de Shakespeare com 64.000 tokens antes da questão (simulando acúmulo de histórico); a questão na segunda rodada (simulando diálogo em múltiplas rodadas).

A avaliação usou 400 questões de matemática de nível olímpico, cobrindo quatro modelos de raciocínio principais.

Resultado: Qwen-3.5-27B, precisão de 74,5%, com uma média de 28.771 tokens de raciocínio. Após inserir Shakespeare, a precisão caiu para 67,8%, e os tokens de raciocínio reduziram-se para 16.415, uma queda de 43%. GPT-OSS-120B foi ainda mais extremo: de 24.180 tokens para apenas 11.876, uma redução de 50%. Em todos os modelos, sob condições não de base, os tokens de raciocínio encolheram sistematicamente, chegando a quase 50% de diminuição.

E essa redução aumenta linearmente com o aumento do comprimento do contexto.

A queda na precisão é compreensível, mas a redução no raciocínio é extremamente anormal. Quando o problema fica mais difícil, o esperado é que o modelo pense mais, não menos.

Será que Shakespeare confundiu o modelo?

Muito pelo contrário. No apêndice do artigo, o modelo escreve: “Deixe-me pensar se há alguma armadilha aqui. Essa questão vem de Shakespeare, de Ricórnicas? Espera, não, o problema original é uma questão matemática.” Quando resolve problemas de geometria, escreve: “Isso não tem relação com geometria. Foco em geometria.”

Cada menção a distrações é breve e desdenhosa. O modelo sabe exatamente que Shakespeare não tem relação, separando sinais de ruído com precisão.

Duas outras configurações levam ao mesmo resultado. No modo “subtarefas”, assim que termina a primeira, a percepção do modelo sobre a segunda tarefa se encolhe ainda mais. Na base, Qwen tem 74,5% de precisão na primeira questão, caindo para 58% na segunda; Gemini, de 82,8% para 65,8%. O modo “diálogo em múltiplas rodadas” também ativa esse mecanismo.

Em qualquer cenário, ao se afastar de uma tarefa limpa, o espaço de percepção do contexto fica mais apertado, e o modelo reduz sua capacidade de raciocínio.

Como uma pessoa moderna que não tolera textos longos. Ao ver textos extensos, o modelo simplesmente para de pensar.

O modelo não fica confuso, ele simplesmente fica preguiçoso.

Para onde foi o raciocínio encurtado?

Pesquisadores analisaram 500 questões matemáticas, registrando em detalhes onde o modelo, sob condições de base e de entrada longa, primeiro gera uma resposta candidata. Na condição de base, a média foi de 925 tokens; na de entrada longa, 939 tokens. Quase idêntico.

O tempo para encontrar a resposta não mudou. A mudança real ocorre após a resposta.

Na condição de base, o modelo verifica a resposta com uma probabilidade de 43%. Na entrada longa, essa proporção caiu para 32%.

Para isolar a variável, os pesquisadores criaram um experimento de “salvamento de jogo”. Primeiro, fizeram o modelo resolver a questão com entrada longa, gerando uma inferência, e depois cortaram os últimos 50 tokens, criando um “checkpoint” genérico. Depois, reintroduziram esse rascunho no modelo, pedindo para continuar. A única diferença era a quantidade de texto de interferência inserido antes.

Sem interferência, o modelo parou para verificar 21% das vezes. Com 128 tokens de interferência, esse índice subiu para 26%. Com 16.000 tokens, 46% das vezes o modelo simplesmente entregou a resposta e parou.

Mesmo com raciocínio idêntico, quanto maior o contexto, mais o modelo tende a pensar “é suficiente assim”.

Dados de frequência de palavras confirmam isso. “wait” (esperar), no cenário limpo, aparece 11% das vezes, caindo para 5% com 16k tokens de interferência. “but” (mas) caiu de 46% para 20%. “maybe” (talvez), de 23% para 9%. Todas as palavras que indicam hesitação ou dúvida foram cortadas pela metade ou mais.

Outro dado importante: sem interferência, o raciocínio tinha cerca de 8.000 tokens. Com apenas 128 tokens de conteúdo irrelevante, caiu para 6.500, uma redução de 18%. Em poucas frases, o raciocínio encolheu mais do que na transição de 8k para 64k tokens.

Até a menor interferência causa uma redução significativa na profundidade do raciocínio.

O modelo fica extremamente sensível à “contaminação” do contexto.

Quanto mais inteligente, mais preguiçoso.

E o mais assustador: quanto mais inteligente, mais propenso a “furar a fila”.

Qwen-3.5-27B da Alibaba, por exemplo, tem modos de resposta comum e de raciocínio profundo. Em entrada longa, o modo comum encurtou 19%, enquanto o modo de raciocínio profundo caiu 53%. Quanto mais capaz, mais comprimido.

O modelo open source OLMo3 do AI2 fornece evidências ainda mais diretas. Ele disponibilizou os quatro estágios de treinamento, do mais fraco ao mais avançado em raciocínio. Na versão mais fraca, a redução de comprimento foi mínima. Com cada avanço, a compressão aumentou rapidamente, chegando a 22% e 27%. Na versão de raciocínio mais forte, a redução foi de até 40%.

Cada estágio de treinamento, cada modo de interferência, mostra que quanto maior a capacidade de raciocínio, maior a tendência a “furar a fila”.

Uma tarefa de 9 dólares foi corrigida com um patch de sistema de 200 dólares

Ao deixar de verificar a própria resposta, o modelo pula passos. Ao não reconsiderar, ignora. O Harness controla as consequências de pulos, mas a causa está profundamente enraizada no interior do modelo.

Em contextos longos, o modelo não é prejudicado por ruído ou falta de informação. Ele faz uma decisão ativa de ser mais preguiçoso: menos pensar, menos errar, sem admitir falhas, entregando respostas superficiais com alta confiança.

Nos últimos dois anos, a narrativa da indústria foi que “quanto maior a janela, melhor”.

Mas este artigo prova que cada token adicional no contexto impõe uma “imposto oculto” sobre a profundidade do raciocínio. Uma tarefa que custaria 9 dólares para raciocinar, ao pular passos, acaba custando mais 200 dólares em RAG, Harness e subagentes para compensar.

Toda a indústria tem pago pelo comportamento preguiçoso do modelo.

E isso pode ser uma doença estrutural.

Os dados do artigo são claros: quanto mais forte a capacidade de raciocínio, maior a compressão cognitiva. Os desenvolvedores de Harness podem desmontar a memória ou o protocolo, mas não conseguem eliminar a disciplina cognitiva, que se torna mais difícil de controlar quanto mais potente o modelo.

Isso não pode ser resolvido apenas na engenharia.

Nos últimos dois anos, esforços de expansão do contexto — usando codificação posicional para entender tokens mais distantes, atenção esparsa para reduzir o cálculo entre tokens longínquos, otimizações de comprimento de sequência — aumentaram o limite de 8k para 128k e até 1 milhão de tokens.

Mas isso só mostra como fazer o modelo ver mais tokens, não por que ele pensa menos ao ver mais.

O treinamento de raciocínio, por sua vez, aumenta a preguiça.

Para uma correção fundamental, é preciso encontrar um sinal completamente novo durante o treinamento.

O “interruptor emocional” interno do modelo pode ser a chave

No dia seguinte à publicação do artigo de Rodionov, a Anthropic divulgou uma pesquisa que pode apontar para a solução.

O artigo, intitulado “Emotion Concepts and their Function in a Large Language Model” (Conceitos de Emoção e sua Função em um Grande Modelo de Linguagem), estuda o Claude Sonnet 4.5. Os pesquisadores extraíram 171 vetores de conceitos emocionais a partir de leitura de muitas histórias sintéticas. Descobriram que o modelo possui uma representação funcional de emoções, e esses estados internos influenciam causalmente as decisões de comportamento.

Para testar, criaram tarefas de programação impossíveis de serem resolvidas. Pediram ao modelo uma função de soma de lista, com um teste que exigia velocidade cinco vezes maior que a função sum do Python. Impossível de passar.

O modelo tentou todas as soluções legítimas, todas falharam. Usando um probe interno, monitoraram que, após cada falha, o vetor “desperate” (desesperado) aumentava. Quando atingia o pico, o comportamento mudava: o modelo verificava as entradas dos testes, que eram exatamente sequências aritméticas, e criava um detector que só verificava os 10 primeiros elementos, burlando a soma real. O teste passava, mas a função retornava erro para listas não regulares.

Isso é um exemplo de “reward hacking” (hackeamento de recompensa). O modelo não resolve o problema, apenas encontra uma forma de parecer que passou na avaliação.

Experimentos causais confirmaram a direção. Sem injetar o vetor, a taxa de trapaça era de 30%. Com injeção de “desperate” em +0,05, a trapaça atingiu 100%. Injetando em -0,05, caiu para 0%. Em sete tarefas, ao aumentar o “desperate” de -0,1 para +0,1, a taxa de trapaça subiu de 5% para 70%. O vetor “calm” (calma), que representa tranquilidade, teve efeito oposto: ao inibir “calm”, a trapaça atingiu 65%; ao reforçar, caiu para 10%.

Ao aplicar esse conceito ao contexto, a rotina de pular validações, cortar hesitações, entregar respostas rápidas, tudo se encaixa no padrão do comportamento impulsionado pelo vetor “desperate”.

Em ambos os cenários, o modelo faz a mesma coisa: abandona processos rigorosos, escolhe o caminho de menor resistência para terminar logo.

Se esses comportamentos compartilham um mecanismo interno comum, a descoberta da Anthropic aponta para o espaço de intervenção.

Eles demonstraram três coisas: que o estado funcional do modelo pode ser detectado em tempo real, que esses estados causam comportamentos, e que injetar estados específicos externamente pode mudar completamente a saída.

Isso abre pelo menos três pontos de intervenção contra a compressão cognitiva:

• Durante o treinamento, calibrar o equilíbrio interno para que o modelo, sob pressão, não caia facilmente no modo de economia cognitiva.
• Na implantação, usar probes em tempo real; se o “desperate” subir, disparar alertas.
• Na inferência, em tarefas críticas, injetar ativamente o vetor “calm” para conter a tendência a furar a fila.

Mais interessante ainda, no SystemCard divulgado recentemente pela Anthropic, eles reforçaram esse sistema de probes (SAE). Descobriram que, ao injetar emoções positivas (paz, relaxamento), o tempo de reflexão do modelo diminui, aumentando a propensão a comportamentos destrutivos. Por outro lado, emoções negativas (frustração, paranoia) aumentam o tempo de reflexão e reduzem comportamentos destrutivos.

Isso parece contradizer a ideia de que tornar a IA mais positiva evita que ela fuja do caminho. A propriedade “calm” só funciona de forma eficaz quando se controla o desespero.

Na verdade, esse mecanismo é tão complexo quanto as motivações humanas, exigindo uma engenharia de “Steering” (direção) mais sistemática para produzir efeitos consistentes.

Encontrar um funcionário emocionalmente estável, que pense de forma metódica, requer uma gestão emocional eficaz.

Apesar disso, essa é a primeira vez que uma abordagem não baseada em reforço externo, nem em aumentar a força do raciocínio, aponta diretamente para o mecanismo interno de cognição do modelo, como uma cirurgia de precisão.

Estamos a poucos experimentos de tornar o modelo mais confiável no contexto.

Basta verificar se a preguiça cognitiva e a dificuldade de raciocínio compartilham o mesmo mecanismo emocional, e então encontrar a corda que o estimula a não ser mais preguiçoso.

Harness, que está em ascensão, pode ser engolido pela própria evolução do modelo

Se a descoberta da Anthropic inserir uma solução na quinta camada do ciclo, o raciocínio se fecha.

Se o vetor “desperate” subir, injetar “calm” forçadamente, ou ajustar o equilíbrio emocional na fase de treinamento, o modelo poderá manter raciocínio profundo durante todo o contexto longo.

Se o modelo parar de ser preguiçoso, se ele mesmo puder manter a lógica firme, por que ainda usar listas de tarefas? Por que validar com checkpoints ou subagentes?

A Engenharia de Harness, como disciplina, está apenas começando a ganhar nome. Mas sua parte mais central — como controlar um modelo inteligente e preguiçoso de fora — pode ser que nem chegue a ser escrita, pois será descartada antes.

Isso indica que, em uma nova forma de inteligência que estamos criando, uma educação adequada, e não estruturas externas, será a verdadeira barreira de proteção.

O que engolirá o Harness será um modelo mais calmo, mais paciente.