Ir para conteúdo
be-human.ai
← Voltar ao blog

Fundamentos de harness

Janela de contexto em agentes de IA: o que cada chamada deve levar

Como decidir quais fatos, resultados de ferramentas e instruções entram em cada chamada do modelo para que um agente de IA siga preciso em tarefas longas.

Capa tipográfica do Be Human com o título: Janela de contexto em agentes de IA: o que cada chamada deve levar
Ilustração conceitual criada com IA · Be Human

Gerenciamento de janela de contexto em agentes de IA significa decidir, em cada chamada ao modelo, quais fatos, resultados de ferramentas e instruções entram na janela e quais ficam de fora. Trate a janela como um orçamento limitado: cada chamada deve levar o que a próxima decisão exige, em uma forma que o modelo consiga usar, enquanto todo o resto fica armazenado em um lugar que o harness pode buscar quando for preciso. Um teste prático: se remover um item não mudaria a próxima ação, ele não pertence a esta chamada.

Principais pontos

  • Monte cada chamada a partir da decisão que ela precisa sustentar, e não a partir de tudo o que o agente já viu.
  • Mantenha as instruções permanentes curtas e estáveis, e carregue procedimentos específicos só quando a tarefa precisar deles.
  • Reduza os resultados de ferramentas aos campos que decidem o próximo passo, e guarde a saída completa no registro da execução.
  • Defina um orçamento de contexto para cada tipo de chamada e registre o que foi incluído e o que foi descartado.
  • Reconstrua o contexto a cada etapa de uma tarefa longa, em vez de acumulá-lo indefinidamente.

Por que mais contexto costuma piorar o agente

É tentador dar ao agente uma janela maior e deixar que ele separe o que importa. Na prática, janelas longas se enchem de saídas antigas de ferramentas, decisões já substituídas, instruções repetidas e raciocínios incompletos. O modelo então precisa encontrar a única restrição relevante entre muitas linhas parecidas, e pode agir com base em um status que era verdadeiro três etapas atrás. O resultado raramente é uma falha clara. É um agente mais lento, mais caro de operar e menos consistente de uma execução para a outra.

As orientações de engenharia da Anthropic sobre engenharia de contexto descrevem o contexto como um recurso finito, com retornos decrescentes, e essa é uma boa forma de enquadrar o trabalho. O objetivo não é maximizar o que o modelo consegue ler. O objetivo é escolher o menor conjunto de informações de alto sinal que torne a próxima decisão confiável.

Comece definindo o que cada chamada precisa decidir

Antes de mexer em prompts ou em recuperação de informações, defina a decisão que cada chamada sustenta. Um mesmo agente pode fazer vários tipos de chamada: escolher uma ferramenta, redigir uma resposta ao cliente, verificar se um registro está completo ou decidir se deve escalar para uma pessoa. Cada uma dessas precisa de um recorte diferente da informação.

  • Escreva a decisão que esta chamada sustenta, em uma frase que um gestor aceitaria.
  • Liste os fatos que poderiam mudar essa decisão e marque cada um como obrigatório, útil ou irrelevante.
  • Anote as restrições que precisam valer em todos os casos: limites de permissão, regras de aprovação e o escopo da tarefa.
  • Verifique quais itens já estão na camada de instruções estáveis e quais precisam ser buscados para esta execução.
  • Transforme o resultado em espaços nomeados, como instruções, estado da tarefa, fatos recuperados, resultados de ferramentas e trocas recentes, cada um com um tamanho máximo.

Espaços nomeados tornam o orçamento visível. Quando uma chamada se comporta mal, você pode perguntar qual espaço carregou a informação errada, em vez de reler uma transcrição de dezenas de páginas.

Organize o contexto em quatro camadas

A maioria dos agentes de negócio funciona melhor quando o contexto é separado pela frequência com que muda e pela origem. Misturar essas camadas é uma causa comum de entradas desatualizadas ou contraditórias.

  • Identidade e regras estáveis: o papel, os limites e as condições de escalonamento. Mantenha isso curto, versionado e revisado como qualquer outra mudança.
  • Estado da tarefa: o que já foi concluído, o que está pendente, quais saídas foram verificadas e quais perguntas continuam abertas.
  • Material de referência recuperado: políticas, detalhes de produtos ou registros anteriores buscados apenas para esta chamada, com uma referência de origem anexada.
  • Resultados de ferramentas: compactos, tipados e limitados aos campos que a decisão usa.

Procedimentos merecem tratamento próprio. Uma checklist longa para tratar um reembolso ou um pedido de registros não deve ficar em todas as chamadas. Empacote-a como uma skill que o harness carrega quando a tarefa corresponde. A abordagem está descrita em Skills para agentes de IA: procedimentos reutilizáveis.

Reduza os resultados de ferramentas antes de eles entrarem na janela

A saída bruta de uma ferramenta costuma ser a maior fonte de desperdício. Uma API pode devolver o histórico completo de eventos, o cadastro inteiro de um cliente ou um log extenso, quando o agente precisa apenas do status mais recente e do campo que controla o próximo passo. Antes de um resultado entrar na janela, o harness deve manter os identificadores, o status, as datas, os erros e os campos específicos que a decisão exige. O conteúdo completo fica fora da janela, referenciado por um ID, para que uma chamada posterior possa recuperá-lo se surgir uma dúvida.

O mesmo princípio vale para os nomes. Nomes claros de ferramentas e esquemas bem definidos facilitam saber o que um resultado contém antes de lê-lo. Para os detalhes, veja Truncamento de resultados em agentes de IA: mantenha os campos que decidem.

Cenário ilustrativo: um agente de operações trata uma remessa atrasada de um fornecedor. A transportadora devolve um histórico longo, com dezenas de registros de rastreamento. A chamada que decide se o cliente deve ser avisado precisa apenas do status mais recente, da janela de entrega prometida e da preferência de notificação do cliente. O harness mantém o histórico completo no registro da execução. Se o cliente contestar o atraso depois, uma chamada separada busca os eventos antigos e trabalha a partir deles.

Reselecione o contexto em cada etapa

Tarefas longas quebram quando o agente continua acrescentando ao próprio histórico. Cada etapa soma saídas de ferramentas, raciocínios parciais e rascunhos intermediários, e, no meio da tarefa, a janela tem mais ruído do que sinal. Um padrão melhor é reconstruir o contexto de cada chamada a partir do estado da tarefa, e não a partir da transcrição.

Na prática, isso significa uma regra de compactação executada entre as etapas. Etapas concluídas viram fatos curtos e verificados, como “fatura conferida com o pedido de compra”, com uma referência. Saídas de ferramentas substituídas são descartadas. Perguntas abertas permanecem visíveis. O agente sempre sabe o que está resolvido e o que ainda é desconhecido, sem reler tudo o que levou até ali. As orientações da Anthropic sobre agentes de execução longa destacam um ponto semelhante: manter entre sessões um estado claro e estruturado. Os checkpoints que permitem retomar uma tarefa a partir de um estado verificado estão em Checkpoints para agentes de IA: retomar a partir do estado verificado.

Meça o que falta ao agente e trate conteúdo não confiável com cuidado

Um orçamento de contexto só é útil se você conseguir ver se ele funciona. Registre, para cada chamada, os espaços preenchidos, o tamanho aproximado de cada um e os itens descartados ou truncados. Quando o agente toma uma decisão ruim, o registro deve mostrar se a informação faltante nunca foi recuperada, se foi cortada por um limite ou se estava presente e foi ignorada. Conjuntos de avaliação também ajudam: uma pequena coleção de tarefas realistas, pontuadas pelo critério de sucesso do papel, mostra se uma mudança no orçamento melhorou ou prejudicou os resultados. O guia de avaliações da OpenAI e os textos da Anthropic sobre avaliação de agentes descrevem esse tipo de teste recorrente.

Há também o lado de segurança. Documentos recuperados, e-mails e saídas de ferramentas podem conter texto escrito para manipular o modelo. Se esse texto entra na janela com a mesma autoridade das suas instruções, o agente pode segui-lo. Mantenha o conteúdo não confiável em espaços claramente rotulados, não deixe que ele substitua a camada de instruções e restrinja o que o agente pode fazer depois de lê-lo. As orientações da OWASP sobre injeção de prompt cobrem as principais defesas.

Como a Be Human trata orçamentos de contexto em operações gerenciadas

Em um projeto com a Be Human, o orçamento de contexto faz parte do primeiro desenho, e não é um detalhe posterior. O primeiro projeto define um papel útil, a memória e as ferramentas de que ele precisa, seus limites de aprovação e um critério de sucesso observável, e registra quais camadas de contexto cada tipo de chamada recebe. A camada de instruções é mantida sob controle de versão e só muda por meio de revisão. A operação contínua inclui o monitoramento do tamanho do contexto e dos campos descartados, avaliações recorrentes contra o critério de sucesso, revisão de permissões quando uma nova ferramenta começa a fornecer dados e melhorias controladas quando os registros mostram uma lacuna repetida. Se você não sabe qual tarefa se beneficiaria mais dessa disciplina, o diagnóstico gratuito de IA da Be Human pode ajudar a identificar a primeira tarefa que vale entregar a um agente.

Perguntas frequentes

O que é um orçamento de contexto para um agente de IA? É o conjunto de limites que decide o que entra em cada chamada ao modelo, incluindo instruções permanentes, estado da tarefa, fatos recuperados e resultados de ferramentas. Ele transforma a janela em uma escolha deliberada, em vez de um registro de tudo o que aconteceu. Cada tipo de chamada recebe seu próprio orçamento, dimensionado para a decisão que sustenta.

Como saber quais fatos incluir em uma chamada ao modelo? Comece pela decisão que a chamada precisa tomar e liste os fatos que poderiam mudar essa decisão. Inclua os fatos obrigatórios, acrescente os úteis apenas quando houver espaço e deixe de fora qualquer coisa que não alteraria a próxima ação. Revise os registros ao longo do tempo para ver se o agente esteve sem informação ou se foi distraído por ela.

Devo colocar todas as regras do negócio no prompt de sistema? Mantenha na camada de instruções estável as regras que definem identidade, escopo e escalonamento, mas mova procedimentos longos para skills separadas e versionadas, carregadas quando necessário. Instruções muito longas diluem a atenção e ficam difíceis de manter. Regras curtas e revisadas são mais fáceis de testar e de mudar com segurança.

Com que frequência um agente deve reconstruir seu contexto durante uma tarefa longa? Reconstrua o contexto a cada etapa, a partir do estado verificado da tarefa, em vez de acrescentar a transcrição completa. Resuma as etapas concluídas em fatos confirmados, descarte saídas de ferramentas substituídas e mantenha as perguntas abertas visíveis. Isso mantém cada chamada focada e facilita retomar a tarefa depois de uma interrupção.

Seu próximo passo

Descubra primeiro onde um agente de IA cabe na sua empresa.

Faça o diagnóstico gratuito de IA da Be Human. Algumas perguntas sobre o seu trabalho mostram qual tarefa entregar primeiro a um agente, o que ele precisa saber e onde uma pessoa aprova.

Orientação editorial Be Human. Exemplos são ilustrativos, salvo atribuição explícita. Fontes oferecem contexto; a implementação depende do seu processo.

Menos tarefas. Mais espaço para você.

Traga o trabalho para o qual falta tempo.

Agende uma conversa e teste 7 dias grátis um agente de IA personalizado ↗Ou faça o diagnóstico gratuito de IA →