A abordagem antropológica propõe um design de agente de duas camadas. Resolver o problema de agentes que perdem a memória ao executar tarefas longas. À medida que modelos de IA como Claude se tornam mais poderosos, os desenvolvedores esperam que eles possam: Executar tarefas complexas (como desenvolvimento full-stack) Trabalhar continuamente por horas ou até mesmo dias No entanto, a IA perde sua memória sempre que a janela de contexto é atualizada, o que a impede de prosseguir com a tarefa. É como uma equipe de engenharia trabalhando em turnos, mas cada novo engenheiro não tem ideia do que o turno anterior fez quando começa. Os dois principais modos de falha das tarefas tradicionais de longa duração: 1. Tentativa de concluir todas as tarefas de uma só vez (one-shot) Claude tenta construir toda a aplicação em uma única janela, mas às vezes o contexto se esgota, deixando um "projeto incompleto" que precisa ser reconstruído na próxima inicialização. 2. Declarar a tarefa concluída prematuramente. Quando uma parte da funcionalidade de um projeto é concluída, Claude às vezes determina erroneamente que "a tarefa está terminada". Ambos os problemas levam a estados de tarefa descontínuos e contextos quebrados. Por que isso é tão difícil de resolver? A "memória" dos modelos de IA não é permanente. Cada vez que a janela de contexto se fecha, é como se o "computador fosse reiniciado", sem se lembrar de nada. Embora a Anthropic tenha fornecido a Claude um recurso de "compactação", que permite condensar a conversa antes de passar para a próxima rodada... Mas isso não basta, porque a IA ainda perderá o estado estruturado do projeto. Solução da Anthropic: Arquitetura de Harness de Dois Agentes Para solucionar esses problemas, a Anthropic projetou uma nova arquitetura de trabalho para agentes inteligentes, chamada: Estrutura de Operação de Comprimento Corporal de Inteligência Dupla Isso é conseguido através da colaboração de dois tipos de funções de IA: Agente Inicializador Agente de Codificação Esses dois agentes não são dois modelos diferentes, mas sim o mesmo modelo Claude sendo executado em estágios diferentes, usando modelos de comando diferentes. A diferença reside na divisão de responsabilidades e nas restrições contextuais. 🧩 Primeiro membro: Agente Inicializador A função do Inicializador é: Estabeleça "memórias de trabalho" estruturadas para o projeto. Criar um ambiente de desenvolvimento claro e sustentável Ele só é executado quando o projeto é iniciado pela primeira vez, realizando a "preparação do projeto": Ao iniciar, este agente inteligente é responsável por: Criar todo o ambiente de trabalho; Escreva um script de inicialização: https://t.co/VUeBdiSpyr; Gere um arquivo de progresso do projeto chamado claude-progress.txt; Crie um repositório Git (para controle de versão). 💡 É como a "cerimônia de inauguração" do projeto, estabelecendo uma base sólida para a IA subsequente. 🧑💻 2. Agente de Codificação Em cada execução subsequente, essa inteligência irá: Leia o registro de progresso e os registros do Git; Veja a "Lista de funcionalidades a serem implementadas"; Implemente apenas uma pequena função; Escreva bons comentários e teste o código; Salvar commits Git limpos; Saia após atualizar o registro de progresso. 💡 Cada corrida é como uma etapa em uma corrida de revezamento: faça uma pequena coisa, registre-a com clareza e passe para a próxima pessoa. Resultados de testes no mundo real: Eles são realmente mais inteligentes. Experimentos demonstraram que essa abordagem estruturada permite a Claude: Mantém a consistência lógica mesmo após funcionar continuamente por várias horas; Verificar automaticamente o código que você escreveu anteriormente; Corrija rapidamente erros antigos; Isso transmite uma sensação de "trabalho em equipe". No entanto, ainda apresenta limitações, tais como: A janela pop-up nativa do navegador não está visível; Alguns erros só podem ser descobertos manualmente; A melhor abordagem para a colaboração multiagente ainda está sendo investigada.
Introxiaohu.ai/c/xiaohu-ai/an…//t.co/TiCZJwTO1F