Adaptação da IA Agente
Adaptation of Agentic AI
December 18, 2025
Autores: Pengcheng Jiang, Jiacheng Lin, Zhiyi Shi, Zifeng Wang, Luxi He, Yichen Wu, Ming Zhong, Peiyang Song, Qizheng Zhang, Heng Wang, Xueqiang Xu, Hanwen Xu, Pengrui Han, Dylan Zhang, Jiashuo Sun, Chaoqi Yang, Kun Qian, Tian Wang, Changran Hu, Manling Li, Quanzheng Li, Hao Peng, Sheng Wang, Jingbo Shang, Chao Zhang, Jiaxuan You, Liyuan Liu, Pan Lu, Yu Zhang, Heng Ji, Yejin Choi, Dawn Song, Jimeng Sun, Jiawei Han
cs.AI
Resumo
Os sistemas de IA agentivos de ponta são construídos sobre modelos de base que podem ser adaptados para planejar, raciocinar e interagir com ferramentas externas para executar tarefas cada vez mais complexas e especializadas. À medida que esses sistemas aumentam em capacidade e escopo, a adaptação torna-se um mecanismo central para melhorar o desempenho, a confiabilidade e a generalização. Neste artigo, unificamos o panorama de pesquisa em rápida expansão em uma estrutura sistemática que abrange tanto as adaptações do agente quanto as adaptações de ferramentas. Decompomos ainda estas em formas de adaptação do agente sinalizadas por execução de ferramenta e sinalizadas por saída do agente, bem como em formas de adaptação de ferramentas independentes do agente e supervisionadas pelo agente. Demonstramos que esta estrutura ajuda a esclarecer o espaço de projeto das estratégias de adaptação na IA agentiva, torna suas compensações explícitas e fornece orientação prática para selecionar ou alternar entre estratégias durante o projeto do sistema. Em seguida, revisamos as abordagens representativas em cada categoria, analisamos seus pontos fortes e limitações, e destacamos os principais desafios em aberto e oportunidades futuras. No geral, este artigo visa oferecer uma base conceitual e um roteiro prático para pesquisadores e profissionais que buscam construir sistemas de IA agentivos mais capazes, eficientes e confiáveis.
English
Cutting-edge agentic AI systems are built on foundation models that can be adapted to plan, reason, and interact with external tools to perform increasingly complex and specialized tasks. As these systems grow in capability and scope, adaptation becomes a central mechanism for improving performance, reliability, and generalization. In this paper, we unify the rapidly expanding research landscape into a systematic framework that spans both agent adaptations and tool adaptations. We further decompose these into tool-execution-signaled and agent-output-signaled forms of agent adaptation, as well as agent-agnostic and agent-supervised forms of tool adaptation. We demonstrate that this framework helps clarify the design space of adaptation strategies in agentic AI, makes their trade-offs explicit, and provides practical guidance for selecting or switching among strategies during system design. We then review the representative approaches in each category, analyze their strengths and limitations, and highlight key open challenges and future opportunities. Overall, this paper aims to offer a conceptual foundation and practical roadmap for researchers and practitioners seeking to build more capable, efficient, and reliable agentic AI systems.