IBM Research apresenta ALTK-Evolve, framework open source para aprendizado contínuo de agentes de IA
A IBM Research anunciou o lançamento do ALTK-Evolve, um framework aberto voltado ao aprendizado em tempo real de agentes de inteligência artificial. O objetivo da ferramenta é permitir que sistemas autônomos evoluam a partir de suas próprias experiências de execução, transformando erros e acertos em orientações reutilizáveis para tarefas futuras. A proposta busca resolver uma das principais limitações atuais dos agentes baseados em modelos de linguagem: a incapacidade de aprender de forma incremental ao longo do trabalho.
Segundo os pesquisadores, a maioria dos agentes começa do zero a cada nova sessão, repetindo os mesmos equívocos indefinidamente. O ALTK-Evolve atua justamente sobre esse gargalo ao introduzir um sistema de memória de longo prazo, baseado em memória episódica, que registra as trajetórias de execução e gera diretrizes aplicáveis a problemas semelhantes. O sistema opera como um ciclo contínuo, no qual cada nova rodada parte do conhecimento acumulado nas execuções anteriores.
Na prática, o framework utiliza uma combinação de um servidor MCP para integração de ferramentas, armazenamento vetorial para a memória e resolução de conflitos baseada em modelos de linguagem para refinar a base de conhecimento. Em vez de simplesmente reproduzir logs antigos, o ALTK-Evolve analisa os registros, promove padrões relevantes e descarta informações irrelevantes, fazendo com que cada execução seja um pouco mais eficiente do que a anterior.
Os resultados apresentados pela equipe mostram ganhos expressivos no benchmark AppWorld, que avalia agentes em tarefas realistas compostas por múltiplas etapas usando APIs. Com a adição das orientações geradas pela memória, a taxa de conclusão de objetivos por cenário aumentou 8,9 pontos percentuais no agregado. Nas tarefas classificadas como difíceis, o salto foi ainda maior, chegando a 14,2 pontos percentuais e representando um aumento relativo de 74%. Os pesquisadores destacam que essas melhorias refletem generalização real, e não memorização, com os agentes se tornando mais consistentes diante de variações de cenário e menos suscetíveis a falhas quando o fluxo de controle se torna mais complexo.
A solução também foi avaliada com o agente CUGA, do próprio grupo de pesquisa da IBM, por meio de uma integração direta via MCP. Antes de cada execução, a ferramenta get_guidelines fornece orientações específicas para a tarefa, enquanto, ao final, o método save_trajectory envia registros estruturados que permitem ao sistema aprender com o que realmente aconteceu. O resultado é um loop de aprendizado de baixo custo computacional, transparente e fácil de adotar em diferentes arquiteturas.
Para os desenvolvedores interessados em testar a ferramenta, o ALTK-Evolve oferece diferentes níveis de integração. O modo Lite permite uso sem código com assistentes de codificação como Claude Code, Codex e IBM Bob, bastando uma única importação altk_evolve.auto para emitir rastros diretamente em uma interface do Arize Phoenix e gerar diretrizes de melhoria. Já a integração completa oferece observabilidade detalhada sobre planos, chamadas de ferramentas e estados intermediários em agentes personalizados. O framework é compatível com clientes populares de modelos de linguagem e frameworks de agentes, incluindo OpenAI, LiteLLM e agentes da Hugging Face.
O ALTK-Evolve faz parte do ALTK, o Agent Lifecycle Toolkit anunciado anteriormente pela IBM como uma suíte de componentes modulares voltados a tornar agentes mais confiáveis em diferentes etapas de seu ciclo de vida. Outros módulos já divulgados incluem ferramentas para validação de chamadas, revisão silenciosa de erros e mecanismos de proteção contra violações de política. Com o novo componente, a IBM reforça a estratégia de oferecer soluções abertas que ampliem a confiabilidade de sistemas agênticos em aplicações corporativas.
O trabalho é fruto da equipe de pesquisa da IBM formada por Vatche Isahagian, Vinod Muthusamy, Jayaram Radhakrishnan, Punleuk Oum, Gaodan Fang, Gegi Thomas e Ayhan Sebin. Ao disponibilizar o ALTK-Evolve como projeto aberto, os autores convidam a comunidade a estender, remixar e evoluir a ferramenta, reforçando a aposta da empresa em um modelo colaborativo para o desenvolvimento de agentes de inteligência artificial mais adaptáveis ao uso real.
