Estudo mostra que representação de habilidades afeta seleção por agentes de IA
Estudo de caso com o sistema de vídeo Tinycloud revela que a forma de descrever e estruturar habilidades impacta a busca e a escolha de ferramentas por agentes de IA.
Kevin Dela Rosa publicou o artigo “Representation Affects Retrieval: A Case Study of Skill Discovery and Routing in a Multimodal Agent Harness” no arXiv (2608.20389), investigando a descoberta e o roteamento de habilidades (Skill Discovery and Routing) em sistemas de agentes multimodais em produção.
O principal desafio surge quando o catálogo de ferramentas do agente cresce: como representar as informações de cada habilidade para que o modelo selecione a ferramenta ideal para a tarefa do usuário? Em sistemas menores, os modelos de linguagem conseguem analisar as opções diretamente no System Prompt e decidir com base no contexto. Contudo, com o aumento no número de habilidades, torna-se necessário recorrer à recuperação baseada em vetores (Embedding-based Retrieval) para pré-selecionar as ferramentas relevantes.
O estudo utilizou o Tinycloud, um sistema de agente multimodal para vídeo, como estudo de caso, dividindo a representação das habilidades em dois formatos principais: Tool-skill, que encapsula uma API externa ou ferramenta do sistema como vocabulário básico do agente; e Workflow-skill, que orquestra múltiplos Tool-skills para executar tarefas em várias etapas.
A principal conclusão é que a representação (a forma de estruturar e descrever os dados) afeta diretamente a capacidade do modelo de descobrir, classificar e escolher a habilidade certa para cada comando — seja via prompt direto ou por busca com embeddings em catálogos maiores. No entanto, por ser um estudo de caso focado em um único sistema, os resultados não devem ser generalizados para todos os tipos de agentes.
O artigo foi aceito no workshop AgentSearch ’26, durante a conferência SIGIR 2026 em Melbourne, Austrália, realizada em 24 de julho de 2026, ressaltando que o design de descrições de habilidades agora faz parte dos desafios de Recuperação de Informação (Information Retrieval), indo além da simples engenharia de prompt.
Desenvolvedores de agentes não devem focar apenas na quantidade de ferramentas ou no poder do modelo: a forma de nomear, delimitar e descrever as habilidades define a precisão da IA ao acioná-las. O tema é fundamental para empresas que constroem agentes integrados a múltiplos sistemas e APIs.