Pesquisadores da Microsoft descobrem que apagar histórico de chat melhora desempenho de agentes de inteligência artificial
15 de outubro de 2026 · 2 min de leitura
Pesquisadores da Microsoft Research descobriram que agentes de inteligência artificial autônomos apresentam melhor desempenho quando seu histórico de chat é apagado. O estudo indica que esses sistemas podem ficar presos em regiões de soluções locais, limitando a descoberta de abordagens mais eficazes.
Os pesquisadores analisaram agentes de autopesquisa, que propõem e avaliam soluções de forma iterativa. Eles observaram que diferentes execuções da mesma tarefa resultaram em níveis de desempenho variados, com pontuações finais entre 68,3 e 100,0. Esse fenômeno ocorre porque os agentes entram em regiões chamadas de senhas de ideias, onde gastam a maior parte do orçamento de computação refinando soluções pouco produtivas em vez de explorar novas possibilidades.
Para resolver isso, foi proposta a técnica chamada Fork-and-Flush. Esse método divide o agente em trajetórias paralelas que herdam o espaço de trabalho e os arquivos gerados, mas têm todo o contexto do chat apagado. Isso permite que cada trajetória inicie uma conversa nova enquanto mantém os resultados do trabalho anterior, restaurando a diversidade de busca.
A técnica foi testada em 13 tarefas de longo prazo, incluindo criptoanálise e otimização de núcleo VLIW, utilizando os modelos GPT-5.6-terra e GPT-5.5 via GitHub Copilot CLI. Com o mesmo orçamento de computação, o método Fork-and-Flush alcançou uma pontuação média normalizada de 0,78, contra 0,47 de execuções únicas e 0,54 para a abordagem Best-of-4. Isso representa melhorias relativas de 66,0% e 44,4%, respectivamente.
O estudo também revelou que apenas apagar o contexto do chat, sem a ramificação, já melhora os resultados em 22%. Testes com modelos Qwen3.5-4B, 9B e 27B em problemas MAX-3-SAT mostraram que a variação entre execuções é maior quando a tarefa está no limite das capacidades do modelo. Os autores esperam que essa variância persista em modelos futuros mais potentes, sugerindo que reinícios regulares de contexto continuarão sendo úteis.