---
title: Pesquisadores da Microsoft descobrem que apagar histórico de chat melhora desempenho de agentes de inteligência artificial
url: https://www.elseif.net/pt-br/pesquisadores-da-microsoft-descobrem-que-apagar-historico-de-chat-melhora-desempenho-de-agentes-de-inteligencia-artificial
published: 2026-10-15T15:11:04+00:00
language: pt-br
section: Agentes
source: https://the-decoder.de/fork-and-flush-ki-agenten-arbeiten-besser-wenn-man-ihren-chat-verlauf-loescht/
organizations: Microsoft Research, GitHub Copilot
publisher: elseif
---

# Pesquisadores da Microsoft descobrem que apagar histórico de chat melhora desempenho de agentes de inteligência artificial

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.