Experience Graphs: A base de dados da Trellis impulsiona agentes de IA autoaprimoráveis

Os "experience graphs" da Trellis redefinem a gestão de dados para agentes de IA. Em vez de tratar a experiência de exploração como estados descartáveis em arquivos JSON ou logs de sessão, a Trellis a eleva a um objeto de banco de dados de primeira classe. Isso significa que artefatos executáveis, saídas de ferramentas, recompensas objetivas e a linhagem causal de tentativas de agentes são armazenados de forma persistente e estruturada. A arquitetura suporta consultas via SQL, grafos, vetores e consultas temporais, permitindo uma análise rica e a reutilização do histórico de busca dos agentes.

Essa abordagem é crucial para tarefas agentivas de longo horizonte, como geração de código ou pesquisa científica, que envolvem centenas de passos, falhas e refinamentos. Ao separar a computação do estado e persistir o grafo de experiência, os agentes de IA se tornam stateless e serverless. Isso permite que sistemas como o KernelEvolve da Meta alcancem melhorias significativas, com desempenho até 10 vezes mais rápido e redução de 52% nos custos de token para soluções válidas, transformando a busca de inferência em um ativo institucional durável.

A inovação da Trellis marca uma evolução substancial na forma como a memória de agentes é tratada. Enquanto a cobertura anterior do CEVIU, como a matéria "Memória em Grafos: O Salto para Agentes de IA Mais Inteligentes e Coordenados" de 11 de julho de 2026, já destacava a importância de sistemas de memória baseados em grafos, a Trellis vai além. Ela não apenas propõe um grafo para memória, mas redefine o próprio grafo de experiência de busca como um estado de banco de dados primário, governado e consultável.

Anteriormente, sistemas de agentes armazenavam o histórico de busca em objetos Python ou checkpoints JSON, como evidenciado pela experiência do KernelEvolve da Meta, que armazenava sua árvore de busca em estados locais de processo e checkpoints de arquivo. Esse método era inadequado para produção, perdia progresso em falhas e dificultava a reutilização sistemática de descobertas anteriores. A Trellis resolve essa fragilidade, elevando o "experience graph" de um log efêmero para um ativo de dados persistente e consultável, que é acessível via múltiplas interfaces e permite o autoaprimoramento recursivo de forma robusta e escalável, como discutido na reportagem "IA Autônoma: Pesquisadores Revelam Autoaperfeiçoamento Recursivo em Sistemas Inteligentes" de 16 de julho de 2026.

Para desenvolvedores e empresas, os "experience graphs" da Trellis significam um avanço na construção de agentes de IA mais autônomos e eficientes. A capacidade de persistir e consultar o histórico completo de tentativas, falhas e sucessos de um agente permite um autoaprimoramento contínuo e mais rápido. Isso reduz custos operacionais, otimiza o uso de tokens e aumenta a resiliência dos sistemas, que agora podem se recuperar de falhas sem perder o progresso.

Essa arquitetura transforma a experiência de busca dos agentes de um mero custo computacional em um valioso repositório de conhecimento. Em vez de reinventar a roda a cada nova tarefa ou sessão, os agentes podem alavancar o aprendizado coletivo e histórico, acelerando a inovação em domínios complexos como engenharia de software e pesquisa científica. É a base para uma nova geração de aplicações de IA verdadeiramente inteligentes e sustentáveis.