Continual Harness eleva o nível do auto-aperfeiçoamento de agentes de IA no ARC-AGI-3

O Continual Harness não é só mais um ajuste de prompt: é um ciclo fechado de auto-aperfeiçoamento que opera sem reinicializações. Ele permite que agentes alternem, em tempo real, entre agir no ambiente e refinar seus próprios prompts, subagentes especializados, biblioteca de habilidades em código e memória persistente, tudo dentro da mesma sessão. Isso difere radicalmente das abordagens anteriores, como as do Cursor (maio/2026) ou da LangChain (fevereiro/2026), que dependiam de atualizações manuais ou A/B testes externos. O DreamTeam, implementação prática do framework, já mostra ganhos concretos no ARC-AGI-3: +2,4 pontos percentuais de acerto e -31% de ações por jogo, ou seja, menos ruído, mais precisão.

O ARC-AGI-3, lançado em março de 2026 pela ARC Prize Foundation, foi desenhado para expor exatamente onde os agentes ainda falham: raciocínio fluido em ambientes nunca vistos, construção contínua de modelo de mundo e adaptação sem reset. Até julho de 2026, nenhum modelo superava 1% de eficiência nesse benchmark, o Opus 4.6, líder até então, ficou em 0,25%. O DreamTeam atingiu 38,4%, mas o mais relevante não é o número absoluto: é que ele conseguiu isso com uma arquitetura que aprende *durante* a execução, não entre ela.

Antes, o aprendizado contínuo em agentes era fragmentado: o Cursor adaptava contexto dinamicamente (maio/2026), a LangChain otimizava harness com mudanças pontuais (fevereiro/2026), e a discussão teórica sobre os três níveis de aprendizado, modelo, harness, contexto, havia sido formalizada em abril/2026. Agora, o Continual Harness integra todos os três níveis em um único loop operacional. Não é mais 'ajustar o harness' ou 'refinar o prompt': é o agente reescrevendo sua própria estrutura de decisão enquanto age, algo inédito na prática até então.

Isso muda o custo de operação de agentes em produção. Menos ações no ambiente significam menos chamadas a APIs caras, menos tokens processados e menor latência. Mais importante: é um passo real rumo à autonomia funcional. Um agente que constrói, testa e corrige seu próprio modelo de mundo, como faz o DreamTeam nos 25 jogos do ARC-AGI-3, deixa de ser um assistente com memória para se tornar um co-piloto capaz de formular estratégias complexas sem intervenção humana. E isso não é especulação: já foi validado em cenários reais, como Pokémon Blue no modo difícil, onde o agente completou o jogo sem perder uma batalha.