DeAR: como agentes descentralizados raciocinam em conjunto sem um coordenador central
Novo framework DeAR coloca o raciocínio de agentes em uma base ponto a ponto, eliminando gargalos de roteamento centralizado. Ao vincular-se às capacidades e navegar por um mapa mental, ele supera consistentemente métodos anteriores em nove benchmarks.

Introdução
Os sistemas multiagente clássicos geralmente são construídos em torno de um "orquestrador": ele decide qual agente deve ser acionado para a tarefa, coleta as respostas e entrega o resultado. Essa abordagem funciona razoavelmente bem em cenários simples, mas quanto mais complexa a solicitação, mais evidentes se tornam os pontos fracos. O nó central vira um gargalo: o roteamento demora, os papéis dos agentes são fixados antecipadamente e o sistema tem dificuldade de se adaptar a dados multimodais não padronizados.
No novo preprint DeAR, é proposto um caminho diferente — interação totalmente descentralizada. Os agentes negociam entre si, sem um coordenador único, e decidem por conta própria quem é responsável pelo quê. A ideia é tornar a colaboração mais flexível e resiliente — e, pelos resultados, isso funciona.

Por que a centralização atrapalha os agentes
O esquema tradicional de "roteador + executores" parece lógico, mas tem limitações sistêmicas. Todas as solicitações passam por um único nó, e sua capacidade de processamento determina a velocidade de todo o sistema. Se chega uma solicitação complexa que exige o trabalho conjunto de vários agentes especializados, o planejador central precisa entender rapidamente qual parte entregar a quem. Na prática, isso muitas vezes faz com que parte dos agentes fique ociosa enquanto outra fica sobrecarregada.
Outro problema é a rigidez dos papéis. Um agente designado como "de texto" não conseguirá ajudar com uma imagem, mesmo que seu modelo interno seja capaz de mais. Limites rígidos impedem o uso do potencial real do sistema.
O DeAR tenta fugir dessas limitações. Em vez de um planejador central, os agentes se comunicam em modo peer-to-peer. Cada participante avalia por conta própria o quanto suas capacidades se adequam à solicitação atual e decide em que direção levar o raciocínio adiante.
Como o DeAR funciona
Na base do framework estão três mecanismos que, juntos, garantem a coordenação autônoma.
Vínculo por capacidades
O primeiro passo é o vínculo descentralizado por capacidades. Cada agente recebe a solicitação e a "experimenta" em si mesmo: avalia o que sabe fazer e o quanto essas habilidades são relevantes para a tarefa atual. Nenhum planejador externo atribui papéis — a especialização nasce naturalmente, com base na solicitação específica. Isso torna o sistema mais flexível: o mesmo agente pode, em um caso, trabalhar com texto e, em outro, ajudar a analisar uma imagem.
Navegação pelo mapa de ideias
O segundo mecanismo é a navegação pelo mapa de ideias. Quando o agente define sua área de responsabilidade, ele precisa entender com quem e como interagir em seguida. Em vez de enviar mensagens aleatórias para todos, os agentes constroem um "mapa" direcionado de ideias e raciocínios, pelo qual se movem em direção ao participante certo. Essa abordagem reduz o tráfego desnecessário e torna a colaboração significativa: cada passo aproxima o sistema da resposta, em vez de apenas criar uma aparência de atividade.
Atualização de topologia
Por fim, é importante a capacidade de corrigir erros ao longo do caminho. O DeAR prevê a atualização de topologia — um mecanismo adaptativo que revisa as conexões entre os agentes se o caminho de raciocínio escolhido chegar a um beco sem saída. O sistema não espera que o nó central perceba o problema; ele reestrutura sua própria arquitetura em tempo real.

O que os testes mostraram
Os autores testaram o DeAR em nove benchmarks diversos, cobrindo tanto raciocínio multimodal quanto perguntas e respostas textuais. Em todos os casos, o framework descentralizado superou consistentemente os métodos de base recentes.
O ganho é especialmente notável em tarefas que exigem uso intensivo de conhecimento e esforços conjuntos de diferentes especializações. Isso confirma a tese principal: quando os agentes podem se adaptar livremente e se conectar diretamente uns aos outros, a precisão do raciocínio aumenta.

Conclusões
O DeAR é um passo em direção a uma arquitetura mais natural e resiliente para sistemas de agentes. Em vez de uma hierarquia rígida — uma rede autônoma, onde cada participante entende suas capacidades e escolhe como participar da resolução da tarefa. Essa abordagem não apenas elimina o problema dos gargalos, mas também torna o sistema preparado para cenários inesperados, impossíveis de prever com uma distribuição estática de papéis.
Por enquanto, o framework existe como projeto de pesquisa: o código-fonte prometem abrir após a publicação. Mas já está claro que a colaboração descentralizada de agentes é uma direção promissora, e o DeAR parece ser um de seus exemplos mais convincentes.
Perguntas mais frequentes
Materiais semelhantes
Todos os materiais
OpenCollab: coordenação programável de agentes, ambiente de execução controlado e métrica de cumprimento das regras
O framework reúne a definição da estrutura de interação entre agentes, um ambiente comum para experimentos e o rastreamento detalhado de eventos, enquanto a métrica Adherence, introduzida agora, reflete o quanto a execução real corresponde ao esquema declarado. Nos benchmarks, a configuração Duo alcança um novo patamar de SOTA, enquanto a variante de agente único se destaca pelo menor consumo de tokens.
11 novembro 2026
Toollery: seleção de ferramentas para agentes LLM entre dezenas de milhares de opções sem fine-tuning
A Toollery cria um índice de pesquisa com base nas descrições de competências e ferramentas e, a cada consulta, transmite ao modelo apenas um conjunto limitado de candidatos. Em testes com bibliotecas de dezenas de milhares de funções, a abordagem permite manter a qualidade da seleção com um top-K fixo, embora o efeito final dependa do perfil de carga e do cache do fornecedor.
11 novembro 2026
Diagnóstico passo a passo de agentes GUI na análise de dashboards: benchmark DashAct
Apresentamos o DashAct — um benchmark com 348 trajetórias verificadas por humanos, que divide o trabalho de agentes GUI com painéis interativos em três etapas e quatro condições visuais. Os resultados revelam problemas persistentes na previsão de ações e na associação a alvos visuais, bem como a dependência das respostas dos agentes do suporte contextual e espacial.
11 novembro 2026