OTIMIZAÇÃO DE RECURSOS E RESILIÊNCIA COGNITIVA EM AGENTES AUTÔNOMOS VIA PARADIGMA ACTION-RAG

Resumo

A escalabilidade de modelos de inteligência artificial autônomos é restringida atualmente pela volatilidade das APIs e a saturação da janela de atenção do Transformer, no qual a injeção exaustiva de ferramentas ocasiona o fenômeno “Lost in the Middle”. Este artigo introduz um paradigma Action-RAG, o qual fundamenta-se em metodologias Retrieval-Augmented Generation(RAG) e se diferencia pelo gerenciamento dinâmico de capacidades, utilizando o protocolo MCP para transicionar de uma injeção passiva para um estado de ativação interativa,a finalidade do método proposto, também se dá pela tentativa de otimização do ‘cost per token’ durante busca por ferramentas de ação. Tal método acompanha uma validação por meio de testes nos corpora, ToolBench e Gorilla APIBench (N=14.297), a arquitetura demonstrou superar metodologias como Passive-RAG em até 10,6 pontos percentuais em Hit Rate, e com uma eficiência 31% superior que o SemanticKernel.