Pesquisadores da Universidade Federal de Minas Gerais (UFMG) analisaram 532 mil arquivos de agentes de IA em 100 projetos open-source e identificaram problemas que podem afetar o desempenho desses sistemas. O estudo, publicado em junho de 2026, alerta sobre a presença de regras repetidas já verificadas por ferramentas de linting de código, excesso de informações e habilidades que poderiam ser carregadas apenas quando necessário, em vez de permanecerem disponíveis para todo o projeto.
Problemas Identificados
Regras Repetidas
Os arquivos de agentes de IA contêm regras que já foram verificadas por ferramentas de linting de código. Essas regras podem ser desnecessárias e redundantes, o que pode levar a um desperdício de recursos, incluindo tokens.
Excesso de Informações
Os arquivos contêm informações que podem ser desnecessárias ou redundantes. Isso pode resultar em um uso excessivo de tokens, o que pode afetar o desempenho do sistema.
Habilidades Não Necessárias
Algumas habilidades e regras são carregadas para todo o projeto, mesmo que não sejam necessárias. Isso pode resultar em um uso desnecessário de recursos, como tokens, e pode levar a respostas menos eficazes.
Impacto no Desempenho
O excesso de informações e habilidades desnecessárias pode aumentar o consumo de tokens e piorar as respostas dos agentes de IA. Isso pode levar a um desempenho reduzido e a respostas menos precisas.
Conclusão
O estudo alerta sobre a importância de revisar e otimizar arquivos de agentes de IA para evitar problemas futuros. Isso pode incluir a revisão de regras e habilidades desnecessárias, bem como a otimização do uso de recursos como tokens.
Conclusão
Pesquisadores brasileiros identificaram problemas em arquivos de agentes de IA, sugerindo que podem aumentar o consumo de tokens e piorar as respostas. A otimização desses arquivos é crucial para garantir um desempenho eficaz e preciso dos agentes de IA.