Sistema operacional de código aberto para agentes de IA da Tsinghua reduz custos de tarefas de IA em 83%
Agentes de IA — programas que planejam e executam tarefas de várias etapas por conta própria — têm um problema de reputação. Eles esquecem o que fizeram duas etapas atrás, repetem chamadas caras a grandes modelos de linguagem e consomem silenciosamente o orçamento de uma empresa. Uma equipe da Universidade Tsinghua acredita que a solução não é um modelo mais inteligente, mas um lugar melhor para os agentes viverem.
O Laboratório de Processamento de Linguagem Natural (THUNLP) da universidade, em colaboração com a empresa de IA ModelBest e a comunidade de código aberto OpenBMB, lançou o PilotDeck 2.0, um sistema operacional de código aberto criado especificamente para agentes de IA. A equipe afirma que o sistema reduz o custo de execução de tarefas de agentes em 83 por cento, principalmente ao reduzir chamadas redundantes a modelos e gerenciar o que o agente lembra.
A memória é o recurso principal. No PilotDeck, a memória de um agente pode ser pesquisada e editada — usuários ou desenvolvedores podem consultar o que o agente armazenou, corrigir ou remover. Isso é importante para fluxos de trabalho de longa duração, onde um agente que se lembra mal de uma instrução inicial tende a repetir o erro em toda a tarefa. Poder inspecionar e alterar essa memória transforma um processo opaco em algo mais próximo de um caderno compartilhado.
O sistema também suporta nativamente o MCP, o Model Context Protocol, um padrão aberto que permite aos modelos de IA se conectarem a ferramentas externas e fontes de dados. O suporte nativo significa que um agente rodando no PilotDeck pode se conectar a serviços externos sem código de cola personalizado para cada um, uma fonte comum de fragilidade em projetos de agentes.
O lançamento faz parte de um esforço mais amplo na China em direção à infraestrutura para agentes, e não apenas a modelos maiores. O THUNLP é um dos grupos acadêmicos de IA mais conhecidos do país, e a ModelBest, uma startup ligada à Tsinghua, vem construindo modelos leves e o kit de ferramentas OpenBMB — a base por trás de vários projetos de código aberto populares. Colocar uma camada de sistema operacional entre modelos e tarefas é uma aposta de que a orquestração, e não a inteligência bruta, é de onde virão os próximos ganhos.
Para desenvolvedores globais, o atrativo é prático. Os frameworks de agentes atuais são fragmentados, e os custos escalam rapidamente quando uma tarefa exige dezenas de chamadas a modelos. Um sistema que afirma reduzir esses gastos em mais de quatro quintos enquanto mantém a memória auditável aborda duas das queixas mais comuns de equipes que implantam agentes em produção: imprevisibilidade e despesa.
Vale tratar o número de 83 por cento com a cautela habitual. As economias de custo dependem fortemente da tarefa, do modelo usado e de como o agente é configurado, e benchmarks independentes serão o verdadeiro teste. No entanto, o código aberto do sistema torna esse teste mais fácil de executar.
O sinal mais importante é para onde a competição está indo. À medida que a qualidade dos modelos converge, a disputa está se deslocando para a camada que decide qual modelo faz o quê, quando e a que preço. Se o sistema operacional da Tsinghua cumprir nem que seja parte de sua promessa, a próxima onda de agentes de IA pode ser julgada menos por sua inteligência e mais por quão bem são gerenciados.