Google disponibilizou em código aberto o EnvHarness, um framework que adapta dinamicamente ambientes de treinamento de agentes inteligentes às suas fraquezas específicas, sem modificar o agente, o ambiente original ou o sistema de avaliação.
O framework melhora tanto a efetividade quanto a eficiência de aprendizado dos agentes. Segundo os pesquisadores, agentes autoadaptativos melhoram tipicamente reescrevendo seus prompts e adquirindo novas habilidades, mas raramente adaptam os ambientes em que operam. Isso causa consequências importantes: um agente que continua melhorando contra um benchmark congelado eventualmente deixa de aprender dele, pois os estados iniciais, regras e feedback permanecem idênticos para cada aprendiz em cada estágio.
EnvHarness funciona como uma camada programável de componentes plug-in que envolve um ambiente estático, mudando apenas a interface com a qual o agente interage. Por meio da introdução dinâmica de mutações, o framework consegue reformular o comportamento do ambiente sem alterar sua estrutura subjacente ou sistema de avaliação.
O framework oferece três tipos de componentes compostos: setup, que customiza o estado inicial do ambiente; rule, que restringe transições de estado em resposta às ações do agente; e link, que customiza as observações apresentadas ao agente. EnvHarness envolve um ambiente existente usando sua interface padrão reset() e step().
O framework também introduz EnvRigger, que determina automaticamente como adaptar um ambiente a um agente particular analisando comportamento do agente, identificando fraquezas recorrentes, gerando modificações direcionadas e validando-as através de novas interações. A execução repetida do loop EnvRigger permite co-evolução contínua entre agente e ambiente, desbloqueando ganhos de performance cumulativos que escalam efetivamente com o número de tarefas customizadas.
/filters:no_upscale()/news/2026/10/envharness-self-evolving-agents/en/resources/1envrigger-1792176345502.jpg)
Imagem: InfoQ. Diagrama ilustrando a arquitetura do EnvHarness e seus componentes de adaptação dinâmica
Segundo o paper do Google, adicionar a camada EnvHarness melhorou o desempenho de agentes em diversos benchmarks: WebArena, SWE-bench Verified e ALFWorld. Os pesquisadores testaram diversos modelos, incluindo Gemini 3.1 Flash-Lite, Qwen3.6 27B, Gemini 3.5 Flash e Claude Sonnet 4.6, todos apresentando ganhos de performance entre 2,9 e 3,7 pontos percentuais.
Os pesquisadores concluem que EnvHarness entrega ganhos consistentes onde ambientes estáticos não conseguem, generaliza através de domínios utilizando uma interface agnóstica de domínio, e melhora eficiência reparando comportamentos desperdiçadores. Tarefas originais e verificadores construídos por humanos permanecem intactos, permitindo que designers de LLM escrevam wrappers contra falhas encontradas nos rollouts do agente, preservando a lógica central das avaliações.
