LongSeeker: Elastic Context Orchestration for Long-Horizon Search Agents

LongSeeker: A Nova Fronteira dos Agentes de Busca Inteligentes

Imagine um assistente de pesquisa que, ao invés de acumular toneladas de informação desordenada, consegue gerenciar seu próprio "pensamento" de forma dinâmica, descartando o que não interessa e aprofundando apenas nos dados realmente relevantes. Essa é a proposta do LongSeeker, um novo agente de busca de longo horizonte que promete revolucionar a forma como máquinas lidam com tarefas complexas de pesquisa na internet.

Desenvolvido a partir do modelo Qwen3-30B-A3B, o LongSeeker nasce de um problema crítico: agentes de busca que precisam raciocinar por longos períodos, chamar ferramentas e observar informações diversas podem facilmente "se perder". O acúmulo ingênuo de todo o conteúdo intermediário sobrecarrega o sistema, aumenta os custos computacionais e eleva o risco de erros, como alucinações e informações imprecisas.

O Problema do Contexto Infinito

Toda vez que um agente de IA realiza uma consulta, ele precisa manter na memória um "contexto de trabalho" – um resumo do que já fez e descobriu. Em tarefas longas, esse contexto cresce exponencialmente. É como tentar montar um quebra-cabeça de 10 mil peças mantendo todas as caixas e embrulhos abertos na mesa. A solução tradicional é simplesmente jogar tudo no modelo, gerando custos astronômicos e respostas confusas.

A equipe por trás do LongSeeker propõe uma abordagem radicalmente diferente: a gestão adaptativa do contexto. A ideia é que nem toda informação tem o mesmo peso o tempo todo. Partes da trajetória do agente devem ser mantidas em diferentes níveis de detalhe, dependendo de sua relevância atual para a tarefa.

Context-ReAct: A Orquestração Elástica do Contexto

Para colocar esse princípio em prática, os pesquisadores criaram o Context-ReAct, um novo paradigma de agente que integra raciocínio, gerenciamento de contexto e uso de ferramentas em um único loop inteligente. O sistema opera com cinco operações atômicas que permitem ao agente remodelar dinamicamente seu contexto de trabalho:

• Skip (Pular): Ignora conteúdo irrelevante ou repetitivo.
• Compress (Comprimir): Resumir informações já resolvidas ou de baixa prioridade.
• Rollback (Reverter): Voltar a um estado anterior do contexto, descartando ramificações infrutíferas.
• Snippet (Fragmento): Preservar trechos exatos de evidências cruciais.
• Delete (Excluir): Remover completamente galhos de pesquisa que não levaram a lugar nenhum.

Um dos achados mais interessantes é que o operador Compress é considerado expressivamente completo – ou seja, teoricamente poderia fazer o trabalho de todos os outros. Porém, os operadores especializados trazem vantagens de eficiência e fidelidade, reduzindo custos de geração e o risco de alucinações. Pular informações ruins é mais barato e seguro do que tentar comprimi-las, por exemplo.

Resultados que Impressionam

Treinado em 10 mil trajetórias sintéticas, o LongSeeker foi testado em quatro benchmarks representativos de busca complexa. Os números são impressionantes:

• No BrowseComp, alcançou 61,5% de acerto.
• No BrowseComp-ZH (versão em chinês), marcou 62,5%.

Para efeito de comparação, concorrentes estabelecidos como o Tongyi DeepResearch ficaram com 43,2% e 46,7%, respectivamente. Já o AgentFold marcou 36,2% e 47,3%. A diferença é substancial e mostra que a gestão ativa do contexto não é apenas um detalhe técnico, mas sim um diferencial competitivo decisivo.

O que isso significa para os negócios?

Para empresários brasileiros, essa tecnologia abre portas interessantes. Imagine sistemas de atendimento ao cliente que conseguem pesquisar em bases enormes sem perder o fio da meada, ou assistentes de análise de mercado que exploram centenas de fontes e ainda assim entregam relatórios claros e precisos. A redução de custos com tokens de processamento e a melhora na confiabilidade das respostas são benefícios diretos que podem impactar desde startups até grandes corporações.

O LongSeeker demonstra que o futuro dos agentes de IA não está em ter contextos cada vez maiores, mas em usá-los de forma mais inteligente. A capacidade de "esquecer" e "resumir" seletivamente pode ser tão importante quanto a capacidade de aprender. Para o ecossistema de tecnologia brasileiro, é um sinal claro de que a inovação em arquiteturas de agentes está apenas começando, e que modelos mais eficientes e confiáveis estão no horizonte.