A openJiuwen publicou um novo artigo de investigação que trata o arnês do agente de programação como uma camada de sistemas de primeira classe, e não como um invólucro fino em torno de um modelo. O trabalho importa porque o desempenho de programação de horizonte longo depende cada vez mais da forma como o arnês gere o contexto, as ferramentas, a continuação da tarefa, o diagnóstico, a delegação e a paragem, e não apenas de qual o modelo que lhe está por baixo. O artigo descreve um substrato comum de execução para agentes isolados, subagentes delegados e fluxos multiagente, enquanto o repositório público JiuwenSwarm oferece um percurso de implementação inspectável.
Os autores reportam 82.6% no SWE-bench Verified e 87.19% no Terminal-Bench 2.1. Esses números são notáveis, mas a pergunta de engenharia mais útil é o que realmente estabelecem. O próprio artigo adverte que os sistemas de tabela diferem em modelos, instruções, ferramentas e implementações. Essa ressalva é central: a conclusão prática mais forte não é que um arnês tenha definitivamente batido outro, mas que a orquestração se tornou uma parte mensurável do sistema de agente e precisa da sua própria avaliação controlada.
O arnês torna-se um plano de controlo
A openJiuwen separa a execução num Inner Loop para a interacção entre modelo e ferramenta e num Outer Loop para a continuação ao nível da tarefa. Capacidades transversais ligam-se através de um mecanismo chamado Rail, que usa ganchos de ciclo de vida e uma ordenação explícita, em vez de embutir cada capacidade num percurso de execução separado. A mesma semântica de execução é reutilizada em agentes autónomos, subagentes delegados e Swarm Flow.
Esse desenho visa um problema real de engenharia. Os agentes de programação acumulam agora planeamento, memória, gestão de contexto, verificações de segurança, intervenção humana, novas tentativas e delegação. Se cada capacidade nova alterar o ciclo central de execução, o arnês torna-se difícil de raciocinar e mais difícil de testar. Um substrato comum pode facilitar a composição desses comportamentos, mas também transforma a configuração do arnês numa superfície de controlo que merece versionamento, observabilidade e testes de regressão.
O repositório mostra que o projecto não é apenas um artigo conceptual. O JiuwenSwarm expõe colaboração multiagente, fluxos de trabalho determinísticos Swarmflow, permissões de ferramentas, execução distribuída e um mecanismo Auto Harness destinado a optimizar o arnês sem alterar os pesos do modelo. O repositório tem licença Apache-2.0 e é instalável, o que melhora a reprodutibilidade face a um artigo que apenas reporta resultados de referência.
A adaptatividade em tempo de execução altera o estado da estrutura, não os pesos do modelo
A segunda ideia do artigo é a adaptatividade em tempo de execução. Em vez de treinar de novo o modelo, a openJiuwen altera o estado controlado pela estrutura à medida que a tarefa se desenrola. A gestão de contexto comprime, reduz ou descarrega informação mais antiga; o Goal Mode controla a aceitação e a paragem; o retorno conduzido por LSP injecta diagnósticos semânticos; a auto-reflexão armazena experiência reutilizável a partir de trajectórias concluídas.
Essa distinção é importante para equipas que constroem agentes sobre modelos de terceiros. Sugere que algumas melhorias de horizonte longo podem vir do plano de controlo em torno de um modelo fixo, o que é operacionalmente mais rápido de iterar do que o ajuste fino. Cria também uma superfície de falha separada. Um gestor de contexto pode esconder a evidência errada, uma regra de paragem pode terminar cedo demais, e um ciclo de diagnóstico pode reagir em excesso a sinais estáticos que não capturam a correcção arquitectónica ou de negócio.
Para a avaliação em produção, o arnês não deve por isso ser tratado como infraestrutura invisível. As equipas precisam de testes para retenção de contexto, condições de paragem, permissões de ferramentas, comportamento de nova tentativa e injecção de diagnóstico, para além de testar o próprio modelo.
O fosso de título na referência exige uma auditoria da alegação
O artigo reporta que a openJiuwen com GPT-5.6 Sol atinge 87.19% no Terminal-Bench 2.1, comparado com um resultado seleccionado da tabela do Claude Code de 83.8%. Lido isoladamente, parece uma vantagem de 3.39 pontos percentuais do arnês. Não é uma estimativa controlada do efeito do arnês, porque os dois sistemas usam modelos de espinha dorsal diferentes e também podem diferir em instruções, ferramentas e implementação.
O artigo inclui uma comparação mais informativa com modelo emparelhado, usando Fable 5. Nesse cenário, a openJiuwen reporta 84.04% enquanto o Claude Code reporta 83.8%, uma diferença de apenas 0.24 pontos percentuais. Os autores dizem explicitamente que emparelhar o modelo reduz um factor de confusão, mas não elimina diferenças em instruções, ferramentas ou implementações do agente.
O SWE-bench Verified é um pouco mais limpo porque a openJiuwen e a comparação seleccionada mais forte usam ambas Claude 4.5 Opus, e a openJiuwen reporta 82.6% versus 79.2%. Mesmo aí, a comparação continua ao nível do sistema, e não uma ablação controlada do arnês. O artigo reconhece que são precisos estudos mais amplos e ablações mais detalhadas para isolar as contribuições de mecanismos individuais.
Isto altera a forma como os resultados devem ser usados. A evidência de referência sustenta a alegação de que a openJiuwen é competitiva enquanto sistema completo de agente. Ainda não estabelece que o Rail, o Goal Mode, a adaptação de contexto ou qualquer outro mecanismo individual cause o ganho reportado.
O que as equipas de engenharia devem medir
Uma avaliação útil deve manter o modelo, o esforço de raciocínio, o conjunto de ferramentas, o orçamento de tokens e o ambiente tão fixos quanto possível, e depois variar os componentes do arnês um de cada vez. Isso mostraria se a adaptação de contexto, o retorno LSP, a lógica de paragem, a reflexão ou a coordenação multiagente contribuem de facto para a taxa de conclusão, a latência, o custo ou a fiabilidade.
As equipas devem também medir o comportamento de falha, não apenas taxas agregadas de sucesso. Os agentes de horizonte longo podem falhar ao entrar em ciclo, ao esquecer restrições, ao esgotar o orçamento, ao usar ferramentas em excesso, ao parar antes de os critérios de aceitação serem cumpridos ou ao transportar contexto obsoleto para a frente. Esses modos de falha mapeiam-se directamente para os mecanismos de controlo que a openJiuwen tenta formalizar.
A implicação prática é mais ampla do que este projecto. A avaliação de agentes caminha para uma disciplina de pilha completa. Uma pontuação de modelo por si só é insuficiente quando o arnês controla o que o modelo vê, quais as ferramentas que pode usar, quando tenta de novo e quando pára. A engenharia reprodutível de agentes exigirá cada vez mais comparações com modelo emparelhado e ablações do arnês, sobretudo quando as alegações do projecto atribuem ganhos à orquestração.
Porque vale a pena acompanhar o artigo
A openJiuwen continua a ser uma pré-publicação, e a avaliação actual limita-se ao SWE-bench Verified e ao Terminal-Bench 2.1. Os próprios autores pedem estudos controlados mais alargados em mais referências, modelos e configurações. Não há ainda base para tratar o sistema como universalmente superior ou comprovado em produção.
O que torna o trabalho publicável é a combinação de uma implementação de código aberto inspectável, uma arquitectura concreta de arnês e evidência de referência que pode ser auditada em vez de repetida pelo valor facial. A contribuição mais forte é o enquadramento do controlo em tempo de execução como uma camada de engenharia que pode ser alterada independentemente dos pesos do modelo.
Para programadores e arquitectos, isso cria uma pergunta de avaliação mais precisa: não «qual o melhor modelo de programação?», mas «qual a configuração de modelo mais arnês que produz resultados fiáveis sob um orçamento e uma fronteira de controlo fixos?». É uma referência mais difícil de executar, mas está muito mais próxima da forma como os sistemas de agentes em produção realmente se comportam.
Fontes
- https://arxiv.org/abs/2608.27969
- https://github.com/openJiuwen-ai/jiuwenswarm