The Agent Watch
Briefing · Artigos · Ferramentas · Sobre EN FR DE ES 中文 IT PT SV FI DA

Briefing diário

9 de novembro de 2026 · 5 historias

🔥 Em destaque

1

Google entrega a revisão a um agente que nada sabe do projeto

Google publica em código aberto um método de revisão que cabe numa imagem: um «elefante» redige a especificação com todo o contexto, um «peixe vermelho» relê-a sem qualquer rasto da conversa de escrita. O revisor não tem nada a defender, porque não escreveu nada, por isso caça as suposições não ditas, os requisitos vagos e os riscos que o autor saltou. O repositório é livre, tem mais de 15.000 estrelas e instala-se no Codex CLI, Claude Code e Antigravity. Três papéis partilham o trabalho: o autor, o revisor recém-chegado e uma pessoa que decide os pontos levantados. Na prática, é o método que se aplica ao entregar um documento a um colega que não estava na reunião: ele faz a pergunta a que o autor nunca tinha pensado. Fonte : https://github.com/google/elephant-goldfish-model

2

Anthropic explica a memória dos seus agentes: quatro camadas e um turno da noite

A Anthropic publica o detalhe do mecanismo de memória dos seus agentes. Quatro camadas, de baixo para cima: o registo bruto das sessões, as notas que o próprio Claude escreve, fichas enciclopédicas ligadas entre si e, por fim, uma pequena lista reinjetada no início de cada sessão. No meio há um trabalho de fundo que a empresa chama o «sonho»: fora de qualquer conversa, o sistema relê os registos, corrige as notas falsas, cria o que falta e poda o que envelheceu. Os números estão publicados: na base de aprendizagem contínua, o Opus 5.5 passa de 0,655 para 0,838 com memória, o Sonnet 5.5 de 0,644 para 0,833, e o Opus 5 é o que mais ganha, de 0,564 para 0,828. Uma lição é simples: a lista reinjetada deve permanecer curta. Cada linha de contexto entregue ocupa espaço e pode reduzir a obediência. Fonte : https://www.anthropic.com/research/components-of-agent-memory

3

Um modelo que qualquer pessoa descarrega aproxima-se do modelo reservado

A Vals AI deixou os agentes atacarem sozinhos duas redes empresariais falsas, Nova e Lighthouse, e contou os objetivos atingidos. Na rede mais difícil, a Lighthouse, o modelo da OpenAI reservado a parceiros de cibersegurança alcança 27 objetivos em 31; o DeepSeek, que qualquer pessoa pode descarregar, alcança 21. Na rede mais simples, os dois estão empatados: 16,3 objetivos em 21 para o DeepSeek contra 15,7. A diferença de preço é clara: uma tentativa custa menos de 3 dólares com o DeepSeek e cerca de 22 com o modelo da OpenAI, dez vezes menos. Um detalhe muda a leitura: o DeepSeek não conseguiu nada durante os seus primeiros 25 milhões de palavras de trabalho e só avançou a sério depois dos 100 milhões. Um teste curto subestima os modelos baratos. Para os nossos servidores, a pergunta já não é «um agente consegue entrar? » mas «com que modelo, a que preço, em quanto tempo? ». Fonte : https://www.vals.ai/benchmarks/cyber_offense

4

Um laboratório angaria 120 milhões de dólares para mandar agentes ao socorro das nossas avarias

A Traversal angaria 120 milhões de dólares em série B e passa a valer mil milhões. A empresa manda agentes investigar as avarias sem esperar que um engenheiro abra um pedido. O contexto é medido: 42 % dos desenvolvedores escrevem já a maior parte do seu código com ajuda de uma inteligência artificial, contra 12 % há um ano, mas 52 % gastam mais tempo a depurar quando o código entra em produção. As investigações mensais da Traversal passaram de 513 para quase 73.000 num ano. O limite é assumido pelo seu diretor de engenharia de operações na Anthropic: não se pode confiar nos grandes modelos para a gestão de incidentes, porque confundem facilmente o que acontece ao mesmo tempo com aquilo que o causa. Fonte : https://www.traversal.com/blog/traversal-series-b-120-million-ai-sre

5

O modelo descarrega-se sem problema, mas a sua licença proíbe vendê-lo

A editora webAI publica os pesos do TwIL-8B, um modelo de raciocínio de 8,8 mil milhões de parâmetros derivado do Granite 4.2 da IBM. Cabe em 5 gigabytes e corre num computador de secretária: os seis ficheiros de pesos descarregam-se de facto. Mas o ficheiro de licença lido no repositório chama-se «webAI Non-Commercial License ver. 1.0» e estabelece que o modelo e os seus derivados só podem ser usados para investigação e ensino, nunca comercialmente. O modelo base, esse sim, está sob Apache 2.0, sem limiar de faturação nem país excluído. É a armadilha a evitar: um peso descarregável não é um peso utilizável numa atividade que dá dinheiro. A lição vale para todos os modelos que alojamos para clientes. Fonte : https://huggingface.co/webAI-Official/TwIL-8B

📡 A vigiar

Uma falha SSH com dez anos, encontrada por um enxame de agentes e explorada em horas

Um investigador montou um enxame de agentes que fez cerca de 17.600 tentativas de autenticação em doze configurações do OpenSSH, e encontrou uma falha que permite entrar sem palavra-passe em sistemas Linux baseados em musl, como o Alpine. Foi corrigida a 5 de novembro no OpenSSH 10.6p2, e foi explorada em campo nas horas seguintes à publicação. O responsável do projeto considera agora perigosos os longos embargos, porque os agentes às vezes reencontram a mesma falha em poucas horas. Fonte : https://www.bleepingcomputer.com/news/security/openssh-flaw-lets-attackers-log-into-password-disabled-linux-accounts

Adobe coloca o seu agente de relação com clientes dentro do ChatGPT, Claude, Gemini e Copilot

O agente da Adobe para a relação com clientes, até agora usado apenas nas ferramentas da Adobe, passa a estar disponível nas plataformas que as empresas já usam: ChatGPT, Claude, Gemini for Business, Copilot, e em breve Amazon, IBM e Snowflake. A Adobe acrescenta conectores prontos para uma dezena de ferramentas de marketing, construídos sobre padrões abertos. A ideia: um único pedido basta para extrair os dados, agir nos sistemas e melhorar a jornada do cliente, sem que a empresa escreva as ligações. Mais de 20.000 marcas já usam estas tecnologias. Fonte : https://news.adobe.com/news/2026/11/adobe-integrates-agentic-cx-enterprise-coworker-into-ai-platforms

Google tira da fase experimental a comunicação entre agentes

A versão 2.14 do conjunto de ferramentas para agentes da Google, publicada a 7 de novembro, tira da fase experimental várias peças: o protocolo com que os agentes falam entre si, os ambientes de execução isolados, as ferramentas de avaliação e o núcleo do motor. Acrescenta uma ligação direta às conversas do Teams e um modo de avaliação que repete cada caso várias vezes para medir uma taxa de sucesso em vez de uma única execução. A Google indica ainda tarefas longas mais rápidas. Fonte : https://github.com/google/adk-python/releases/tag/v2.14.0

Uma caixa de entrada para os agentes que trabalham durante horas

A Plannotator lança uma caixa de entrada pensada para os agentes que ficam a trabalhar muito tempo: o agente deixa lá as suas perguntas, os seus bloqueios, os seus planos e os seus protótipos, e continua a trabalhar. A pessoa abre a caixa quando tem tempo, responde ou anota, e essa resposta passa a ser a próxima volta da sessão. Tudo fica na máquina, e as conversas estão agrupadas por fio. O repositório é livre, e o projeto publicou várias versões a 8 de novembro. Fonte : https://plannotator.ai/inbox/

📊 Tendência

Esta manhã não há nenhuma estrela nova: vêem-se as peças invisíveis. A memória que um agente guarda entre duas sessões, a revisão confiada a um desconhecido, o preço de uma intrusão conduzida por um modelo que qualquer pessoa pode descarregar, o agente que sai investigar uma avaria sem que ninguém o tenha chamado, a caixa que lhe traz as perguntas de volta e a licença que decide se o que se descarregou se pode vender. A pergunta do dia já não é qual é o melhor modelo, mas sob que condições pode um agente trabalhar dentro de uma empresa: com memória limitada, um olhar novo sobre o seu próprio trabalho, um perímetro escrito e o direito de ganhar dinheiro com o resultado.