---
title: "Skill recursiva permite que agentes de IA melhorem a si mesmos com regras e evals"
author: "André Iglesias"
date: "2026-05-28 08:00:00-03"
category: "Inteligência Artificial & Dados"
url: "http://desbugados.scale.press/portal/desbugados/post/2026/05/28/skill-recursiva-permite-que-agentes-de-ia-melhorem-a-si-mesmos-com-regras-e-evals/md"
---

## Resumo
- Skill recursiva executa tarefa, mede resultado e atualiza instruções automaticamente após falhas repetidas.
- O padrão error-fix-loop inclui investigar causa raiz, aplicar mudança mínima, criar testes e atualizar regras.
- Quatro camadas de feedback garantem evolução: execução, verificação, memória operacional e aprimoramento do harness.
- Filtros de frequência, generalidade, verificabilidade, custo cognitivo e reversibilidade evitam melhorias ruins.
- Exemplos práticos mostram correção de falhas de publicação e bugs recorrentes de TypeScript.
- Template SKILL.md define escopo limitado, auditoria de conclusão e critérios claros de atualização.
- Essa abordagem permite que agentes de IA melhorem a si mesmos e o ambiente que os controla de forma incremental.

---

Você já imaginou um agente de IA que, depois de cometer um erro repetido, não só corrige o problema, mas reescreve suas próprias instruções para nunca mais falhar da mesma forma? É exatamente isso que uma **skill recursiva** propõe: um protocolo que executa a tarefa, mede o resultado e atualiza regras, testes ou o harness quando identifica uma falha recorrente. O bug comum de agentes que repetem os mesmos deslizes vira coisa do passado, e o futuro começa a se parecer com os laboratórios de Westworld, onde sistemas evoluem sozinhos.

## O que torna uma skill verdadeiramente recursiva

Uma **skill recursiva** segue um padrão chamado error-fix-loop: investigar a causa raiz da falha, aplicar a mudança mínima necessária, criar ou ajustar um teste, rodar lint e typecheck, revisar typos e atualizar as regras vivas no índice de instruções. Tudo isso fica registrado em um template de **SKILL.md** com nome como recursive-harness-improver, que define protocolo de oito passos, critérios claros para atualização, escopo limitado de escrita e auditoria final de conclusão. Essa estrutura evita que a IA invente soluções mirabolantes e mantém o foco em melhorias verificáveis e reversíveis.

Quatro camadas de loop de feedback sustentam o processo: a camada de execução, a de verificação, a memória operacional e a evolução do harness em si. Quando um bug de TypeScript recorrente aparece, por exemplo, o sistema não apenas corrige o código gerado, mas ajusta o harness de avaliação para capturar problemas semelhantes no futuro. O resultado é um agente que melhora incrementalmente a si mesmo e o ambiente que o controla, exatamente como descrito no artigo publicado há um dia no TabNews.

## Exemplos reais de melhoria contínua em ação

Após uma falha de publicação, a skill recursiva investiga o que deu errado, aplica a correção mínima e atualiza o protocolo para que a mesma falha não se repita. Em outro caso, um bug recorrente de TypeScript leva à criação de um novo teste que entra no harness, garantindo que futuras gerações de código já venham com a proteção embutida. Filtros importantes evitam o autoaperfeiçoamento ruim: a mudança precisa ser frequente o suficiente para valer a pena, geral o bastante para impactar várias tarefas, verificável por evals, de baixo custo cognitivo e reversível caso algo saia errado.

Essa capacidade de evolução controlada lembra o momento em que os hosts de Westworld começam a questionar seu próprio código-fonte. No mundo real, ela transforma o desenvolvimento de software ao reduzir a dependência de intervenções humanas constantes e ao criar agentes que realmente aprendem com o tempo, em vez de apenas executar tarefas genéricas.

## Como começar a construir sua própria skill recursiva hoje

Comece definindo o protocolo em um arquivo **SKILL.md** claro, com os oito passos do error-fix-loop e os filtros de qualidade. Depois, implemente as quatro camadas de feedback: execute a tarefa, verifique o resultado com evals, armazene o aprendizado na memória operacional e permita que o harness evolua. Teste com falhas reais do seu fluxo de trabalho e observe o agente ajustar suas próprias regras sem precisar de prompt manual a cada vez.

Ao conectar essa ideia com o que já existe em ferramentas como as Skills do Claude, você percebe que o passo seguinte é natural: em vez de skills fixas, teremos skills que se reescrevem sozinhas. O artigo do TabNews oferece o template e os exemplos práticos necessários para dar o primeiro passo agora.