---
title: "Google apresenta EnvHarness para treinar agentes em ambientes dinâmicos"
author: "Lígia Lemos Maia"
date: "2026-10-18 06:30:11.995-03"
category: "Inteligência Artificial & Dados"
url: "http://desbugados.scale.press/portal/desbugados/post/2026/10/18/google-apresenta-envharness-para-treinar-agentes-em-ambientes-dinamicos/md"
---

## Resumo
- O Google disponibilizou o EnvHarness como framework de código aberto em agosto de 2026.
- A ferramenta adapta ambientes estáticos de treinamento sem alterar o agente ou o sistema de avaliação.
- A arquitetura usa as interfaces reset() e step() para aplicar mudanças por meio de componentes plug-in.
- Os componentes setup, rule e link alteram o estado inicial, as transições e as observações do ambiente.
- O EnvRigger identifica falhas em trajetórias de agentes e gera modificações direcionadas.
- Testes registraram ganhos de até 9 pontos e redução de cerca de 9,8% nas etapas de interação.
- O projeto preserva validadores humanos originais e foi apresentado na conferência COLM em outubro de 2026.

---

Em agosto de 2026, pesquisadores do Google disponibilizaram o framework de código aberto (open-source) [**EnvHarness**](https://www.infoq.com/news/2026/10/envharness-self-evolving-agents), criado para adaptar ambientes de treinamento de agentes de IA sem alterar o agente nem o sistema de avaliação. A ideia desloca o aprendizado: o modelo continua diante do teste de referência, enquanto a estrutura ao redor pode mudar para expor dificuldades específicas. Para quem desenvolve agentes, a diferença está em mexer na sala de prova sem reescrever o aluno, uma escolha técnica que responde ao alto custo de reconstruir ambientes de teste.

## Um ambiente que pode mudar sem ser refeito

A arquitetura faz essa mudança por meio de uma camada programável de componentes plug-in que encapsula um ambiente estático. Ela usa a interface padrão **reset()** e **step()** para introduzir mutações no comportamento do ambiente. No [**site oficial do projeto**](https://envharness.com/), a estrutura aparece organizada em três peças: **setup**, que trata do estado inicial; **rule**, que altera as transições; e **link**, que modifica as observações recebidas pelo agente.

É nessa camada que entra o **EnvRigger**, componente que analisa falhas do agente e gera modificações direcionadas para acelerar o aprendizado. Em vez de oferecer sempre a mesma dificuldade, o mecanismo procura gargalos nas trajetórias de sucesso e de falha e aplica componentes para enfrentá-los. A palavra co-evolução, usada na descrição do projeto, traduz esse arranjo: o agente melhora enquanto o ambiente é ajustado para continuar útil como treino. O ponto delicado é que a mudança acontece do lado da prova, não por uma alteração declarada na identidade do modelo.

## Da falha do agente ao próximo teste

A proposta já foi acompanhada por resultados mensuráveis. Em testes descritos pela equipe, modelos como **Gemini 3.5 Flash** e **Claude Sonnet 4.6** ganharam entre **2,9 e 3,7 pontos percentuais** em benchmarks como WebArena e SWE-bench Verified. Em cinco benchmarks, incluindo OfficeQA e SpreadsheetBench, o projeto registrou aumentos de até **9 pontos** em tarefas retidas e reduziu em cerca de **9,8%** o número de etapas de interação necessárias para concluir as tarefas. A medida combina duas perguntas diferentes: o agente acerta mais e precisa percorrer menos passos?

Esse desenho também preserva uma parte que costuma desaparecer quando um teste é reconstruído: os validadores humanos originais. O repositório oferece a implementação do framework e seus presets de benchmark, mantendo essa referência enquanto compõe novas regras sobre o ambiente. O trabalho **EnvHarness: Awakening Static Worlds for Agent Learning** foi apresentado por **Zifeng Wang** no estande do Google durante a conferência COLM (Conference on Language Modeling), em outubro de 2026. As fontes consultadas não descrevem aplicações além dos testes citados; por enquanto, a pergunta aberta é onde termina a avaliação e começa o treinamento quando a própria sala de prova aprende a mudar.