HyperAgent — Cognition Engine: construindo um sistema de IA que pensa como um humano

O HyperAgent Cognition Engine é uma arquitetura dual de hyper-agent em que dois pipelines cognitivos completos — um Solver e um Critic — trabalham em conjunto, combinando pensamento lateral, raciocínio de especialistas no domínio, verificação independente e refinamento iterativo em um único sistema coerente. Cada agente dentro dessa arquitetura roda no seu próprio modelo, com sua própria temperature, reasoning effort e hyperparameters ajustados à natureza da sua tarefa específica.

Isto não é um único design pattern. São vários padrões comprovados — orquestrados juntos em algo que se comporta mais como uma mente do que como um workflow.

Nota do autor: A arquitetura apresentada a seguir é uma visão e um design pessoais; representa a minha versão específica de como estruturar um Cognition Engine. Existem diversas pesquisas na indústria explorando conceitos e frameworks semelhantes no ecossistema de AI.

O panorama geral: duas mentes, um motor

A arquitetura é construída em torno de dois hyper-agents, cada um com um pipeline cognitivo completo:

Hyper-Agent 1 — O Solver: Recebe o input de um usuário e produz uma resposta rica e ponderada. Não se limita a recuperar ou gerar; observa, lembra, pensa lateralmente, sintetiza, avalia, planeja e entrega.
Hyper-Agent 2 — O Critic: Recebe essa resposta e a submete a um pipeline de avaliação adversária e independente. Questiona, verifica e aprova a resposta ou a devolve para refinamento.

A passagem de informação entre eles cria um ciclo de feedback que reflete algo profundamente humano: nossa capacidade de produzir ideias e depois avaliá-las implacavelmente.

Hyper-Agent 1: o pipeline do Solver

O Router — um portão entre Sistema 1 / Sistema 2

Toda solicitação começa no Router, que atua como o primeiro ponto de decisão da arquitetura — inspirado na teoria do processo dual de Daniel Kahneman. Ele classifica o input e decide:

Fast Path: Consultas simples, factuais ou de baixa complexidade são encaminhadas ao agente de Fast Answer, que responde rapidamente com overhead mínimo. Pense nisso como o Sistema 1: rápido, intuitivo, eficiente.
Deep Path: Tudo o que exige análise, raciocínio ou nuances entra no pipeline cognitivo completo. Este é o Sistema 2: lento, deliberado, minucioso.

Esse portão é crítico para a eficiência. Nem toda pergunta precisa do motor completo, e desperdiçar raciocínio profundo em consultas triviais é ao mesmo tempo lento e caro.

O Contextualizer — conectando com a realidade

Já no Deep Path, o Contextualizer entra em ação. Ele faz buscas na web, detecta lacunas de conhecimento e determina se o sistema tem informação suficiente para seguir. Se não tiver — se houver ambiguidade ou falta de contexto — encaminha para um nó de Wait for User, trazendo o humano de volta antes de continuar.

Isso é importante: o sistema sabe o que não sabe. Em vez de alucinar para preencher as lacunas, ele pergunta.

Observer → Reflector::Recall — vendo e lembrando

O Observer analisa o input já fundamentado, extraindo estrutura, intent e domain signals. Depois, o Reflector::Recall busca na memória — trazendo interações passadas relevantes, padrões conhecidos e conhecimento armazenado para informar a tarefa atual.

Juntos, respondem a duas perguntas: O que é isto? e O que eu já sei sobre isto?

O Lateral Thinking Engine — onde vive a criatividade

Este é o coração do Solver, e é onde a arquitetura fica realmente interessante.

Inspirado nas técnicas de pensamento lateral de Edward de Bono, o motor aciona seis sub-agents especializados, cada um atacando o problema de um ângulo fundamentalmente diferente:

Agent	Role
Provocateur	Conexão aleatória para encontrar pontos cegos — força associações inesperadas.
Challenger	Quebra suposições na formulação do problema.
Inverter	Como seria a resposta ERRADA? Trabalha de trás para frente a partir do fracasso.
Analogist	Como outros domínios resolvem isto? Polinização cruzada de ideias.
Fractionator	Decompõe por quem se beneficia e quem perde — análise estrutural.
Escapist	Escapar da armadilha do «esta resposta está boa» — ir além do satisficing.

Esses seis agents geram perspectivas alternativas. Depois, o agente de Brainstormer Synthesis destila suas saídas — 5 alternativas de 6 técnicas — e as entrega ao Thinker.

Mas aqui está a nuance: o Thinker não se limita a escolher a melhor ideia. Ele é guiado por Expert Lenses — personagens como Lógico, Cientista, Engenheiro, Artista e Comunicador — selecionados dinamicamente com base nas domain signals do Observer. Um problema matemático ativa o Lógico; uma pergunta de UX ativa o Artista e o Comunicador.

E os hyperparameters refletem isso. As lentes analíticas rodam em baixa temperatura (T≈0.1) para maior precisão. As lentes criativas rodam «quentes» (T≈0.9) para a divergência. Cada agente é configurado de forma independente — modelo, temperature, reasoning effort — para corresponder ao modo cognitivo que representa.

Reflector::Evaluate — o portão de qualidade

Antes de entregar qualquer coisa, o agente de Reflector::Evaluate executa um portão de qualidade em N dimensões. A resposta é exata? Está completa? Bem estruturada? Atende ao intent original? Esta é a autochecagem interna do Solver — o momento de «espera, isto está realmente bom?» antes de se comprometer.

Executor::Plan → Executor::Execute → Deliver

A resposta que sobrevive entra na fase de execução. O Executor::Plan estrutura a entrega. O Executor::Execute produz o output formatado. E o Deliver empacota o rascunho final junto com alternativas laterais — porque às vezes a segunda melhor ideia é a de que o usuário realmente precisava.

Depois, todo o output é entregue ao Critic.

Hyper-Agent 2: o pipeline do Critic

Se o Solver é a mente criativa, o Critic é o revisor cético. Ele executa seu próprio pipeline cognitivo completo — não um simples joinha para cima/para baixo, mas uma avaliação profunda e independente.

Critic Fast — a checagem rápida de sanidade

Assim como o Router do Solver, o Critic tem um caminho rápido. O Critic Fast faz uma verificação de fatos leve. Se a resposta é claramente sólida, ele a aprova e o sistema termina. Se algo parece estranho, escala para o caminho de avaliação profunda.

Deep Evaluation Pipeline

Quando o Deep Path é acionado, o Critic reflete a profundidade cognitiva do Solver:

O Critic Observer examina o output do Solver em busca de afirmações, integridade estrutural e lacunas de cobertura. O Critic Reflector confronta essas afirmações com sua própria base de conhecimento — verificando de forma independente, sem confiar cegamente no trabalho do Solver.

O Lateral Thinking Engine do Critic

O Critic tem seu próprio conjunto de seis agentes de pensamento lateral — os mesmos seis arquétipos (Provocateur, Challenger, Inverter, Analogist, Fractionator, Escapist) —, mas agora voltados à resposta, e não à pergunta. Eles questionam o output do Solver a partir de seis ângulos:

Há um ponto cego? (Provocateur)
Há suposições ocultas? (Challenger)
O que tornaria esta resposta incorreta? (Inverter)
Como outros domínios avaliariam a qualidade? (Analogist)
Quem se beneficia com esta abordagem e quem perde? (Fractionator)
«Esta resposta está boa» é realmente suficiente? (Escapist)

O Critic Brainstormer sintetiza isso em 5 perspectivas de avaliação, alimentando o Critic Thinker (que constrói hipóteses de avaliação e expõe problemas críticos) e o Critic Executor.

O Synthesizer — a hora do veredito

O Critic Synthesizer é o ponto de convergência. Ele absorve tudo:

Afirmações e lacunas do Observer.
Verificações de conhecimento do Reflector.
Cinco perspectivas de avaliação lateral.
Hipóteses do Thinker.
Dados de verificação do Executor.

Tudo condensado em um único veredito com uma pontuação numérica.

Se a pontuação atinge o limite (≥ 0.75), a resposta é aprovada e segue para o Reflector::Learn, que armazena lições da interação para uso futuro. Fim do pipeline.

Se a pontuação fica abaixo, o Critic Refiner reescreve a resposta usando toda a análise, e o output revisado volta a entrar no pipeline de avaliação desde o início. Isso cria um ciclo de refinamento iterativo que continua até a convergência.

Configuração de hyperparameters por agente

Uma das decisões de design mais importantes nesta arquitetura: cada agente tem hyperparameters configuráveis de forma independente.

Este não é um sistema monolítico que roda um modelo com uma única temperature. São 19 agentes configuráveis de forma independente, cada um ajustado para o seu papel cognitivo específico:

Agents analíticos (Observer, Reflector, Executor) rodam com modelos precisos, de baixa temperatura ou com alto reasoning effort — a precisão importa mais que a criatividade.
Agents criativos (sub-agents de Lateral Thinking, especialmente Provocateur e Escapist) rodam em alta temperatura.
Agents de síntese (Brainstormer, Thinker, Synthesizer) rodam com configurações moderadas — precisam ser criativos o bastante para ver conexões, mas disciplinados o bastante para serem coerentes.
Agents de roteamento (Router, Critic Fast) usam modelos leves e rápidos — tomam decisões binárias ou de baixa cardinalidade e não precisam de raciocínio pesado.

O sistema é multi-provider por design, usando Azure OpenAI (GPT models) e Azure AI Foundry (Claude, Mistral, Phi) conforme o que cada agente precisa. Um Router rápido poderia usar o GPT-5.4 nano. Um Thinker profundo poderia usar o Claude Opus 4.6.

É aqui que a analogia com a cognição humana fica concreta: seu cérebro não usa o mesmo processo neural para reconhecer padrões e para fazer deduções lógicas. Modos cognitivos diferentes exigem perfis computacionais diferentes. Esta arquitetura respeita isso.

Design patterns em jogo

Este sistema não inventa do zero. Ele compõe padrões comprovados:

Dual-process theory (Kahneman) → o portão Sistema 1 / Sistema 2 do Router.
Lateral thinking (de Bono) → sub-agents inspirados nos Seis Chapéus do Pensamento em ambos os pipelines.
Generator-Critic loops → o Solver produz, o Critic avalia, o Refiner melhora.
Chain of thought / multi-step reasoning → o pipeline Observer → Reflector → Thinker → Executor.
Expert mixture → Expert Lenses de domínios específicos ativadas por sinais de contexto.
Adversarial evaluation → um pipeline de Critic independente com seu próprio pensamento lateral.
Iterative refinement com convergência → aprovação baseada em pontuação com detecção de retornos decrescentes.
Memory and learning → Reflector::Recall e Reflector::Learn para persistência entre sessões.