> For the complete documentation index, see [llms.txt](https://weekly-essay.mikey.wang/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://weekly-essay.mikey.wang/pt-br/2026/w29-the-boundary-between-loop-engineering-and-rsi.md). # W29-O limite entre Loop Engineering e RSI Loop Engineering e RSI estão em alta. Na superfície, se parecem: colocar a IA em um ciclo de propor, executar, validar, registrar e repetir. A semelhança está na forma; a diferença, no objeto. **Loop Engineering entrega o trabalho ao ciclo. RSI também entrega ao ciclo a capacidade de melhorar o próprio ciclo.** **O primeiro otimiza principalmente o sistema de execução. O segundo começa a alcançar o sistema que produz capacidades. Essa é a fronteira central.** ### A essência de Loop Engineering é projetar o runtime Antes, usávamos IA principalmente por conversa. A pessoa perguntava, a IA respondia. Se o resultado era ruim, a pessoa acrescentava contexto, alterava o prompt e pedia de novo. A operação central continuava sendo orientar a IA repetidamente. Ela era a ferramenta, e a pessoa dirigia. Loop Engineering sobe uma camada: a pessoa projeta um pequeno sistema que decide qual deve ser o próximo prompt. Um ciclo típico tem pelo menos cinco componentes. Primeiro, um gatilho: horário, falha de CI, issue na fila ou objetivo ainda não alcançado. Segundo, estado. O agente não pode recomeçar do zero sempre. Precisa lembrar tentativas, falhas e caminhos descartados. Terceiro, ferramentas para ler código, alterar arquivos, testar, examinar logs e apresentar diffs. Quarto, um verificador. Testes, lint, build, benchmark ou avaliador externo: algo precisa rejeitar resultados ruins. Quinto, condições de parada. Orçamento, número de rodadas, tempo e aprovação humana devem ser explícitos. Por isso, é sobretudo projeto de runtime: como o contexto entra, ferramentas são chamadas, resultados são verificados, estado é preservado e permissões são limitadas. É por isso também que muitos dizem que o ponto de maior efeito do engenheiro passou do prompt ao ciclo. O que tem valor é um fluxo repetível, verificável e reversível. ### O objeto de RSI está uma camada abaixo RSI, Recursive Self-Improvement, trata de outro nível. Em *Harness Engineering for Self-Improvement*, Lilian Weng remonta a definição tradicional a I. J. Good e Yudkowsky: um sistema usa a inteligência que já tem para melhorar o mecanismo que produz inteligência. Hoje, isso pode incluir pesos do modelo, mas também treinamento, geração de dados, avaliação, harness de implantação e processos de pesquisa. A Anthropic usa uma estrutura semelhante em *When AI builds itself*. A IA já acelera engenharia e pesquisa nas empresas de modelos. Mais adiante, pode participar do projeto e treinamento de seus sucessores. A Anthropic também deixa claro que RSI completo ainda não aconteceu e não é inevitável. O ponto é o que o ciclo modifica. Se um agente corrige lint, atualiza dependências e resolve falhas simples de CI todos os dias, automatiza trabalho. Se altera seu próprio fluxo para resolver melhor o CI na rodada seguinte, entra no campo do harness que se aperfeiçoa. Se isso também melhora treinamento, decisões de pesquisa, busca experimental e geração de dados, tornando a próxima geração de modelos mais capaz, e ela repete o processo, aproximamo-nos do núcleo de RSI. Eu traçaria a fronteira assim: **Loop Engineering se concentra na capacidade de processar tarefas. RSI, no crescimento das capacidades.** **Os ganhos do primeiro costumam ser locais: corrigir bugs e executar experimentos mais rápido, com menos supervisão humana.** Os riscos e ganhos de RSI se acumulam de forma composta. O sistema melhora o mecanismo que produzirá melhorias futuras, podendo ampliar velocidade e alcance. ### AutoResearch é uma forma intermediária AutoResearch é um bom lugar para observar essa fronteira. O repositório autoresearch de Karpathy tem um desenho claro. Oferece ao agente um ambiente pequeno, mas real, de treinamento de LLM. Ele altera `train.py`, treina por cinco minutos fixos, avalia `val_bpb` e mantém melhorias ou reverte pioras. A pessoa modifica principalmente `program.md`, que organiza a pesquisa e define os limites das instruções. Na forma, é Loop Engineering: objetivo claro, feedback rápido, métrica objetiva, estado registrado e código reversível. O agente completa o ciclo de hipótese, alteração, experimento, leitura das métricas, registro e próxima rodada. Mas está mais próximo de RSI que um ciclo comum, pois otimiza a receita de treinamento do modelo. Já está ao lado da cadeia que produz capacidade de IA. Em junho de 2026, a Recursive publicou *First Steps Toward Automated AI Research*, avançando nessa direção. Seu sistema faz pesquisa automática em NanoChat Autoresearch, NanoGPT Speedrun e SOL-ExecBench: propõe ideias, implementa, experimenta, valida e escolhe o experimento seguinte. Os benchmarks têm algo em comum: objetivos claros, retorno rápido, baixa variância e avaliadores relativamente fáceis de proteger. Isso indica onde a pesquisa automática funciona mais facilmente hoje: espaços de pesquisa mensuráveis e estruturados como engenharia. Treinamento com orçamento fixo, velocidade de modelos pequenos e otimização de kernels de GPU têm recompensas claras e falhas registráveis. Bilevel Autoresearch é ainda mais interessante. Acrescenta um ciclo externo que modifica o mecanismo de busca do interno, em vez de deixar apenas o ciclo interno alterar o código de treinamento. O artigo relata uma melhoria cinco vezes maior no benchmark de pré-treinamento GPT de Karpathy em comparação com o ciclo interno padrão. Isso atravessa uma etapa importante: o sistema procura não só respostas, mas formas melhores de procurá-las. Já vai além do Loop Engineering comum, mas ainda não é RSI completo. Não modifica o modelo-base; o objetivo continua humano, o avaliador externo e o espaço de busca estreito. Mostra que o aperfeiçoamento do mecanismo começa a funcionar, não que a IA já produz recursivamente uma IA mais forte. ### Por que a distinção importa Misturar os conceitos leva a dois erros. O primeiro é subestimar Loop Engineering. Dizer que é “só um script” é estreito demais. Scripts tradicionais costumam seguir fluxos fixos e falhar diante de desvios. O valor do ciclo é colocar o agente em um ambiente controlado, experimentando entre objetivo, ferramentas, estado e verificador. Isso tem efeito concreto na produtividade. Triagem de CI, atualização de dependências, lint, cobertura de testes, documentos, limpeza de dados e ajuste de benchmarks podem passar de uma pessoa vigiando a IA para um sistema projetado pela pessoa e executado continuamente. O segundo erro é superestimar RSI. Ver um agente alterar código em ciclos não prova que RSI aconteceu. A maioria automatiza execução ou, no máximo, melhora um harness localmente. Não cria um crescimento composto real de capacidade. RSI exige condições mais rigorosas: o objeto da melhoria deve afetar a produção futura de inteligência; a nova capacidade deve se transferir a tarefas mais amplas; a avaliação deve resistir à manipulação da recompensa; o ciclo não pode contornar permissões e segurança; e humanos precisam conservar o julgamento na camada correta de abstração. As evidências mais fortes ainda estão em domínios com feedback rápido, métricas claras e experimentos repetíveis. Quanto mais avançamos para pesquisa aberta, julgamento de produto, arquitetura duradoura e colaboração organizacional, mais fraco o verificador e maior o risco de o ciclo gerar ruído com confiança. ### Pela economia: quem controla o avaliador concentra o poder de multiplicar resultados Economicamente, ambos mudam o custo de tentativa e erro. Antes, cada rodada exigia compreensão, execução, espera e julgamento humanos. A IA reduz o custo de executar; o ciclo reduz o de organizar. Se verificar for barato o suficiente, mais tentativas podem produzir resultados melhores. Mas isso muda o recurso escasso. A diferença real está na qualidade do avaliador. Na engenharia, ele aparece em testes, sistemas de tipos, logs, métricas de usuários e conjuntos de regressão. Na pesquisa de IA, em benchmarks, perda de treinamento, custo de inferência, desempenho em tarefas reais, validação com dados reservados e mecanismos contra fraude. Em produto e organizações, é ainda mais escasso, pois muitos resultados não podem ser medidos imediatamente. Custo de manutenção, confiança, saúde da arquitetura e desgaste da marca não cabem em um benchmark rápido. Por isso, o limite do ciclo costuma ser o limite do avaliador. Onde há verificação objetiva, podemos automatizar com mais ousadia. Onde só há julgamento flexível, precisamos manter pessoas no processo. Sem verificador, o ciclo apenas produz erros mais depressa. ### Meu julgamento Hoje entendo assim. Loop Engineering é um fundamento da engenharia de software na era da IA. Resolve como colocar agentes em sistemas controláveis para trabalhar continuamente. RSI é um problema de recursão de capacidades em nível mais alto: saber se o sistema melhora o mecanismo que produz inteligência e se essa melhoria impulsiona a próxima. AutoResearch está no meio. A versão de Karpathy parece automação do fluxo de pesquisa; a da Recursive, uma forma industrial inicial de pesquisa automática de IA; Bilevel Autoresearch começa a tocar no aperfeiçoamento do próprio mecanismo. A fronteira continua clara. Quando o ciclo modifica o resultado da tarefa, é Loop Engineering. Quando modifica o processo de realizá-la, é um harness que se aperfeiçoa. Quando modifica o mecanismo que produz a próxima geração de capacidades e as melhorias se acumulam recursivamente, aproxima-se de RSI. A distinção evita dois extremos: rebaixar ganhos reais de engenharia a scripts e confundir automação local com explosão de inteligência. Loop Engineering já é produtividade real. RSI ainda é uma fronteira de capacidade que se aproxima. Entre ambos, os sistemas mais interessantes organizam ciclo, harness, avaliador, permissões e julgamento humano. Nos próximos anos, talvez a habilidade central do engenheiro seja projetar um ciclo que não perca o controle, não se engane e acumule experiência válida com estabilidade. ### Referências * [karpathy/autoresearch](https://github.com/karpathy/autoresearch) * [Loop Engineering: o método de Karpathy](https://x.com/0xCodila/article/2072329149520232639) * [Loop Engineering: roteiro de 14 etapas de autor de prompts a projetista de ciclos](https://x.com/0xCodez/status/2064374643729773029) * [Loop Engineering: roteiro de 14 etapas de autor de prompts a projetista de ciclos](https://medium.com/coinmonks/loop-engineering-the-14-step-roadmap-from-prompter-to-loop-designer-bda3edc46fbc) * [Primeiros passos para pesquisa automatizada de IA — Recursive](https://www.recursive.com/articles/first-steps-toward-automated-ai-research) * [Quando a IA constrói a si mesma — Anthropic](https://www.anthropic.com/institute/recursive-self-improvement) * [Engenharia de harness para autoaperfeiçoamento — Lilian Weng](https://lilianweng.github.io/posts/2026-07-04-harness/) * [Bilevel Autoresearch: metapesquisa automática sobre si mesma](https://arxiv.org/abs/2603.23420) * [Pesquisa automática com agentes especialistas desenvolve receitas de treinamento eficazes e não triviais](https://arxiv.org/abs/2605.05724)