Raciocínio agentivo: como LLMs usam ferramentas para pesquisa profunda

Um artigo da ACL de 2025, intitulado Agentic Reasoning: A Streamlined Framework for Enhancing LLM Reasoning with Agentic Tools, definiu o conceito com precisão: um framework que "aprimora o raciocínio de grandes modelos de linguagem por meio da integração com agentes externos que usam ferramentas". Em termos simples, o modelo deixa de responder de uma só vez e passa a planejar, chamar ferramentas, ler resultados e raciocinar em um loop.

Esse poder tem um preço que usuários reais sentem logo. Quando um comentarista do Hacker News rodou o OpenAI Deep Research sobre o tema que ele conhecia melhor — ele mesmo —, ele pegou três erros factuais em um relatório de 500 palavras, mas ainda assim o chamou de "decent enough for a springboard", desde que você "treat the output with caution and follow the links provided". Essa tensão — uma ferramenta capaz que ainda precisa de checagem — é exatamente o que o loop de raciocínio produz, e ela percorre este artigo inteiro.

Esse loop também é o motor por trás de todo recurso de "deep research" — da OpenAI e do Gemini ao Perplexity e aos agentes no nível do navegador. Quando você faz a um recurso de deep research uma pergunta ampla, ele executa esse mesmo ciclo dezenas de vezes e devolve um relatório citado. Este artigo explica como as peças se conectam: o que é raciocínio agentivo, como os LLMs chamam ferramentas, qual é a cara do loop de raciocínio e como ele se transforma em deep research. Perto do fim, mostramos onde uma ferramenta no nível do navegador, como o Tabbit Browser, pousa esse mesmo loop onde você já trabalha.

Pontos principais

• Raciocínio agentivo = raciocínio mais ferramentas, em loop. O modelo planeja uma etapa, executa uma ação (busca, código, consulta à memória), observa o resultado e volta a raciocinar — em vez de responder em um único turno.

• A chamada de ferramentas é a dobradiça. Raciocinar e usar ferramentas são habilidades diferentes; o raciocínio agentivo combina as duas para que o modelo consiga pensar e agir.

• Deep research é o loop em escala. O mesmo ciclo de planejar-agir-observar-raciocinar, repetido em muitas fontes, é o que transforma um modelo de chat em um agent de pesquisa.

• O mecanismo é compartilhado; o empacotamento muda. ChatGPT, Gemini, Perplexity e agentes de navegador como o Tabbit executam uma versão desse loop, mas diferem em tempo de execução, acesso a fontes e no lugar onde o trabalho acontece.

• A saída é um rascunho citado, não um veredito. As ferramentas leem a web pública, podem alucinar e custam mais chamadas de modelo — então qualquer coisa importante ainda passa por verificação humana.

O que é raciocínio agentivo?

Na forma mais simples, raciocínio agentivo é quando um grande modelo de linguagem decide sozinho o próximo passo. Diante de um objetivo, ele consegue dividir o objetivo em subtarefas, escolher uma ferramenta, executá-la, olhar o que voltou e seguir adiante até o objetivo ser cumprido. A alternativa é um chatbot de turno único: você envia um prompt, o modelo responde a partir dos seus pesos e do contexto limitado, e a troca termina.

O termo é definido de forma ligeiramente diferente entre as fontes, mas todas concordam quanto ao formato:

• O artigo do arXiv citado acima o define como o aprimoramento do raciocínio por meio da integração com agentes externos que usam ferramentas — busca na web, execução de código e um agent de "mapa mental" que constrói um grafo de conhecimento estruturado para acompanhar relações lógicas.

• A IBM descreve o raciocínio agentivo como o componente de tomada de decisão de um agent de IA que permite a ele agir de forma autônoma.

• A NVIDIA o enquadra como o bloco construtivo "raciocinar, planejar, agir" da IA agentiva.

O que o torna agentivo é a autonomia em pequena escala: não que o modelo fique rodando sem supervisão por horas, mas que, dentro de uma tarefa, ele mesmo escolhe a próxima ação em vez de seguir um script fixo. Se você quiser o contexto mais amplo, o nosso explicativo sobre o que é um navegador agentivo mostra como essa ideia pousa em um navegador.

Do raciocínio ao uso de ferramentas: como os LLMs chamam ferramentas

Para raciocinar por conta própria, um modelo só precisa dos pesos treinados e da conversa até aquele ponto. Para agir, ele precisa de ferramentas. É aqui que entra a chamada de ferramentas — também chamada de function calling.

O mecanismo é direto. A aplicação entrega ao modelo uma lista das ferramentas disponíveis e uma descrição do que cada uma aceita. Quando o modelo decide que precisa de informação externa, ele não escreve um palpite em linguagem natural; emite uma chamada estruturada (por exemplo, "execute esta busca" ou "rode este código"). A aplicação executa a ferramenta e devolve o resultado. O modelo lê o resultado e continua.

Dois exemplos de produção:

• A function calling da OpenAI deixa o modelo emitir uma solicitação de função estruturada que a aplicação executa e devolve.

• O tool use da Anthropic segue o mesmo padrão: o modelo solicita uma ferramenta, o cliente a executa, e a observação retorna para a conversa.

Esse vai e volta importa porque é o que separa um modelo que fala sobre o mundo de um que lê o mundo. Um modelo de chat pode dizer "os números mais recentes provavelmente estão em torno de X". Um modelo que usa ferramentas consegue executar uma busca, ler a página real e responder a partir dela. O ganho de precisão vem de ancorar a resposta em evidência externa e atual, em vez de na memória de treinamento do modelo.

O loop de raciocínio: planejar → agir → observar → raciocinar

A chamada de ferramentas dá mãos ao modelo. O loop de raciocínio diz como usá-las. A descrição mais clara é o ReAct (Reason + Act), introduzido por Yao e colegas em 2022, que intercala três tipos de etapa:

1. Pensamento (raciocinar). O modelo reflete sobre onde está e o que fazer a seguir.

2. Ação (agir). Ele chama uma ferramenta — uma busca, uma execução de código, uma consulta à memória.

3. Observação (observar). Ele lê o resultado da ferramenta.

Depois ele volta a raciocinar. Uma tarefa realista não é uma única tripla de Pensamento-Ação-Observação; é uma cadeia delas. O modelo planeja, age, observa, aprende algo que muda o plano e continua. A conclusão central do artigo foi que intercalar raciocínio e ação supera qualquer um dos dois isoladamente: modelos só de raciocínio podem deslizar para alucinações confiantes, enquanto modelos só de ação não têm o planejamento necessário para escolher boas ações.

Um sistema agentivo moderno comprime isso em quatro movimentos que se repetem:

• Planejar — dividir o objetivo na próxima subetapa.

• Agir — chamar a ferramenta certa.

• Observar — ler o resultado.

• Raciocinar — atualizar o plano e decidir o próximo passo.

O framework Agentic Reasoning do arXiv adiciona estrutura sobre esse loop: um agent de busca na web, um agent de execução de código e um agent de mapa mental que mantém um grafo de conhecimento do que já foi aprendido, para que cadeias longas não percam o fio. Implementado sobre o DeepSeek-R1, os autores relatam resultados SOTA entre os modelos públicos, comparáveis ao OpenAI Deep Research. A lição não é a pontuação específica; é que o loop com as ferramentas certas é o que produz resultados profundos.

Como esse loop se torna deep research

Deep research é o loop de raciocínio aplicado a uma pergunta ampla demais para uma única busca. Imagine o mesmo ciclo de planejar-agir-observar-raciocinar, mas executado dezenas de vezes em muitas fontes:

1. Planejar a pesquisa. O agent lê sua pergunta, identifica subperguntas e traça um plano de busca. Peça um cenário competitivo e ele pode dividir o trabalho em posição de mercado, preço, funcionalidades e notícias recentes.

2. Buscar e agir. Ele executa muitas consultas, abre páginas e atualiza o plano conforme aprende — as etapas de "agir" e "observar" repetidas.

3. Raciocinar entre fontes. Ele compara afirmações, sinaliza conflitos e filtra material de baixa relevância. É aqui que acontece a síntese, não apenas uma lista de trechos.

4. Relatar com citações. Ele redige um documento estruturado com links de volta às fontes, para que você possa verificar cada afirmação.

É por isso que a deep research leva minutos em vez de segundos. O OpenAI Deep Research relata tempos de execução de cinco a trinta minutos; o Perplexity Deep Research costuma terminar em dois a quatro minutos. A diferença não é marketing — ela reflete quantas vezes o loop roda e quanto raciocínio acontece entre as buscas. Uma execução mais rápida é mais barata, porém mais rasa; uma execução mais longa raciocina mais, mas custa mais e ainda pode errar.

A mesma troca aparece em toda ferramenta. Uma vez que você enxerga o loop, "deep research" deixa de ser um recurso misterioso e vira uma questão de três escolhas de engenharia: quantas vezes o loop roda, a quais ferramentas ele chega e onde você vê as fontes?

Comparação das abordagens de deep research

Tempos de execução e cotas mudam com frequência, então trate isso como um instantâneo e confira a página atual de cada ferramenta antes de decidir.

Uma opção prática no nível do navegador: Tabbit Deep Research

Nem toda tarefa de pesquisa pertence a uma janela de chat ou atrás de uma assinatura de suíte de produtividade. Se o seu trabalho já acontece no navegador — lendo artigos, comparando páginas de produtos, preenchendo planilhas —, um navegador de IA no nível do navegador pode rodar o loop de raciocínio onde você já está. Essa é a ideia do Tabbit.

O Tabbit Browser roda um Agent Mode dentro da janela do navegador. Para uma tarefa de pesquisa, você descreve o resultado, e o Tabbit planeja as buscas, abre as páginas relevantes, observa o conteúdo e monta um relatório estruturado — executando o mesmo ciclo de planejar-agir-observar-raciocinar descrito acima, só que com o próprio navegador como superfície de ferramentas.

O que diferencia a versão no nível do navegador:

• Contexto do navegador com @ references. Em vez de copiar e colar contexto, você pode anexar à tarefa abas abertas, grupos de abas, capturas de tela, favoritos ou arquivos locais. O agent raciocina sobre o que você já está olhando.

• As fontes ficam visíveis. As páginas originais permanecem abertas ao lado da resposta, de modo que checar uma afirmação é um olhar rápido em vez de uma busca em um relatório longo. Isso responde diretamente à pergunta "onde você vê as fontes?" da seção anterior.

• Escolha multimodelo. O Tabbit pode encaminhar a mesma tarefa para vários modelos e mostrar as respostas lado a lado, o que é útil quando você não tem certeza de qual modelo raciocina melhor sobre o seu tema.

• Da pesquisa à entrega. Como o agent controla o navegador, ele pode colocar os resultados direto em uma planilha web ou em um documento, em vez de devolver texto puro.

Há contrapartidas claras. A mesma automação de navegador que torna o Tabbit flexível também significa que ele não consegue ler seus e-mails do Microsoft 365, conversas do Teams ou documentos do SharePoint — a menos que você compartilhe essas páginas como contexto de forma deliberada. Se a sua pesquisa depende de conteúdos internos de trabalho, o Gemini ou o Microsoft 365 Copilot Researcher é a escolha mais integrada. Se a sua pesquisa é majoritariamente web ou baseada em documentos pessoais, o Tabbit mantém as páginas de origem ao lado da resposta sem um salto para uma assinatura. Para o fluxo mais amplo, o nosso guia de melhores práticas mostra como tirar mais do Agent Mode, e as páginas de visão geral para pesquisadores e navegador de deep research descrevem o produto em mais detalhes. Confira o preço do Tabbit atual antes de escolher um plano.

Quando a deep research agentiva ajuda — e quando não

A última linha é a que vale lembrar. A deep research agentiva é valiosa justamente porque o loop é caro. Se uma pergunta pode ser respondida com uma busca, rodar dezenas delas desperdiça tempo e tokens. O loop justifica o custo quando a pergunta é ampla, envolve muitas fontes e se beneficia de síntese.

Limitações a ter em mente

O raciocínio agentivo é poderoso, mas as fontes acadêmicas são honestas quanto aos seus limites — e qualquer usuário deveria ser também.

• A alucinação não desaparece. As ferramentas ancoram melhor o modelo, mas um LLM ainda pode afirmar algo falso com confiança. Parte da motivação do artigo do ReAct era justamente reduzir a alucinação do raciocínio isolado, não eliminá-la. O fracasso é bem documentado na prática: no Hacker News, um desenvolvedor experiente escreveu que o pior de um LLM é "simply being wrong, and then doubling down on it", e um profissional que percorre o loop de raciocínio aponta "fabricated observations" — em que "the agent imagines a response that it never actually got" — como uma armadilha padrão que uma etapa crítica embutida é feita para capturar.

• Mais chamadas significam mais custo e latência. Cada etapa do loop é uma chamada de modelo. A deep research é, por projeto, mais lenta e mais cara do que um turno de chat; as camadas gratuitas são limitadas exatamente por isso.

• A qualidade das fontes ainda é problema seu. As ferramentas leem o que estiver na web pública. Páginas desatualizadas, textos de marketing e conteúdos de baixa qualidade podem entrar na síntese, a menos que a ferramenta os filtre.

• Dados privados e pagos são restritos. A menos que você carregue arquivos ou conecte uma fonte de dados autorizada, esses sistemas não enxergam documentos internos nem pesquisas por assinatura.

• A verificação continua sendo trabalho humano. As citações ajudam a checar, mas não garantem exatidão. Para qualquer afirmação de alto risco, leia a fonte primária.

Trate a saída de qualquer ferramenta de deep research agentiva como um primeiro rascunho citado. Ela leva você até um breve estruturado mais rápido do que começar do zero, mas o juízo final é seu.

Veredito final

O raciocínio agentivo é melhor compreendido como um mecanismo, não como um produto: um LLM que planeja, chama ferramentas, observa resultados e raciocina em loop. A chamada de ferramentas dá mãos ao modelo; o loop de raciocínio diz como usá-las; a deep research é o mesmo loop rodando em muitas fontes até sair um relatório citado. Uma vez que essa cadeia fica clara, as diferenças entre ChatGPT, Gemini, Perplexity e agentes de navegador viram diferenças de empacotamento — por quanto tempo o loop roda, o que ele consegue alcançar e onde você vê as fontes — em vez de ideias diferentes.

Se você já vive em ferramentas baseadas em chat e quer o raciocínio mais profundo, o ChatGPT Deep Research é um ponto de partida natural. Se a sua pesquisa vive no navegador e você quer que o agent trabalhe onde você já trabalha, o Tabbit Browser vale um teste. Baixe de graça para macOS ou Windows e rode sua primeira tarefa de pesquisa com as páginas de origem à vista. E, como recursos podem mudar de camada ou ser descontinuados — como vimos quando a Microsoft moveu o Copilot Deep Research para trás de uma assinatura; veja as nossas notas sobre a aposentadoria do Copilot Deep Research —, o mecanismo descrito neste artigo é a parte que vale lembrar muito depois de qualquer produto específico mudar.

Secholar.L

Crescimento e conteúdo na Tabbit

Secholar.L escreve guias práticos sobre navegadores com IA e fluxos de trabalho com agentes, comparando ferramentas com pesquisa real e fontes verificáveis.