Traduzir para pt: Problema de Loop de Validação de Tarefa do OpenClaw Codex-GPT5.4

Modo de Falha na Execução de Tarefas em Fluxos de Trabalho de Agentes Autônomos

Um desenvolvedor usando Codex-GPT5.4 através do OpenClaw para trabalho autônomo de longa duração em projetos relata um modo de falha recorrente onde o modelo identifica corretamente a próxima tarefa, valida-a, reafirma-a, atualiza o rastreador de tarefas, mas continua repetindo esse processo em vez de realmente executar a tarefa.

O padrão de falha envolve especificamente: detectar a próxima tarefa acionável correta, reescrever/confirmá-la no arquivo de tarefas, reconhecê-la no próximo heartbeat/check-in, repetir o mesmo reconhecimento e ainda não realizar a etapa real de implementação. Isso cria um meta-loop em torno da validação de tarefas em vez da execução de tarefas.

Controles de Espaço de Trabalho Implementados

Para reduzir esse problema, o desenvolvedor construiu uma camada explícita de controle de espaço de trabalho em torno do modelo:

• TASKS.md: Atua como a única fonte operacional da verdade para o projeto ativo, próxima tarefa autônoma, próxima tarefa necessária para humanos, descobertas de rodadas anteriores e estado/priorização de tarefas. Isso impede que o modelo "pense do zero" toda vez e força a continuidade.
• Regras fortes de heartbeat: Adicionou uma política de heartbeat dedicada que afirma explicitamente: ler/atualizar TASKS.md sozinho não conta como progresso, cada rodada de heartbeat deve executar pelo menos uma ação concreta, bloqueios repetidos sem tentativas diferentes são proibidos, se NEXT_AUTO for executável deve ser executado imediatamente, e o agente não deve continuar reanunciando o mesmo bloqueio ou mesma próxima etapa.
• Arquivos de persona/contrato de execução: Arquivos de instrução em nível de espaço de trabalho para moldar o comportamento incluindo: estilo de execução e regras anti-preenchimento, preferências do usuário e modo de colaboração, continuidade de inicialização de sessão, comportamento de heartbeat e arquivos de memória para continuidade de curto e longo prazo. Essas regras tentam explicitamente suprimir padrões como: "Eu farei X" sem realmente fazer X, repetir bloqueios estáveis, parar após o planejamento quando a execução já é possível e revalidar a mesma próxima etapa repetidamente.
• Memória persistente + notas de projeto: Inclui memória de longo prazo, memória diária e pontos de verificação de projeto/notas de incidentes/relatórios de depuração para continuidade.

Problema de Loop de Execução Persistente

Mesmo com toda essa estrutura, o modelo ainda pode derivar para um loop onde reconhece que a próxima tarefa foi identificada, o rastreador de tarefas está limpo, a próxima etapa está clara, a próxima etapa real é X, e está continuando autonomamente—mas nenhuma implementação real começa. O modelo permanece preso em um loop do plano de controle em vez de mudar para o plano de execução.

O desenvolvedor observa que o modelo geralmente é bom em diagnóstico, priorização, produção de planos de execução razoáveis e manutenção de notas estruturadas, mas falha em cruzar o limite da intenção validada para a ação concreta. Uma vez nesse padrão, pode continuar consumindo rodadas reafirmando a mesma coisa com palavras ligeiramente diferentes.

O desenvolvedor busca soluções que funcionem para sessões autônomas de longa duração, arquivos de tarefas persistentes, execução periódica de heartbeat/check-in e fluxos de trabalho de codificação/depuração onde o agente deve continuar por conta própria.