TEMM1E v3.0.0 Introduz Inteligência de Enxame para Coordenação de Agentes de IA

Inteligência de Enxame para Tempos de Execução de Agentes de IA

TEMM1E v3.0.0 apresenta "Many Tems" — um sistema de inteligência de enxame onde múltiplos trabalhadores de agentes de IA se coordenam através de estigmergia: comunicação indireta via sinais ambientais. Esta abordagem elimina a sobrecarga de coordenação que afeta frameworks multiagentes tradicionais como AutoGen, CrewAI e LangGraph, onde cada mensagem de coordenação requer uma chamada de LLM e custa tokens.

Como Funciona

• O Alfa (coordenador) decompõe tarefas em um grafo de dependência com uma chamada de LLM
• Um Pacote de Tems (trabalhadores) é gerado como tarefas paralelas reais de tokio
• Cada Tem reivindica uma tarefa via transação atômica do SQLite (sem bloqueios distribuídos)
• Tems emitem sinais de Aroma (feromônios com decaimento temporal) enquanto trabalham — "Terminei", "Estou travado", "Isso é difícil"
• Outros Tems leem esses sinais para escolher sua próxima tarefa — pura aritmética, zero chamadas de LLM
• Os resultados são agregados quando todas as tarefas são concluídas

Detalhes Técnicos

A percepção fundamental aborda o crescimento do contexto: um único agente processando 12 subtarefas carrega TODAS as saídas anteriores no contexto. Na subtarefa 12, o contexto cresceu 28x. Cada subtarefa adicional custa mais porque o LLM lê tudo que veio antes — crescimento quadrático: h*m(m+1)/2.

Trabalhadores do Pacote carregam apenas a descrição de sua tarefa + resultados das tarefas de dependência. O contexto permanece plano em ~190 bytes independentemente de quantas subtarefas existam. Linear, não quadrático.

Benchmarks

Chamadas reais da API Gemini 3 Flash (não simuladas):

• 12 funções independentes: Agente único 103 segundos, Pacote 18 segundos. 5,86x mais rápido. 7.379 tokens vs 2.149 tokens. 3,4x mais barato. Qualidade: ambos 12/12 testes passando.
• 5 subtarefas paralelas: Agente único 7,9 segundos, Pacote 1,7 segundos. 4,54x mais rápido. Mesmos tokens (razão 1,01x — comprova desperdício zero).
• Mensagens simples ("olá"): Pacote corretamente NÃO ativa. Sobrecarga zero. Invisível.

O Que Torna Isso Diferente

• Zero tokens de coordenação. AutoGen/CrewAI usam chat LLM-para-LLM para coordenação — cada mensagem custa. O campo de aroma do TEMM1E é aritmético (decaimento exponencial, similaridade de Jaccard, superposição). A matemática é mais barata que um único token.
• Invisível para tarefas simples. O classificador (já em execução em cada mensagem) decide. Se disser "simples" ou "padrão" — agente único, sobrecarga zero. O Pacote só ativa para tarefas genuinamente complexas com múltiplas entregas.

Detalhes de Implementação

A equação de seleção de tarefas tem 40 linhas de aritmética, não uma chamada de LLM:

S = Afinidade^2.0 * Urgência^1.5 * (1-Dificuldade)^1.0 * (1-Falha)^0.8 * Recompensa^1.2

1.535 testes. 71 apenas na crate do enxame, incluindo dois que comprovam paralelismo real (4 trabalhadores completando tarefas de 200ms em ~200ms, não ~800ms).

Construído em Rust. 17 crates. Código aberto. Licença MIT. O artigo de pesquisa tem todos os comandos de benchmark — você pode reproduzir cada número você mesmo com uma chave de API.

Limitações e Aprendizados

O enxame não ajuda para tarefas de turno único onde o LLM lida com "faça essas 7 coisas" em uma resposta. Não há acúmulo de histórico para eliminar. Ajuda quando tarefas envolvem múltiplas rodadas de loop de ferramentas onde o contexto cresce — que é como o trabalho agentivo real realmente acontece.

A equipe executou benchmarks no Gemini Flash Lite ($0,075/M entrada), Gemini Pro e GPT-5.2. Custo total do experimento: $0,04 de um orçamento de $30. O relatório completo do experimento inclui todos os cenários onde o enxame perdeu, não apenas onde venceu.