O que é Loop? Está bem popular nos últimos dias~

Loop é o ciclo do agente (agent loop): o modelo não termina mais ao "receber uma instrução → produzir um resultado", mas entra em um corpo de loop — raciocinar → agir → observar resultados → raciocinar novamente, até que a tarefa seja realmente concluída para sair. A estrutura que volta no quadrado pontilhado à direita da figura é o loop.
Essencialmente, ele transfere para a IA práticas já maduras na engenharia de software: REPL, event loop, while loop — todas são estruturas de "executar repetidamente até que a condição seja satisfeita". Loop apenas substitui o "corpo do loop" por "pensamento do modelo + chamada de ferramenta".
Por que ele pode substituir os prompts?
O ponto chave não está nas palavras "loop", mas em que ele desloca o local de sustentação da complexidade do "seu texto" para a "estrutura do sistema". Vou decompor em quatro camadas:
1. De "descrever como fazer" para "definir o que fazer"
O prompt é uma codificação estática — você precisa pensar em cada passo para completar a tarefa antecipadamente e escrevê-los em linguagem natural. O problema é: tarefas reais você não consegue planejar completamente de antemão. Em uma análise de investimento, deve-se primeiro consultar os relatórios financeiros ou o setor? Depende do que for encontrado. O prompt fixa o caminho, enquanto o loop permite que o modelo decida o próximo passo com base no feedback real de cada passo. Você dá apenas o objetivo e os limites de capacidade, o caminho é gerado dinamicamente.
2. O contexto muda de "forçado para dentro" para "cresce para fora"
O poder do prompt depende de quanta informação você consegue enfiar na janela de contexto — mas muitas informações você não sabe se precisa de antemão. No Loop, cada chamada de ferramenta, cada observação é automaticamente adicionada ao contexto. O contexto não é um investimento único que você orçou, mas cresce dinamicamente com o loop. O modelo pega o que precisa.
3. Tem capacidade de correção de erros
Um único prompt não tem conceito de "tentar novamente" — errado é errado. Loop tem feedback: se a ferramenta reporta erro, a busca não encontrou, os números não batem, o modelo pode descobrir e corrigir na próxima rodada de raciocínio. É como passar de "assembly escrito à mão" para "linguagem de alto nível com depuração por breakpoints" — no primeiro você tem que acertar de uma vez, no segundo você pode consertar enquanto executa.
4. "Como fazer" é fixado pelas ferramentas, "o que fazer" fica para a linguagem natural
Este é o ponto mais crucial. A engenharia de prompts tradicional descreve "qual API chamar, em que ordem, como interpretar retornos" em texto, com grande ambiguidade. No paradigma Loop, isso é transformado em ferramentas — assinaturas de funções são interfaces precisas e inequívocas. O modelo só precisa decidir "quando chamar qual ferramenta", sem ter que adivinhar como chamar via linguagem natural. A ambiguidade do prompt é substituída pela determinação da ferramenta.
A essência em uma frase
Prompt = você comprime toda a lógica de execução em um texto e aposta que ele funcione de uma vez. Loop = você define o objetivo + dá um conjunto de ferramentas + permite que o modelo crie seu próprio caminho de execução na interação real.
Ele não "elimina" os prompts — o prompt do sistema (quem você é, o que pode usar, quais regras seguir) ainda existe e é importante. O que ele elimina é **"escrever uma instrução perfeita para cada tarefa"**. A complexidade se desloca do "comprimento de um único prompt" para a "qualidade do design do sistema + conjunto de ferramentas", e o último é engenharia, reutilizável e testável.
É por isso que o foco desta onda de aplicações de IA está mudando de "engenharia de prompts" para "design de agentes/sistemas" — quando você consegue fixar o "como fazer" nas ferramentas e na estrutura de loop, a linguagem natural só precisa expressar o "o que fazer", e isso é justamente o que ela faz de melhor.