Agentes de IA acharam um sítio maia? O que fazer com Bun
Um desenvolvedor pôs agentes de IA para vasculhar dados públicos de terreno e voltou com uma pergunta no título: "meus agentes acharam um sítio maia não mapeado?". O post é do Pietro Miotti. Repara que ele terminou o título com um ponto de interrogação, e isso diz muito. O caso é bom para conversar sobre agentes de IA que trabalham com dados reais, onde errar custa caro, e sobre como eu montaria um fluxo desses com Bun sem me enganar no caminho.
O que aconteceu, sem exagero
A ideia é simples de explicar. Existem dados abertos de relevo, imagens de satélite e modelos de elevação cobrindo boa parte da América Central. Debaixo da floresta, estruturas antigas deixam marcas no terreno: plataformas retangulares, montes alinhados, terraços. Um arqueólogo treinado reconhece esses padrões. A pergunta é se um conjunto de agentes consegue fazer a triagem antes dele.
Pelo título, o resultado foi um candidato. Não foi uma descoberta confirmada, foi um "olha isso aqui". E essa diferença é a notícia de verdade. Agente que aponta candidato é útil. Agente que declara descoberta é um problema.
Não vou repetir os detalhes do experimento, vale ler o original. O que me interessa aqui é o padrão por trás dele, porque ele serve para muito mais coisa do que arqueologia.
Por que agentes de IA servem para esse tipo de busca
Tem problema que é agulha no palheiro. Você tem milhares de quilômetros quadrados de dado, quase tudo é ruído e um pedacinho importa. Gente não escala para isso. Um script com regra fixa até escala, mas fica cego para o que não foi programado para ver.
O agente fica no meio do caminho. Ele lê o tile, descreve o que vê, compara com o que sabe sobre padrões de assentamento e decide se aquilo vai para a pilha de "vale olhar". O que ele faz é triagem, não ciência.
Esse mesmo formato aparece no dia a dia de quem programa:
- Varrer milhares de logs atrás de um padrão de ataque que ainda não tem assinatura.
- Revisar contratos ou notas fiscais procurando a anomalia que regra nenhuma pega.
- Olhar screenshots de testes visuais e separar regressão real de ruído de renderização.
Em todos esses casos o valor está em reduzir 10 mil itens para 30. Quem decide sobre os 30 continua sendo uma pessoa.
Agente bom não descobre nada. Ele diminui o lugar onde você precisa procurar.
Como montar esse pipeline com Bun
É aqui que o Bun entra, e não é por hype. Um pipeline desses é basicamente I/O: baixar arquivo, cortar em pedaços, chamar API, salvar resultado, repetir. O Bun resolve isso com pouca dependência. Tem fetch nativo, Bun.file e Bun.write para arquivo, SQLite embutido e TypeScript rodando direto, sem build.
O esqueleto que eu usaria cabe em uma tela:
import { Database } from "bun:sqlite";
const db = new Database("triagem.db");
db.run(`create table if not exists tiles (
id text primary key,
status text,
score real,
motivo text
)`);
const pendentes = db
.query("select id from tiles where status = 'pendente' limit 50")
.all() as { id: string }[];
for (const { id } of pendentes) {
const img = await Bun.file(`tiles/${id}.png`).arrayBuffer();
const r = await analisar(img); // chamada ao modelo
db.run("update tiles set status = ?, score = ?, motivo = ? where id = ?", [
r.score > 0.8 ? "candidato" : "descartado",
r.score,
r.motivo,
id,
]);
}
Três decisões aí são mais importantes do que parecem.
Estado em SQLite, não em memória. O pipeline vai cair. A API vai devolver 429, sua internet vai piscar, você vai dar Ctrl+C sem querer. Com o status salvo por tile, rodar de novo continua de onde parou. Isso já me salvou de queimar crédito de API duas vezes.
Lote pequeno. O limit 50 existe para você olhar os resultados antes de liberar o resto. Rodar 10 mil chamadas de uma vez sem ter validado as primeiras 50 é a forma mais rápida de pagar caro por lixo.
O motivo vai junto com a nota. Um score sozinho não explica nada. Quando o agente escreve "três montes alinhados a norte-sul com plataforma central", você consegue conferir. Quando ele só devolve 0.93, você está confiando no escuro.
Se quiser paralelizar, Promise.all com um limitador de concorrência simples resolve. Não precisa de fila distribuída para processar uns milhares de arquivos no seu notebook.
O problema dos falsos positivos
Agora a parte que quase ninguém coloca no post de divulgação. Modelo de visão olhando relevo vai ver padrão onde não tem. Fazenda abandonada tem cara de plataforma. Estrada de terra parece calçada antiga. Um morro erodido pode lembrar uma pirâmide se você quiser muito que seja.
É a pareidolia, só que com cartão de crédito. Humano vê rosto em tomada. Modelo vê templo em pasto.
Algumas defesas que funcionam:
- Teste com o que já é conhecido. Antes de buscar o desconhecido, rode o pipeline em áreas com sítios mapeados e em áreas que você sabe que não têm nada. Se ele não acha os conhecidos, ou acha templo no meio do campo de soja, você já sabe que o resultado não vale.
- Segundo agente cético. Um agente aponta, outro recebe o mesmo tile com a instrução de achar a explicação mais banal. Só sobe o que passa pelos dois.
- Cruzamento com base externa. Se o candidato está em cima de uma estrada que já aparece no OpenStreetMap, ele cai.
Em código, o primeiro item é só uma métrica:
const conhecidos = db
.query("select count(*) as n from tiles where gabarito = 1 and status = 'candidato'")
.get() as { n: number };
console.log(`recall nos sítios conhecidos: ${conhecidos.n}/${totalConhecidos}`);
Se você não tem esse número, você não tem um sistema de detecção. Tem um gerador de imagens interessantes.
O que isso muda no seu fluxo de trabalho
Minha opinião forte: o mais valioso no post do Miotti é o ponto de interrogação. Muito projeto com agentes de IA morre porque alguém trata a saída do modelo como fato. O título já admite que precisa de alguém da área para confirmar, e esse é o modelo mental certo.
Na prática, para quem é dev, eu tiro daí três hábitos:
- Todo pipeline com agente precisa de um gabarito. Pode ser pequeno, umas 20 amostras rotuladas na mão já mudam tudo.
- O resultado do agente é uma fila de revisão, não um relatório final. Desenhe a interface pensando em quem vai revisar.
- Bun e SQLite cobrem 90% do encanamento. A complexidade de verdade está na avaliação, não na infraestrutura.
Também tem uma questão ética que vale lembrar. Publicar coordenadas de um possível sítio arqueológico pode atrair saqueador antes de atrair pesquisador. Se o seu agente acha algo sensível, a decisão de divulgar não é técnica.
Vale a pena tentar?
Vale, desde que você entre sabendo o que está construindo. Um agente que separa candidatos é uma ferramenta excelente e barata de montar. Um agente que "descobre" coisas sozinho é um jeito caro de gerar manchete.
Eu gosto desse tipo de experimento justamente porque ele obriga você a medir. Se quiser ver como eu levo essa mesma ideia de pipeline enxuto com Bun para projetos reais, dá uma olhada nos meus projetos.
Resumo para o LinkedIn
Meus agentes acharam um templo maia? Não. E é exatamente por isso que esse experimento é bom. O Pietro Miotti pôs agentes de IA para vasculhar dados públicos de relevo e voltou com um candidato. Não com uma descoberta. E essa diferença muda tudo. Agente bom não descobre nada. Ele diminui o lugar onde você precisa procurar. Transforma 10 mil itens em 30, e quem decide sobre os 30 continua sendo uma pessoa. Se eu montasse isso com Bun: estado em SQLite para retomar quando cair, lote pequeno antes de gastar crédito, e o motivo sempre junto com a nota. E o mais importante: teste com o que já é conhecido. Sem gabarito, você não tem um sistema de detecção. Tem um gerador de imagens interessantes. Escrevi sobre como montar esse pipeline sem se enganar no caminho. O link está nos comentários, se fizer sentido para você. #InteligenciaArtificial #AgentesDeIA #Bun #TypeScript #DesenvolvimentoDeSoftware