Um protocolo de autoevolução e ambiente de execução para sistemas de agentes baseados em LLM.
Um framework multi-agente hierárquico com os protocolos RSPL e SEPL para loops de agentes autoevolutivos.
Deep Research Agent é um protocolo de autoevolução e ambiente de execução construído para sistemas de agentes baseados em LLM. Ele foi projetado para engenheiros e desenvolvedores que desejam implementar fluxos de trabalho multi-agente estruturados com camadas explícitas de recursos e evolução.
O framework modela prompts, agentes, ferramentas, ambientes e memória como recursos registrados por protocolo por meio da Resource Substrate Protocol Layer (RSPL). Ele utiliza uma Self Evolution Protocol Layer (SEPL) para propor, avaliar e consolidar melhorias com linhagem auditável e recursos de reversão.
É adequado para desenvolvedores de IA e sistemas que constroem fluxos de trabalho agênticos complexos que exigem rastreamento de versão e loops de autoaperfeiçoamento. Não é adequado para usuários que procuram um assistente de desktop pronto para uso ou aqueles sem experiência em configurar ambientes de LLM.
Modela prompts, agentes, ferramentas, ambientes e memória como recursos registrados por protocolo.
Especifica uma interface de operador de ciclo fechado para propor, avaliar e consolidar melhorias.
Configurações no estilo MMEngine para compor agentes, ferramentas, ambientes e modelos de forma consistente.
Registra trajetórias e gerencia artefatos iterativos entre execuções para análise de falhas.
O software é gratuito sob sua licença MIT, mas você deve fornecer suas próprias chaves de API de LLM e recursos de computação para executar os agentes e otimizadores.
877 vagas remotas abertas de treinamento de IA, atualizadas em 16 de novembro de 2026; a maioria paga $20–$175 por hora. 8 delas pedem falantes de português. O Zekai lista de graça; a candidatura vai para a plataforma do empregador.
Estas ferramentas de IA avaliadas fazem o mesmo trabalho na hora — do nosso diretório avaliado.
A RSPL modela componentes de sistema como prompts, agentes, ferramentas, ambientes e memória como recursos registrados por protocolo com estado explícito, ciclo de vida e interfaces versionadas.
A camada SEPL fornece uma interface de operador de ciclo fechado para agir, observar, otimizar usando métodos de reflexão ou RL, e memorizar percepções na memória persistente.
Veja o Zekai primeiro no Google