Intento, logo programo: Uma camada de agentes para traduzir prompts em chamadas para a API de operações do núcleo 5G
Resumo
As redes 5G introduziram mecanismos avançados de programabilidade por meio de APIs padronizadas, com destaque para a Network Exposure Function (NEF), que permite a exposição controlada de capacidades do núcleo da rede a aplicações externas. No entanto, a complexidade semântica e estrutural dessas APIs ainda representa uma barreira significativa para sua adoção e automação. Neste artigo, investigamos o uso de sistemas baseados em Agentes de IA para realizar chamadas à API Traffic Influence da NEF no núcleo 5G, avaliando a capacidade de Large Language Models (LLMs) de traduzir solicitações de alto nível em interações corretas com um componente do sistema 5G. A solução proposta utiliza o Model Context Protocol (MCP) para integrar os modelos a ferramentas que encapsulam a API Traffic Influence da NEF. Avaliamos diferentes LLMs, incluindo Qwen, GPT-OSS-20B e Claude Sonnet 4.5, considerando variações no tamanho dos modelos e diferentes estratégias de engenharia de prompts. As avaliações foram realizadas em um ambiente baseado em free5GC e UERANSIM, contemplando métricas de taxa de acerto, consumo de tokens e tempo de resposta.
Referências
3GPP (2024). Management and orchestration; Intent driven management services for mobile networks. Technical Report TS 28.312, 3GPP.
Bimo, F. A., Galdon, M. A. C., Lai, C.-K., Cheng, R.-G., and Chong, E. K. (2025). IntentBased Network for RAN Management with Large Language Models. arXiv preprint arXiv:2507.14230.
Brodimas, D., Birbas, A., Kapolos, D., and Denazis, S. (2025). Intent-Based Infrastructure and Service Orchestration Using Agentic-AI. IEEE Open Journal of the Communications Society, 6:7150–7168.
Brodimas, D., Trantzas, K., Agko, B., Tziavas, G. C., Tranoris, C., Denazis, S., and Birbas, A. (2024). Towards Intent-based Network Management for the 6G System adopting Multimodal Generative AI. In 2024 Joint European Conference on Networks and Communications & 6G Summit (EuCNC/6G Summit), pages 848–853. IEEE.
GSMA (2023). CAMARA Project: Network APIs for Developers. [link].
Habib, M. A., Iturria-Rivera, P. E., Ozcan, Y., Elsayed, M., Bavand, M., Gaigalas, R., and Erol-Kantarci, M. (2025). Harnessing the Power of LLMs, Informers and Decision Transformers for Intent-driven RAN Management in 6G. IEEE Transactions on Network Science and Engineering.
Hou, X., Zhao, Y., Wang, S., and Wang, H. (2025). Model Context Protocol (MCP): Landscape, Security Threats, and Future Research Directions. arXiv preprint arXiv:2503.23278.
Khan, Z., Hussain, A., Thakur, M., Hellas, A., and Papadimitratos, P. (2025). NEFMind: Parameter-Efficient Fine-Tuning of Open-Source LLMs for Telecom APIs Automation.
Ksentini, A. and Frangoudis, P. A. (2020). Toward slicing-enabled multi-access edge computing in 5g. IEEE Network, 34(2):99–105.
Manias, D. M., Chouman, A., and Shami, A. (2024). Towards Intent-Based Network Management: Large Language Models for Intent Extraction in 5G Core Networks. In 2024 20th International Conference on the Design of Reliable Communication Networks (DRCN), pages 1–6. IEEE.
Peterson, L. and Sunay, O. (2020). 5G Mobile Networks: A Systems Approach. Morgan & Claypool Press, 1 edition.
Sapkota, R., Roumeliotis, K. I., and Karkee, M. (2026). Ai agents vs. agentic ai: A conceptual taxonomy, applications and challenges. Information Fusion, 126:103599.
The Linux Foundation and CAMARA Project (2025). In Concert: Bridging AI Systems Network Infrastructure through MCP: How to Build Network-Aware Intelligent Applications. Technical report. 12 pages.
Zhou, H., Hu, C., Yuan, Y., Cui, Y., Jin, Y., Chen, C., Wu, H., Yuan, D., Jiang, L., Wu, D., Liu, X., Zhang, J., Wang, X., and Liu, J. (2025). Large Language Model (LLM) for Telecommunications: A Comprehensive Survey on Principles, Key Techniques, and Opportunities. IEEE Communications Surveys & Tutorials, 27(3):1955–2005.
