Comparações de LLMs com RAG para o aprendizado de conceitos de agente BDI

• Natalia Mendes Goes UTFPR https://orcid.org/0009-0001-9149-360X
• Rafael C. Cardoso Universidade de Aberdeen https://orcid.org/0000-0001-6666-6954
• Gleifer V. Alves UTFPR https://orcid.org/0000-0002-5937-8193
• André P. Borges UTFPR https://orcid.org/0000-0002-1716-8614

Resumo

Este artigo apresenta uma análise comparativa de diferentes modelos de Large Language Models (LLMs) com Retrieval-Augmented Generation (RAG) para aprimorar a compreensão humana dos conceitos de agentes Belief–Desire–Intention (BDI). O modelo de agente BDI é um modelo de software desenvolvido para programar agentes inteligentes, projetado para simular raciocínio e processos de tomada de decisão semelhantes aos humanos. A integração do RAG visa otimizar a saída de uma LLM, diminuindo as alucinações e agregando valor à resposta ao usuário, facilitando assim a aprendizagem e a interpretação desses agentes. O estudo compara características técnicas de diferentes LLMs, incluindo uma análise de seu tamanho e tempo de resposta. Os resultados indicam que a integração com RAG melhora a precisão e a clareza das saídas , enquanto as diferenças entre os LLMs analisados influenciam diretamente o desempenho do sistema e a efetividade do aprendizado de agentes BDI.

Palavras-chave: Large Language Models, Retrieval-Augmented Generation, agentes BDI, comparação de modelos

Referências

Alan, A. Y., Karaarslan, E., and Aydın, Ö. (2025). Improving llm reliability with rag in religious question-answering: Mufassirqas. Turkish Journal of Engineering, 9(3):544–559. DOI: 10.31127/tuje.1624773

Bratman, M. (1987). Intention, plans, and practical reason.

Cardoso, R. C. and Ferrando, A. (2021). A review of agent-based programming for multi-agent systems. Computers, 10(2):16. DOI: 10.3390/computers10020016

Corchado, J. M., Pavón, J., Corchado, E. S., and Castillo, L. F. (2004). Development of cbr-bdi agents: a tourist guide application. In European Conference on Case-based Reasoning, pages 547–559. Springer. DOI: 10.1007/978-3-540-28631-8_40

Frering, L., Steinbauer-Wagner, G., and Holzinger, A. (2025). Integrating belief-desire-intention agents with large language models for reliable human–robot interaction and explainable artificial intelligence. Engineering Applications of Artificial Intelligence, 141:109771. DOI: 10.1016/j.engappai.2024.109771

Izidorio, F. M., Mellado, A. L., Borges, A. P., and Alves, G. V. (2024). Agentes bdi e aprendizagem: um mapeamento sistemático e utilização com a biblioteca maspy. In Workshop-Escola de Sistemas de Agentes, seus Ambientes e Aplicações (WESAAC), pages 108–119. SBC. DOI: 10.5753/wesaac.2024.33460

Lewis, P., Perez, E., Piktus, A., Petroni, F., Karpukhin, V., Goyal, N., Küttler, H., Lewis, M., Yih, W.-t., Rocktäschel, T., et al. (2020). Retrieval-augmented generation for knowledge-intensive nlp tasks. Advances in neural information processing systems, 33:9459–9474.

Ma, X., Fang, G., and Wang, X. (2023). Llm-pruner: On the structural pruning of large language models. Advances in neural information processing systems, 36:21702–21720.

Shen, S. and O’Hare, G. M. (2007). Wireless sensor networks, an energy-aware and utility-based bdi agent approach. International Journal of Sensor Networks, 2(3-4):235–245. DOI: 10.1504/IJSNET.2007.013204