Modelagem de Estados Mentais BDI

O que Modelagem de Estados Mentais BDI faz?

Transforme contexto RDF externo em estados mentais de agente (crenças, desejos, intenções) usando padrões formais de ontologia BDI. Esta habilidade permite que agentes raciocinem sobre o contexto por meio de arquitetura cognitiva, suportando raciocínio deliberativo, explicabilidade e interoperabilidade semântica em sistemas multiagente.

Quando Ativar

Ative esta habilidade quando:

• Processar contexto RDF externo para crenças do agente sobre estados do mundo
• Modelar agência racional com ciclos de percepção, deliberação e ação
• Habilitar explicabilidade por meio de cadeias de raciocínio rastreáveis
• Implementar frameworks BDI (SEMAS, JADE, JADEX)
• Aumentar LLMs com estruturas cognitivas formais (Geração Aumentada por Lógica)
• Coordenar estados mentais em plataformas multiagente
• Rastrear evolução temporal de crenças, desejos e intenções
• Vincular estados motivacionais a planos de ação

Não ative esta habilidade para trabalhos adjacentes de propriedade de outras habilidades:

• Explicações gerais de janela de contexto ou mecânicas de atenção: context-fundamentals.
• Memória persistente de usuário, entidade ou conversa sem estado BDI formal: memory-systems.
• Decisões de topologia de supervisor, enxame ou handoff: multi-agent-patterns.
• Rubricas gerais de avaliação de agentes ou portões de qualidade: evaluation.

Conceitos Centrais

Arquitetura da Realidade Mental

Separe os estados mentais em duas categorias ontológicas porque o raciocínio BDI requer distinguir o que persiste do que acontece:

Estados Mentais (Endurantes) -- modele-os como atributos cognitivos persistentes que se mantêm ao longo de intervalos de tempo:

• Belief: Representa o que o agente considera verdadeiro sobre o mundo. Fundamente cada crença em uma referência de estado do mundo.
• Desire: Representa o que o agente deseja realizar. Vincule cada desejo de volta às crenças que o motivam.
• Intention: Representa o que o agente se compromete a alcançar. Uma intenção deve cumprir um desejo e especificar um plano.

Processos Mentais (Perdurantes) -- modele-os como eventos que criam ou modificam estados mentais, porque rastrear transições causais permite explicabilidade:

• BeliefProcess: Dispara a formação/atualização de crenças a partir da percepção. Sempre conecte a um estado do mundo gerador.
• DesireProcess: Gera desejos a partir de crenças existentes. Preserva a cadeia motivacional.
• IntentionProcess: Compromete-se com desejos selecionados como intenções acionáveis.

Padrão de Cadeia Cognitiva

Conecte crenças, desejos e intenções em cadeias direcionadas usando propriedades bidirecionais (motivates/isMotivatedBy, fulfils/isFulfilledBy) porque isso permite tanto o raciocínio direto (o que o agente deve fazer?) quanto o rastreamento reverso (por que o agente agiu?):

:Belief_store_open a bdi:Belief ;
    rdfs:comment "A loja está aberta" ;
    bdi:motivates :Desire_buy_groceries .

:Desire_buy_groceries a bdi:Desire ;
    rdfs:comment "Desejo comprar mantimentos" ;
    bdi:isMotivatedBy :Belief_store_open .

:Intention_go_shopping a bdi:Intention ;
    rdfs:comment "Comprarei mantimentos" ;
    bdi:fulfils :Desire_buy_groceries ;
    bdi:isSupportedBy :Belief_store_open ;
    bdi:specifies :Plan_shopping .

Fundamentação em Estado do Mundo

Sempre fundamente estados mentais em referências de estado do mundo, em vez de descrições em texto livre, porque crenças não fundamentadas quebram a consulta semântica e a interoperabilidade entre agentes:

:Agent_A a bdi:Agent ;
    bdi:perceives :WorldState_WS1 ;
    bdi:hasMentalState :Belief_B1 .

:WorldState_WS1 a bdi:WorldState ;
    rdfs:comment "Reunião agendada para as 10h na Sala 5" ;
    bdi:atTime :TimeInstant_10am .

:Belief_B1 a bdi:Belief ;
    bdi:refersTo :WorldState_WS1 .

Planejamento Orientado a Objetivos

Conecte intenções a planos via bdi:specifies, e decomponha planos em sequências ordenadas de tarefas usando bdi:precedes, porque essa separação permite reutilização de planos em diferentes intenções, mantendo a ordem de execução explícita:

:Intention_I1 bdi:specifies :Plan_P1 .

:Plan_P1 a bdi:Plan ;
    bdi:addresses :Goal_G1 ;
    bdi:beginsWith :Task_T1 ;
    bdi:endsWith :Task_T3 .

:Task_T1 bdi:precedes :Task_T2 .
:Task_T2 bdi:precedes :Task_T3 .

Paradigma T2B2T

Implemente Triples-para-Crenças-para-Triples como um pipeline bidirecional porque os agentes devem consumir contexto RDF externo e produzir novas asserções RDF. Estruture cada implementação T2B2T em duas fases explícitas:

Fase 1: Triples-para-Crenças -- Traduza triplas RDF recebidas em instâncias de crença. Use bdi:triggers para conectar o estado do mundo externo a um BeliefProcess, e bdi:generates para produzir a crença resultante. Isso preserva a proveniência dos dados de origem até a cognição interna:

:WorldState_notification a bdi:WorldState ;
    rdfs:comment "Notificação push: Solicitação de pagamento R$250" ;
    bdi:triggers :BeliefProcess_BP1 .

:BeliefProcess_BP1 a bdi:BeliefProcess ;
    bdi:generates :Belief_payment_request .

Fase 2: Crenças-para-Triples -- Após a deliberação BDI selecionar uma intenção e executar um plano, projete os resultados de volta em RDF usando bdi:bringsAbout. Isso fecha o ciclo para que sistemas downstream possam consumir as saídas do agente como dados vinculados padrão:

:Intention_pay a bdi:Intention ;
    bdi:specifies :Plan_payment .

:PlanExecution_PE1 a bdi:PlanExecution ;
    bdi:satisfies :Plan_payment ;
    bdi:bringsAbout :WorldState_payment_complete .

Seleção de Notação por Nível

Escolha a notação com base no nível de abstração C4 sendo modelado, porque misturar notações no nível errado obscurece em vez de esclarecer a arquitetura cognitiva:

Nível C4	Notação	Representação do Estado Mental
L1 Contexto	ArchiMate	Limites do agente, fontes de percepção externas
L2 Container	ArchiMate	Motor de raciocínio BDI, armazenamento de crenças, executor de planos
L3 Componente	UML	Gerenciadores de estado mental, manipuladores de processo
L4 Código	UML/RDF	Classes Crença/Desejo/Intenção, instâncias de ontologia

Justificativa e Explicabilidade

Anexe instâncias bdi:Justification a toda entidade mental usando bdi:isJustifiedBy, porque estados mentais injustificados tornam o raciocínio do agente opaco e intraceável. Cada justificativa deve capturar a evidência ou regra que produziu o estado mental:

:Belief_B1 a bdi:Belief ;
    bdi:isJustifiedBy :Justification_J1 .

:Justification_J1 a bdi:Justification ;
    rdfs:comment "Anúncio oficial recebido por e-mail" .

:Intention_I1 a bdi:Intention ;
    bdi:isJustifiedBy :Justification_J2 .

:Justification_J2 a bdi:Justification ;
    rdfs:comment "Pré-condição de localização satisfeita" .

Dimensões Temporais

Atribua intervalos de validade a cada estado mental usando bdi:hasValidity com instâncias TimeInterval, porque crenças sem limites temporais não podem ser coletadas como lixo ou verificadas quanto a conflitos durante o raciocínio diacrônico:

:Belief_B1 a bdi:Belief ;
    bdi:hasValidity :TimeInterval_TI1 .

:TimeInterval_TI1 a bdi:TimeInterval ;
    bdi:hasStartTime :TimeInstant_9am ;
    bdi:hasEndTime :TimeInstant_11am .

Consulte estados mentais ativos em um momento específico usando filtros temporais SPARQL. Use este padrão para resolver conflitos quando múltiplas crenças sobre o mesmo estado do mundo se sobrepõem no tempo:

SELECT ?mentalState WHERE {
    ?mentalState bdi:hasValidity ?interval .
    ?interval bdi:hasStartTime ?start ;
              bdi:hasEndTime ?end .
    FILTER(?start <= "2025-01-04T10:00:00"^^xsd:dateTime &&
           ?end >= "2025-01-04T10:00:00"^^xsd:dateTime)
}

Entidades Mentais Composicionais

Decomponha crenças complexas em partes constituintes usando relações bdi:hasPart, porque crenças monolíticas forçam substituição completa em atualizações parciais. Estruture crenças compostas para que cada subcrença possa ser atualizada, consultada ou invalidada independentemente:

:Belief_meeting a bdi:Belief ;
    rdfs:comment "Reunião às 10h na Sala 5" ;
    bdi:hasPart :Belief_meeting_time , :Belief_meeting_location .

# Atualizar apenas o componente de localização sem tocar no horário
:BeliefProcess_update a bdi:BeliefProcess ;
    bdi:modifies :Belief_meeting_location .

Orientação Prática

Construa um Modelo BDI em Seis Passagens

Use este fluxo de trabalho ao converter contexto semântico externo em uma representação BDI:

1. Defina o substrato de estado do mundo: Identifique os fatos ou eventos externos que o agente pode perceber. Modele-os como estados do mundo antes de criar crenças.
2. Crie instâncias de crença: Traduza cada estado do mundo relevante em uma crença com proveniência, validade temporal e uma referência de justificativa.
3. Derive desejos de crenças: Adicione desejos apenas quando uma crença criar uma motivação relevante para um objetivo. Vincule cada desejo à crença que o motiva.
4. Comprometa intenções deliberadamente: Promova um desejo a uma intenção apenas quando o agente se comprometer com um plano. Registre o plano selecionado e as pré-condições.
5. Projete resultados de ação de volta em triplas: Após a execução, emita os estados do mundo resultantes como RDF para que sistemas downstream possam consumir o novo estado.
6. Valide com perguntas de competência: Consulte proveniência, motivação, sequência do plano e janelas de validade ativas antes de confiar no modelo.

Mantenha a Ontologia Pequena

Comece com Agent, WorldState, Belief, Desire, Intention, Plan, Task, Justification e TimeInterval. Adicione classes especializadas somente depois que as perguntas de competência provarem que o modelo central não pode responder às consultas necessárias. Uma ontologia compacta é mais fácil de serializar em prompts, mais fácil de validar e menos propensa a criar cadeias de raciocínio frágeis.

Use BDI Apenas Quando a Semântica do Estado Mental Importar

A modelagem BDI é justificada quando o sistema precisa de agência explicável: por que um agente acreditou em algo, que desejo essa crença criou, qual intenção foi selecionada e qual plano foi executado. Se o sistema só precisa lembrar fatos entre sessões, use memory-systems. Se só precisa dividir o trabalho entre agentes, use multi-agent-patterns.

Tópicos Detalhados

Padrões de Integração

Geração Aumentada por Lógica (LAG)

Use LAG para restringir saídas de LLM com estrutura ontológica, porque a geração não restrita produz triplas que violam as restrições de classe BDI. Serialize a ontologia no contexto do prompt, depois valide as triplas geradas contra ela antes de aceitá-las:

def augment_llm_with_bdi_ontology(prompt, ontology_graph):
    ontology_context = serialize_ontology(ontology_graph, format='turtle')
    augmented_prompt = f"{ontology_context}\n\n{prompt}"

    response = llm.generate(augmented_prompt)
    triples = extract_rdf_triples(response)

    is_consistent = validate_triples(triples, ontology_graph)
    return triples if is_consistent else retry_with_feedback()

Tradução de Regras SEMAS

Traduza padrões de ontologia BDI em regras de produção executáveis ao implantar em plataformas de agentes baseadas em regras. Mapeie cada link da cadeia cognitiva (crença-para-desejo, desejo-para-intenção) para uma regra HEAD/CONDITIONALS/TAIL, porque isso preserva a semântica deliberativa enquanto permite execução em tempo real:

% Crença dispara a formação de desejo
[HEAD: belief(agent_a, store_open)] /
[CONDITIONALS: time(weekday_afternoon)] »
[TAIL: generate_desire(agent_a, buy_groceries)].

% Desejo dispara o comprometimento da intenção
[HEAD: desire(agent_a, buy_groceries)] /
[CONDITIONALS: belief(agent_a, has_shopping_list)] »
[TAIL: commit_intention(agent_a, buy_groceries)].

Diretrizes

1. Modele estados do mundo como configurações independentes de perspectivas do agente, fornecendo substrato referencial para estados mentais.
2. Distinga endurantes (estados mentais persistentes) de perdurantes (processos mentais temporais), alinhando-se com a ontologia DOLCE.
3. Trate objetivos como descrições, não como estados mentais, mantendo a separação entre camadas cognitivas e de planejamento.
4. Use relações hasPart para estruturas meronímicas que permitem atualizações seletivas de crenças.
5. Associe cada entidade mental a construtos temporais via atTime ou hasValidity.
6. Use pares de propriedades bidirecionais (motivates/isMotivatedBy, generates/isGeneratedBy) para consultas flexíveis.
7. Vincule entidades mentais a instâncias Justification para explicabilidade e confiança.
8. Implemente T2B2T através de: (1) traduzir RDF para crenças, (2) executar raciocínio BDI, (3) projetar estados mentais de volta para RDF.
9. Defina restrições existenciais em processos mentais (por exemplo, BeliefProcess ⊑ ∃generates.Belief).
10. Reutilize ODPs estabelecidos (EventCore, Situation, TimeIndexedSituation, BasicPlan, Provenance) para interoperabilidade.

Perguntas de Competência

Valide a implementação com estas consultas SPARQL:

# CQ1: Que crenças motivaram a formação de um determinado desejo?
SELECT ?belief WHERE {
    :Desire_D1 bdi:isMotivatedBy ?belief .
}

# CQ2: Qual desejo uma intenção específica cumpre?
SELECT ?desire WHERE {
    :Intention_I1 bdi:fulfils ?desire .
}

# CQ3: Qual processo mental gerou uma crença?
SELECT ?process WHERE {
    ?process bdi:generates :Belief_B1 .
}

# CQ4: Qual é a sequência ordenada de tarefas em um plano?
SELECT ?task ?nextTask WHERE {
    :Plan_P1 bdi:hasComponent ?task .
    OPTIONAL { ?task bdi:precedes ?nextTask }
} ORDER BY ?task

Exemplos

Exemplo 1: Notificação RDF para cadeia BDI

Estado do mundo de entrada:

:WorldState_invoice_due a bdi:WorldState ;
    rdfs:comment "A fatura INV-42 vence amanhã" ;
    bdi:atTime :Time_2026_05_15 .

Projeção BDI:

:Belief_invoice_due a bdi:Belief ;
    bdi:refersTo :WorldState_invoice_due ;
    bdi:isJustifiedBy :Justification_billing_system ;
    bdi:motivates :Desire_avoid_late_fee .

:Desire_avoid_late_fee a bdi:Desire ;
    bdi:isMotivatedBy :Belief_invoice_due .

:Intention_pay_invoice a bdi:Intention ;
    bdi:fulfils :Desire_avoid_late_fee ;
    bdi:specifies :Plan_pay_invoice .

Exemplo 2: Decisão de limite

Se a tarefa for "lembrar que Alice prefere resumos concisos", use memory-systems. Se a tarefa for "representar por que o agente acredita que Alice prefere resumos concisos, que desejo essa crença cria e que intenção segue", use esta habilidade.

Referências

• Rao, A. S., & Georgeff, M. P. (1995). BDI Agents: From Theory to Practice. Proceedings of the First International Conference on Multi-Agent Systems.
• Braubach, L., Pokahr, A., & Lamersdorf, W. (2005). Jadex: A BDI Agent System Combining Middleware and Reasoning. Software Agent-Based Applications, Platforms and Development Kits.
• DOLCE: A Descriptive Ontology for Linguistic and Cognitive Engineering. http://www.loa.istc.cnr.it/dolce/overview.html
• SPARQL 1.1 Query Language. W3C Recommendation. https://www.w3.org/TR/sparql11-query/