Como registrar o que o Gemini 4 Argon fez em uma tarefa longa: trilha de auditoria na prática

Num trabalho de horas com um agente de IA, a pergunta mais cara de responder é: o que ele fez, em quais arquivos e por quê?

Fala aí, beleza? O Google anunciou o Gemini 4 Argon em 30/09/2026 como seu novo modelo de fronteira, voltado a engenharia de software complexa, trabalho de conhecimento corporativo e defesa cibernética

E ele chega com até 1 milhão de tokens de saída por geração (antes eram 64 mil) 😮

Se você já sofreu com limite de tokens de saída em outro modelo, sabe o que isso significa: tarefas MUITO mais longas numa tacada só, e muiiito mais coisa acontecendo sem você olhar

Aí entra o problema

Em contexto jurídico, financeiro e de segurança, não basta o resultado ficar bom: precisa dar pra provar o caminho até ele, ou seja, rastreabilidade é requisito

A trilha de auditoria sai de recursos gerais do ecossistema Gemini que já existem hoje: AI Studio, Gemini API e Gemini CLI

Só que ainda não existe confirmação oficial de que esses recursos funcionam com o Argon, beleza? Então o caminho é configurar tudo agora e validar com o Argon quando o acesso abrir 🙂

Por que modelos de horizonte longo como o Argon exigem trilha de auditoria

O próprio Google dá a pista

Internamente, agentes Argon fazem migrações de C/C++ para Rust, desde bibliotecas como re2 e libgav1 até mais de 800 mil linhas no kernel Zircon do Fuchsia

E se liga nisso: essas reescritas passam por auditoria automatizada e manual, testes em emulação e revisão antes de ir pra produção

Ou seja, nem quem criou o modelo confia no resultado sem conferir haha

No lado da segurança, o Argon tem monitores da cadeia de raciocínio (chain-of-thought) e das ações, que interrompem a execução quando o modelo sai da intenção do usuário

Só que esses monitores são salvaguardas internas do Google, não um log que você consulta depois

Por isso as análises do lançamento apontam quatro requisitos de produção pra modelos de horizonte longo:

• checkpoints
• permissões de ferramenta com escopo
• logs de auditoria (audit logs)
• aprovação humana antes de ações com consequência

E quanto maior a tarefa longa e o arquivo gigante, mais difícil fica reconstruir o que aconteceu de cabeça

Na prática, uma boa trilha precisa responder três perguntas:

1. Decisões: o que o agente escolheu fazer
2. Arquivos tocados: onde ele mexeu
3. Justificativas: por que ele fez daquele jeito

Se você quer começar do zero com a ideia de histórico e rastreio do que uma IA fez por você, este vídeo do canal mostra o conceito na prática:

O que você precisa antes de montar a trilha de auditoria

Nada de PC da Nasa aqui, o que pesa é ter as contas e versões certas:

• Projeto da Gemini API com faturamento ativo: os logs só ficam disponíveis pra projetos com billing ativo, embora não tenham custo
• Acesso ao Google AI Studio: é lá que o logging é ligado e configurado
• Gemini CLI na versão 0.11.0 ou mais nova: a flag --checkpointing foi removida nessa versão e o recurso agora só liga pelo settings.json
• Acesso ao Argon em si: hoje ele não está disponível ao público, só pra defensores de cibersegurança previamente avaliados e testadores de confiança, pelo Fairwind Program do Google

Sobre esse último ponto: o Google participa do processo voluntário de acesso a modelos antes do lançamento do governo dos EUA e só depois libera de forma mais ampla

A liberação ampla está planejada começando por clientes pagantes da API e assinantes do Google AI Ultra, sem data pública de disponibilidade geral

Passo a passo: como registrar decisões, arquivos e justificativas de um agente Gemini

Bora ver na prática? Cada passo cobre uma parte da trilha e já vem com o erro que mais pega gente desprevenida

1. Ligue o logging no AI Studio

No Google AI Studio, vá em Logs and Datasets e abra o painel Settings

Dá pra ativar o logging pra todos os projetos ou só pra projetos específicos, sem mudar uma linha de código (detalhes na documentação de Logs and Datasets)

As chamadas cobertas são:

• GenerateContent
• BatchGenerateContent
• StreamGenerateContent
• chamadas da Interactions API, exceto Managed Agents

O erro comum deste passo: esperar logs num projeto sem faturamento ativo, ou em Managed Agents, que ficam fora da cobertura

2. Defina a retenção e preserve o registro

O máximo padrão de retenção é 55 dias, e você pode configurar 7, 14, 28 ou 55 dias no AI Studio

Porém auditoria às vezes acontece meses depois…

A saída é exportar os logs como dataset, em CSV ou JSONL, porque logs guardados em datasets não têm prazo de retenção

O erro comum deste passo: deixar o log expirar antes da auditoria. Tome cuidado! Se o prazo passou, o registro não volta

3. Capture as justificativas com resumos de pensamento

Que resumo de pensamento? Nos modelos com thinking, a Gemini API pode devolver um resumo do raciocínio junto com a resposta

Você ativa com includeThoughts=true (no SDK Python, include_thoughts=True dentro do ThinkingConfig)

Os resumos aparecem em content.parts, marcados com a flag part.thought, e aí tu separa o que é justificativa do que é resposta:

thinking_config = ThinkingConfig(include_thoughts=True)

for part in content.parts:
    if part.thought:
        justificativas.append(part.text)
    else:
        respostas.append(part.text)

Se liga: o Argon ainda não tem model ID público na Gemini API, e não há confirmação de que ele suporte resumos de pensamento

O erro comum deste passo: tratar o resumo de pensamento como transcrição completa do raciocínio. É um resumo, então vale como justificativa de apoio, não como gravação integral

4. Registre os arquivos tocados com o checkpointing do Gemini CLI

O checkpointing tira um snapshot dos arquivos do projeto antes de cada execução de ferramenta que modifica arquivos

Ele vem desativado por padrão, e liga assim em ~/.gemini/settings.json:

{"general":{"checkpointing":{"enabled":true}}}

O snapshot Git vai pra um repositório sombra, e o histórico da conversa e as chamadas de ferramenta ficam num JSON em ~/.gemini/tmp/<project_hash>/checkpoints

Esse JSON é ouro pra trilha: ele responde "o que foi chamado" e "em que ordem" 🙂

O erro comum deste passo: tentar usar a flag --checkpointing, que foi removida na versão 0.11.0. Agora é só pelo settings.json

5. Consulte e reverta pelos checkpoints

/restore list (ou só /restore) lista os checkpoints com horário e descrição

/restore <id> volta o projeto pra um checkpoint específico

Pra auditoria, a lista com horário já ajuda a montar a linha do tempo do que o agente fez

O erro comum deste passo: achar que o checkpoint fica na nuvem. Os dados ficam na máquina local, então se a máquina some, o histórico vai junto

6. Centralize com telemetria OpenTelemetry

O Gemini CLI aceita telemetria via OpenTelemetry com as opções enabled, target, otlpEndpoint, otlpProtocol, outfile, logPrompts e useCollector

Tu configura por settings.json, variáveis de ambiente ou flags, o que facilita mandar tudo pra um lugar só em vez de depender de cada máquina

A opção que pede mais atenção é logPrompts: ela define se o conteúdo dos prompts entra nos logs (também existe a flag --telemetry-log-prompts)

O erro comum deste passo: gravar prompts com dados sensíveis sem querer. Decida isso de propósito, principalmente em contexto jurídico ou financeiro

Que registro guardar em cada contexto: jurídico, financeiro e segurança

Aqui não tem fórmula mágica nem promessa de conformidade regulatória, beleza? O que dá pra fazer é mapear qual peça da trilha responde a cada necessidade

Jurídico: justificativa que não expira

O foco é o porquê

Resumos de pensamento capturados e exportados como dataset continuam lá quando alguém perguntar, meses depois, por que aquele texto saiu daquele jeito

Financeiro: chamada registrada e humano no circuito

O log de chamadas com retenção definida mostra o que rodou

E a aprovação humana antes de ações com consequência garante que o agente não executa nada caro ou irreversível sozinho

Segurança: arquivo tocado e caminho de volta

Checkpoints dizem onde o agente mexeu, /restore permite desfazer e a telemetria via OTLP tira o registro da máquina local

Somando permissões com escopo, o agente nem chega a tocar no que não devia

No fim é a mesma lógica que o Google aplica nas migrações internas com o Argon: auditoria automatizada E manual antes da produção, uma não substitui a outra

Próximo passo: deixe a trilha pronta antes do Argon chegar

Recapitulando: o Gemini 4 Argon ainda não tem acesso geral nem model ID público na Gemini API

Mas logging, includeThoughts, checkpointing e telemetria já podem ser configurados hoje, nos recursos gerais do ecossistema Gemini

O próximo passo concreto é simples:

• ligar o logging em AI Studio > Logs and Datasets > Settings
• ativar o checkpointing no ~/.gemini/settings.json
• quando o Argon aparecer no catálogo da Gemini API, validar se ele funciona com cada peça da trilha

Assim, no dia em que o acesso abrir, tu já tem as três perguntas respondidas: decisões, arquivos tocados e justificativas 😀

Alguém aí já precisou explicar o que um agente fez numa auditoria? Bora trocar uma ideia

até o próximo post!