Agentes de IA atuais são essencialmente sem estado: cada sessão começa do zero, conversas longas exigem releitura de todo o histórico e novas informações ou se perdem em fragmentos ruidosos ou são comprimidas em resumos vagos. Para tarefas de longo prazo — como um copiloto que acompanha um projeto por meses ou um agente de pesquisa que acumula conhecimento — essa falta de um sistema de memória consistente tornou-se o principal gargalo.
Pesquisadores da Microsoft Research propõem o Memora, um framework de memória agentiva que separa o que é armazenado (conteúdo rico) de como é recuperado (abstrações leves e âncoras contextuais). O resultado é um sistema que escala: consolida informações relacionadas em unidades estáveis, preserva detalhes finos quando necessário e reduz drasticamente o consumo de tokens.
O problema: a tensão entre abstração e especificidade
Sistemas de memória existentes caem em dois extremos. Abordagens de fragmentação de conteúdo (como RAG e Mem0) preservam detalhes, mas produzem entradas isoladas e perdem coerência narrativa. Sistemas de abstração grosseira comprimem experiências em resumos compactos, mas perdem restrições, exceções e números que tornam a memória útil. Sistemas baseados em grafos adicionam estrutura, mas exigem ontologias rígidas que não generalizam entre domínios. Nenhum resolve a tensão fundamental entre eficiência (abstração) e utilidade (especificidade).
Como o Memora funciona
O Memora organiza cada entrada de memória em dois componentes:
- Abstração primária: uma frase curta (6–8 palavras) que captura a essência da memória. Apenas essa abstração é usada para busca por similaridade.
- Valor da memória: o conteúdo rico propriamente dito, nunca recuperado diretamente por seu conteúdo.
Complementando as abstrações primárias, cue anchors são tags curtas e sensíveis ao contexto extraídas do valor da memória, fornecendo caminhos alternativos de acesso. Por exemplo, se um usuário diz: “Dave e Sarah concordaram em adiar o protótipo para 1º de abril, o piloto para 2 de maio e o MVP para 30 de maio”, a abstração primária pode ser “Cronograma do Projeto Orion atualizado por Dave e Sarah”, enquanto cue anchors incluem “Dave atualização Projeto Orion”, “cronograma protótipo Orion”, “prazos piloto Orion”. Uma consulta posterior sobre contribuições recentes de Dave, ou sobre o cronograma do protótipo, pode rotear para a mesma memória por diferentes caminhos, sem necessidade de ontologia.
Além disso, o Memora introduz um recuperador orientado por políticas que trata o acesso à memória como um processo de raciocínio ativo. Em vez de retornar os top-k itens mais similares em uma única etapa, ele refina iterativamente a consulta, expande por cue anchors e decide quando parar. Isso permite navegar por dependências multi-hop que a busca semântica pura perderia.
Resultados: estado da arte com economia drástica de tokens
O Memora foi avaliado em dois benchmarks de contexto longo: LoCoMo (média de 600 turnos de diálogo) e LongMemEval (115 mil tokens de contexto). Ele alcançou:
- 86,3% de precisão (juiz LLM) no LoCoMo
- 87,4% no LongMemEval
Superando RAG, Mem0, Nemori, Zep, LangMem e até mesmo inferência com contexto completo. A maior vantagem ocorre em raciocínio multi-hop, onde a capacidade de percorrer cue anchors se destaca.
Em eficiência, o Memora armazena cerca de metade das entradas de memória por conversa em comparação com o Mem0 (344 vs. 651) e reduz o consumo de tokens em até 98% em relação à inferência com contexto completo.
Limitações e direções futuras
O Memora representa um avanço, mas os próprios pesquisadores apontam limitações e próximos passos:
- MemLoop: investiga como sistemas de memória podem aprender com falhas de recuperação e tarefas, atribuindo erros a estágios específicos do pipeline.
- Deferred Memory: explora quando a construção da memória deve ser adiada até que haja contexto ou utilidade futura suficiente.
- Group Memory: examina como o conhecimento pode ser compartilhado entre equipes e agentes, preservando proveniência, limites de acesso e contexto sensível.
O código do Memora está disponível em github.com/microsoft/Memora, e o artigo foi aceito no ICML 2026.
O Memora ataca diretamente o gargalo que impede agentes de IA de atuarem em horizontes longos. Ao equilibrar abstração e especificidade, ele permite que assistentes mantenham contexto coerente por meses, acumulem conhecimento organizacional e colaborem de forma sustentada com usuários. Para empresas que desenvolvem copilotos, agentes autônomos ou sistemas de suporte a decisão de longo prazo, essa abordagem pode significar a diferença entre um assistente que esquece tudo após algumas interações e um que realmente aprende e evolui com o tempo.
Descubra mais sobre noticiAI
Assine para receber nossas notícias mais recentes por e-mail.
