Quando um agente de IA só precisa operar dentro de um único contexto, tudo o que ele precisa está disponível. Mas quando a informação precisa persistir entre interações separadas, o problema muda: o agente precisa de memória para manter continuidade, evitar perguntas repetidas e filtrar contexto irrelevante. Construída bem, a memória dá continuidade entre sessões; construída mal, cria falhas persistentes e difíceis de rastrear.
O que é memória de agente (de verdade)
Memória de agente é a informação que um agente escreve em armazenamento externo durante a execução e recupera em chamadas posteriores. Ela difere de prompts de sistema, histórico de conversa e bases de conhecimento estáticas. Em sistemas agênticos, a memória se divide em quatro tipos:
- Episódica — o que aconteceu (interações passadas, decisões tomadas).
- Semântica — o que se sabe (fatos, preferências, conhecimento de domínio).
- Procedural — como fazer (padrões de ação e workflows aprendidos).
- De trabalho — estado ativo da tarefa (resultados intermediários).
Cada camada recupera de forma diferente e falha de forma diferente — por isso colapsar tudo em um único armazenamento causa problemas.
Estratégias que funcionam
Pontuar memória por importância
Armazenar tudo aumenta custo e ruído; não armazenar nada força o agente a recomeçar a cada sessão. A solução é memória hierárquica com pontuação de importância: antes de salvar, o agente avalia se a informação é temporária ou durável e a grava com timestamp e grau de confiança.
Escopar memória por papel do agente
Em sistemas multiagente, dar a todos acesso ao mesmo armazenamento compartilhado é um erro comum. A correção é memória escopada por papel, com um esquema bem definido de leitura e escrita para cada agente.
Escrever de volta após cada passo
Escrever memória apenas quando a tarefa termina com sucesso é um erro. O correto é escrever na memória de trabalho após cada passo, promovendo apenas os passos concluídos à memória episódica.
Recuperar a cada ponto de decisão
Recuperar memória só no início da tarefa quebra em tarefas longas. O melhor é recuperar a cada ponto de decisão, checando primeiro a memória de trabalho (barata e rápida).
Rastrear proveniência em toda escrita
Cada entrada deve carregar metadados sobre o que a gerou (agente, ferramenta, input) e um nível de confiança. Sem isso, é impossível saber se um erro vem do contexto atual ou de algo escrito numa sessão anterior.
Arquiteturas que não funcionam
Guardar tudo em um vector database
Similaridade semântica nem sempre significa relevância. Chunking ruim pode dividir informações relacionadas, e embeddings ficam desatualizados quando os fatos mudam.
Resumir contexto como “compressão de memória”
Resumo descarta detalhes — e o detalhe descartado costuma ser uma restrição ou um número que importa depois. Pior: se o agente alucinou um fato numa sessão anterior e ele entrou no resumo, vira memória de alta confiança que se compõe entre sessões. A correção é extrair fatos estruturados com schema tipado, em vez de paráfrases livres.
Deixar a memória crescer sem manutenção
Memória sem manutenção é dívida técnica. Rotinas essenciais: decaimento de confiança, deduplicação, compressão episódica e TTL.
Confiar igualmente em toda memória escrita
Envenenamento de memória é um risco real: conteúdo externo com instruções ocultas pode ser armazenado e seguido depois. Ataques como o MemoryGraft mostram que poucas entradas envenenadas podem dominar os resultados de busca por similaridade. A defesa é filtrar por nível de confiança e higienizar conteúdo de fontes de baixa confiança antes de gravar.
Resumo
Memória de agente parece simples, mas a complexidade cresce com o tempo. A chave é armazenamento em camadas, escritas estruturadas, recuperação contínua e regras claras de confiança e proveniência — separando memória de trabalho, episódica, semântica e procedural, cada uma com seu próprio namespace e estratégia de recuperação.
Descubra mais sobre noticiAI
Assine para receber nossas notícias mais recentes por e-mail.
