Memória de Agentes

Por que memória importa

Um modelo de linguagem, sozinho, não lembra de nada. Cada chamada à API é independente: se você perguntou seu nome numa mensagem e pede para repeti-lo na seguinte, o modelo só acerta porque o texto anterior foi reenviado junto. Tire esse histórico e ele “esquece”.

Um agente precisa de mais do que isso. Ele executa tarefas em vários passos, consulta ferramentas, às vezes volta a falar com o mesmo usuário dias depois. Sem um jeito de guardar e recuperar informação, cada execução começa do zero: o agente repete perguntas que já foram respondidas, refaz buscas que já tinha feito e não aprende com o que deu errado antes.

Memória é um dos pilares de um agente, ao lado do raciocínio (visto em Paradigma ReAct) e do uso de ferramentas. Ela costuma ser dividida em dois grandes grupos pelo tempo que a informação sobrevive: curto prazo e longo prazo.

flowchart TD
    A[Memória do agente] --> B[Curto prazo<br/>dura a sessão atual]
    A --> C[Longo prazo<br/>persiste entre sessões]
    C --> D[Episódica<br/>o que aconteceu]
    C --> E[Semântica<br/>o que o agente sabe]
    C --> F[Procedural<br/>como fazer]

Memória de curto prazo

É o contexto imediato da tarefa que está rodando agora. Entra aqui o histórico da conversa atual, os pensamentos e observações do ciclo ReAct, as saídas das ferramentas que o agente chamou e o estado do que ele está tentando fazer.

Na prática, essa memória é a própria janela de contexto do modelo: tudo que cabe no prompt daquela chamada. É rápida de acessar, porque já está ali na frente do modelo, mas tem um teto. Cada modelo aceita um número máximo de tokens (dezenas ou centenas de milhares), e quando a conversa cresce demais alguma coisa precisa sair. Ver Tokens para entender esse limite.

Quando a sessão termina, a memória de curto prazo some. Se o agente for acionado de novo mais tarde, ele não tem como saber o que aconteceu antes, a menos que aquilo tenha sido salvo em algum lugar mais permanente.

Memória de longo prazo

É o conhecimento que continua disponível depois que a sessão acaba. Fica guardado fora do modelo, em algum tipo de armazenamento externo, e o agente busca de lá o que for relevante antes de agir.

A literatura sobre agentes costuma separar a memória de longo prazo em três tipos, emprestando nomes da psicologia cognitiva. Eles não são pastas fechadas, um sistema real mistura os três, mas a divisão ajuda a decidir o que guardar e como.

Memória episódica

Guarda o que aconteceu: interações passadas, decisões que o agente tomou e o resultado delas. É o “diário” do agente.

Um agente de suporte com memória episódica lembra que o cliente X abriu um chamado sobre cobrança na semana passada e como aquilo foi resolvido. Um agente de código lembra que já tentou uma abordagem para aquele bug e ela não funcionou, então tenta outra.

Memória semântica

Guarda fatos estáveis, principalmente sobre o usuário: preferências, restrições, dados que valem em qualquer conversa. Não está preso a um evento específico.

“O usuário mora em Fortaleza”, “prefere respostas curtas”, “trabalha com backend em Node”. São coisas que o agente pode assumir como verdade da próxima vez, sem perguntar de novo.

Memória procedural

Guarda como executar tarefas: rotinas e sequências de passos que o agente repete com frequência. Em vez de raciocinar do zero toda vez, ele aplica um procedimento que já deu certo.

Pense num agente que gera relatórios semanais. A primeira vez ele descobre o passo a passo (buscar dados, agregar, formatar, enviar). Com memória procedural, ele salva esse fluxo e nas próximas semanas só executa.

Onde a memória de longo prazo fica guardada

Memória de longo prazo é, no fim das contas, um banco de dados que o agente consulta. As opções mais comuns:

• Vector stores (como Chroma, Pinecone, pgvector): guardam trechos de texto junto com seus embeddings e permitem buscar por similaridade de significado, não por palavra exata. É o formato mais usado para memória episódica.
• Bancos de grafo: guardam entidades (pessoas, lugares, projetos) e as relações entre elas. Servem bem quando o agente precisa conectar informações espalhadas, “quem é o gerente do projeto que o cliente X mencionou”.
• Tabelas e perfis de usuário: um registro estruturado simples, chave e valor, para a memória semântica mais direta (preferências, configurações).
• Resumos persistidos: em vez de guardar a conversa inteira, o agente salva um resumo dela e recupera esse resumo na próxima sessão.

Existem bibliotecas que empacotam tudo isso, como o Mem0, que combina vetores, grafo e chave-valor num serviço só de memória.

Memória e RAG

Se você leu Context Engineering e RAG, a mecânica aqui é a mesma: buscar informação relevante numa base externa e injetar no prompt antes de gerar a resposta. Memória de longo prazo é, em boa parte, RAG apontado para o histórico do próprio agente em vez de uma base de documentos.

A diferença está no que cada uma resolve. RAG “clássico” traz conhecimento de fora (documentação, artigos, base de produtos). Memória traz o que o próprio agente viveu e aprendeu. Um agente completo usa os dois: RAG para saber sobre o mundo, memória para saber sobre o usuário e sobre si mesmo.

O que faz funcionar

• Decidir o que guardar. Salvar cada mensagem vira lixo acumulado que atrapalha a busca. Um bom sistema filtra: guarda fatos e decisões, descarta conversa fiada.
• Resumir em vez de empilhar. Conforme o histórico cresce, condensar blocos antigos num resumo mantém a informação sem estourar o contexto.
• Recuperar só o relevante. Trazer memória demais para o prompt tem o mesmo efeito de trazer de menos: o modelo se perde. A busca precisa ser específica para a tarefa atual.
• Cuidar da memória errada. Uma preferência que mudou, um fato que ficou desatualizado, uma decisão registrada com o contexto errado. Memória incorreta faz o agente errar com confiança, o que é pior do que ele admitir que não sabe. Vale ter como revisar e apagar entradas.

Referências

• Memória para Agentes de IA (lição 13) - Microsoft, pt-PT
• Como Funciona a Memória de Agentes de IA (e Como Testá-la via API) - Lucas Ferreira, pt-BR
• Types of AI Agent Memory: Episodic, Semantic, Procedural and More - Atlan, en
• LLM Powered Autonomous Agents - Lilian Weng, en