Arquitetura de agentes

Memória Cognitiva e Dreaming: A Arquitetura de Long-Term Memory em Agentes

Como projetar sistemas de agentes que não apenas lembram do contexto imediato, mas consolidam aprendizados de forma assíncrona.

Gabriel M. e time de engenharia · 12 de Maio, 2026

Um dos maiores limitadores dos agentes de IA atuais é a volatilidade da sua memória. Quando a sessão de chat termina ou a janela de contexto do modelo é preenchida, o agente esquece tudo o que aprendeu sobre as preferências do usuário, padrões de erros anteriores e atalhos operacionais.

Para construir agentes que realmente atuem como membros de equipe de longo prazo, precisamos implementar uma Arquitetura de Memória Cognitiva em Três Camadas, inspirada no funcionamento do cérebro humano.

Arquitetura de Memória Cognitiva em 3 Camadas

1. Memória Sensorial (Short-Term / Context Window):

O histórico imediato da conversa atual. Rápido, volátil, limitado pelo tamanho do contexto do modelo (ex: 128k tokens).

2. Memória de Trabalho (Working Memory / Episodic):

Armazenamento temporário de tarefas em andamento e sub-objetivos ativos. Mantido em bancos de dados de chave-valor rápidos (Redis).

3. Memória de Longo Prazo (Long-Term / Semantic & Associative):

Conhecimento consolidado sobre o usuário, regras de negócio e aprendizados históricos. Armazenado em Grafos de Conhecimento e Bancos Vetoriais permanentes.

O Processo de 'Dreaming' (Consolidação Assíncrona)

A consolidação de memória de longo prazo não pode ocorrer de forma síncrona durante a interação com o usuário, pois geraria latência inaceitável. Em vez disso, implementamos um processo assíncrono em background que chamamos de Dreaming (Sonho).

Durante períodos de inatividade (geralmente de madrugada), um job em background analisa todos os logs de interações do dia anterior. O sistema executa três tarefas críticas:

  • Sumarização e Abstração: Transforma conversas longas em fatos atômicos e aprendizados conceituais (ex: “O usuário prefere relatórios financeiros consolidados em formato de tabela e prioriza métricas de EBITDA”).
  • Indexação e Associação: Conecta esses novos fatos ao Grafo de Conhecimento existente, criando novas arestas e atualizando pesos de relevância.
  • Pruning (Poda): Remove ruídos, saudações e informações irrelevantes para otimizar o espaço de armazenamento e reduzir custos de busca futuros.