A parte mais difícil de construir agentes de IA não é ensiná-los a lembrar. É ensiná-los a esquecer. A minha colega e escritora incrivelmente talentosa @helloiamleonie acaba de publicar o que pode ser a análise mais abrangente da memória de agentes que já vi - e acreditem, todos nós precisávamos disto. Aqui está o desafio central: 𝗟𝗟𝗠𝘀 𝗮𝗿𝗲 𝘀𝘁𝗮𝘁𝗲𝗹𝗲𝘀𝘀. Cada conversa é um novo começo. Eles não se lembram do que você disse há cinco minutos, quanto mais do que disse na semana passada. Então, como fazemos agentes que realmente lembram? 𝗧𝘄𝗼 𝗳𝘂𝗻𝗱𝗮𝗺𝗲𝗻𝘁𝗮𝗹 𝗺𝗲𝗺𝗼𝗿𝘆 𝘁𝘆𝗽𝗲𝘀: • 𝗦𝗵𝗼𝗿𝘁-𝘁𝗲𝗿𝗺 𝗺𝗲𝗺𝗼𝗿𝘆: Informação na janela de contexto do LLM (a conversa atual) • 𝗟𝗼𝗻𝗴-𝘁𝗲𝗿𝗺 𝗺𝗲𝗺𝗼𝗿𝘆: Informação armazenada externamente (conversas passadas, preferências do usuário, fatos aprendidos) Mas aqui é onde as coisas ficam interessantes - e confusas. Diferentes estruturas categorizam a memória de maneira diferente, por exemplo: 𝗖𝗼𝗔𝗟𝗔'𝘀 𝗮𝗽𝗽𝗿𝗼𝗮𝗰𝗵 (inspirado na cognição humana): • Memória de trabalho (conversa atual) • Memória semântica (fatos sobre o usuário) • Memória episódica (experiências e ações passadas) • Memória procedural (instruções e comportamentos) 𝗟𝗲𝘁𝘁𝗮'𝘀 𝗮𝗽𝗽𝗿𝗼𝗮𝗰𝗵 (focado na arquitetura): • Buffer de Mensagens (mensagens recentes) • Memória Central (blocos em contexto geridos ativamente) • Memória de Recordação (histórico de conversas bruto) • Memória Arquivada (conhecimento armazenado explicitamente) 𝗧𝗵𝗲 𝗵𝗮𝗿𝗱𝗲𝘀𝘁 𝗽𝗮𝗿𝘁? 𝗙𝗼𝗿𝗴𝗲𝘁𝗶𝗻𝗴. Gerir o que vai para a memória é super complexo. Gerir o que é 𝘥𝘦𝘭𝘦𝘵𝘦𝘥 é ainda mais difícil. Como você automatiza a decisão sobre o que é obsoleto? Quando é que a informação antiga é genuinamente desatualizada em comparação com o que ainda é contextualmente relevante? É aqui que a maioria das implementações enfrenta dificuldades. Leonie cobre tudo, desde os diferentes tipos de memória (trabalho, semântica, episódica, procedural) até estratégias práticas de implementação e o crescente ecossistema de estruturas de memória como mem0, Letta e zep....