A memória de agentes costuma ser vendida como vantagem pura: o agente anota o que aprendeu e se sai melhor da próxima vez. Um preprint do KAIST e da DeepAuto.ai põe um número no lado negativo. Quando os autores analisaram tarefas que um agente resolvia com segurança sem memória, mas errava com ela, 52% dessas falhas vinham de uma lição armazenada que o agente seguiu, quase sempre uma errada.
A causa é simples. Uma execução anterior recebe apenas o rótulo de sucesso ou fracasso, então quem escreve a lição precisa adivinhar qual entre muitas ações fez diferença. O WikiTrace guarda as provas. Cada lição é uma ideia curta ligada a um diagnóstico de por que a execução deu certo ou errado e, dali, à trajetória bruta. O agente lê todas as ideias no início da tarefa e, quando falta detalhe a uma delas, quando ela contradiz outra ou quando vem de uma execução que falhou, segue os links com ferramentas comuns de terminal antes de agir.
Testado em oito conjuntos de cinco benchmarks, de mundos de texto domésticos e científicos ao AppWorld e a um teste de atendimento ao cliente no varejo, o WikiTrace teve o melhor resultado em todos. Superou o agente sem memória em 10,7 pontos em média e uma versão com as mesmas ideias, mas sem links, em 3,2 pontos. A parcela de tarefas antes resolvidas que a memória estragava caiu de 6,5% para 4,5%. Na fase de teste, custou 1,17 vez mais por tarefa do que as ideias sozinhas. Um segundo modelo base, o GLM-5.3-flash, mostrou o mesmo padrão em três conjuntos.
Para quem roda agentes com Mem0, Letta ou claude-mem, a ideia útil está tanto na forma de medir quanto no método. Os autores separam os resultados em ganho, as tarefas que a memória conserta, e regressão, as que ela quebra, porque uma média esconde a segunda. Os números mostram que os métodos de memória existentes quebram tarefas num ritmo próximo ou superior ao de simplesmente rodar o agente de novo sem memória.
As ressalvas são dos próprios autores. Um link permite ao agente conferir uma lição, mas não prova que ela está certa, e um diagnóstico tirado de um rótulo de sucesso ou fracasso ainda pode estar errado. Todas as ideias vão na primeira mensagem, então o prompt cresce junto com a memória, e encontrar as lições certas num acervo grande demais para carregar inteiro fica em aberto. As causas da degradação foram rotuladas por um juiz LLM que lia o raciocínio do agente. É um preprint, ainda sem revisão por pares.