Memória de agente
Memória de agente é o conjunto de técnicas que permitem a um agente de IA guardar informações além de uma única janela de contexto, como fatos sobre um usuário ou trabalhos anteriores, armazenando-as fora do modelo e carregando-as de volta quando necessário.
Também chamado: long-term memory, memory layer
Por Divya Sharma · Verificado em 15 de nov. de 2026 · Como analisamos
Um modelo de linguagem não tem memória entre chamadas. Tudo o que ele sabe sobre a tarefa atual precisa estar na sua janela de contexto, e essa janela é limitada. A memória de agente contorna isso salvando informações em outro lugar.
Tipos de memória
- A memória de curto prazo é a conversa e os resultados de ferramentas da sessão atual. - A memória de longo prazo sobrevive entre sessões: preferências do usuário, fatos aprendidos, resumos de trabalhos anteriores.
O LangGraph, por exemplo, separa o estado de curto prazo de uma thread da memória de longo prazo entre sessões.
Como funciona
O agente, ou o código ao redor dele, decide o que anotar: uma nota em um arquivo, uma linha em um banco de dados ou um embedding em um banco de dados vetorial. Depois, as memórias relevantes são recuperadas e colocadas de volta no prompt, de forma muito parecida com a geração aumentada por recuperação. O artigo do MemGPT descreveu isso como um sistema operacional que move dados entre memória rápida e lenta, com o modelo gerenciando suas próprias camadas de memória.
Exemplo
Um agente de programação escreve um arquivo de notas do projeto no fim de cada sessão e o lê no início da seguinte, para não reaprender os comandos de build toda vez.
Limites
A memória pode ficar desatualizada ou se contradizer, e texto armazenado de fontes não confiáveis pode levar instruções para sessões futuras. Ferramentas como Mem0 e Letta oferecem camadas de memória gerenciadas; o guia de memória de agentes as compara.
Termos relacionados
- Context engineering
- Context engineering (engenharia de contexto) é a prática de escolher e manter tudo o que entra na janela de contexto de um modelo de linguagem durante uma tarefa: instruções, documentos recuperados, definições de ferramentas, resultados de ferramentas e histórico da conversa.
- Banco de dados vetorial
- Um banco de dados vetorial (vector database) armazena embeddings junto com seus registros de origem e encontra os vetores guardados mais próximos de um vetor de consulta, geralmente com um índice aproximado para que a busca continue rápida em milhões de itens.
- Janela de contexto
- Uma janela de contexto (context window) é a quantidade máxima de texto, contada em tokens, que um modelo de linguagem consegue considerar de uma vez, incluindo o prompt de sistema, a conversa, os documentos, os resultados de ferramentas e a resposta que ele escreve.
- Compactação de contexto
- Compactação de contexto (context compaction) é a etapa em que um agente resume uma conversa que está chegando ao limite da janela de contexto e continua em uma janela nova que começa a partir desse resumo, para que uma tarefa longa possa seguir.
- Retrieval-augmented generation
- Retrieval-augmented generation (RAG, geração aumentada por recuperação) é um padrão em que um sistema primeiro busca em uma coleção de documentos os trechos relevantes para uma pergunta e depois entrega esses trechos a um modelo de linguagem para que a resposta se baseie neles.