A parte mais difícil de construir agentes de IA não é ensiná-los a lembrar. É ensiná-los a esquecer. Meu colega e escritor incrivelmente talentoso @helloiamleonie acabou de publicar o que talvez seja a análise mais completa da memória de agentes que já vi – e acredite, todos nós precisávamos disso. Aqui está o desafio principal: LLMs são apátridas. Cada conversa é um recomeço. Eles não lembram do que você disse cinco minutos atrás, muito menos do que você disse semana passada. Então, como criamos agentes que realmente se lembrem? Dois tipos fundamentais de memória: • Memória de curto prazo: Informação na janela de contexto do LLM (a conversa atual) • Memória de longo prazo: Informação armazenada externamente (conversas passadas, preferências do usuário, fatos aprendidos) Mas é aqui que fica interessante – e confuso. Diferentes frameworks categorizam a memória de forma diferente, por exemplo: Abordagem do CoALA (inspirada 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) Abordagem da Letta (focada em arquitetura): • Buffer de Mensagens (mensagens recentes) • Memória Núcleo (blocos em contexto gerenciados ativamente) • Memória de Recordação (histórico bruto de conversa) • Memória Arquivística (conhecimento armazenado explicitamente) A parte mais difícil? Esquecendo. Gerenciar o que entra na memória é super complexo. Gerenciar o que é deletado é ainda mais difícil. Como você automatiza a decisão do que está obsoleto? Quando as informações antigas são realmente desatualizadas versus ainda relevantes no contexto? É aí que a maioria das implementações tem dificuldades. Leonie cobre desde os diferentes tipos de memória (trabalho, semântica, episódica, procedural) até estratégias práticas de implementação e o crescente ecossistema de frameworks de memória como mem0, Letta e zep. Este é um daqueles posts que você vai querer marcar nos favoritos e retornar enquanto constrói seus sistemas de agentes. Post no blog da Leonie:

Todo mundo está falando sobre IA agente, mas estamos todos falando sobre a mesma coisa? Tenho notado pessoas usando "arquiteturas agenciais" e "fluxos de trabalho agenciais" de forma intercambiável. Mas, na verdade, são conceitos bem diferentes que funcionam juntos. Aqui está a distinção: Fluxos de trabalho agenciais = A série de etapas que um agente executa para atingir uma meta Pense nisso como o "o quê" - o processo real Essas etapas podem incluir: • Usando LLMs para criar um plano • Dividir tarefas em subtarefas • Usar ferramentas como pesquisa na Internet • Refletir sobre os resultados e ajustar o plano Arquiteturas agenciais = A estrutura técnica e o design do sistema Pense nisso como o "como" - a estrutura subjacente Estes sempre contêm: • Pelo menos um agente com capacidade de tomada de decisão • Ferramentas que o agente pode usar • Sistemas para memória de curto e longo prazo Por que isso importa? Porque o mesmo fluxo de trabalho pode ser implementado usando arquiteturas diferentes. É como ter várias maneiras de construir a mesma receita - as etapas permanecem semelhantes, mas a configuração da cozinha varia. Por exemplo, um fluxo de trabalho RAG agencial (dividindo consultas, recuperando informações, avaliando a relevância) pode ser construído com uma arquitetura de roteador de agente único ou um sistema multiagente. Mesmo fluxo de trabalho, arquitetura diferente. Compreender essa distinção ajuda você a: • Projetar sistemas mais flexíveis • Escolha a arquitetura certa para seu fluxo de trabalho específico • Comunique-se com mais clareza sobre o que você está realmente construindo Quais fluxos de trabalho agenciais você está mais animado para implementar? Recursos: 📌 Ebook gratuito da Agentic Architectures: 📌 Postagem no blog Agentic Workflows: