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. Este é um daqueles posts que você vai querer marcar e voltar a ele enquanto constrói seus sistemas de agentes. Post do blog da Leonie:

Todos estão a falar sobre IA agentiva, mas estamos todos a falar da mesma coisa? Notei que as pessoas usam "arquiteturas agentivas" e "fluxos de trabalho agentivos" de forma intercambiável. Mas na verdade, são conceitos bastante diferentes que trabalham juntos. Aqui está a distinção: 𝗙𝗹𝘂𝘀𝗼𝘀 𝗱𝗲 𝘁𝗿𝗮𝗯𝗮𝗹𝗵𝗼 𝗮𝗴𝗲𝗻𝘁𝗶𝘃𝗼𝘀 = A série de passos que um agente toma para alcançar um objetivo Pense nisso como o "o quê" - o processo real Esses passos podem incluir: • Usar LLMs para criar um plano • Dividir tarefas em subtarefas • Usar ferramentas como pesquisa na internet • Refletir sobre os resultados e ajustar o plano 𝗔𝗿𝗾𝘂𝗶𝘁𝗲𝘁𝘂𝗿𝗮𝘀 𝗮𝗴𝗲𝗻𝘁𝗶𝘃𝗮𝘀 = A estrutura técnica e o design do sistema Pense nisso como o "como" - a estrutura subjacente Essas sempre contêm: • Pelo menos um agente com capacidades de tomada de decisão • Ferramentas que o agente pode usar • Sistemas para memória de curto e longo prazo Por que isso é importante? Porque o mesmo fluxo de trabalho pode ser implementado usando diferentes arquiteturas. É como ter várias maneiras de construir a mesma receita - os passos permanecem semelhantes, mas a configuração da cozinha varia. Por exemplo, um fluxo de trabalho RAG agentivo (dividindo consultas, recuperando informações, avaliando relevância) poderia ser construído com uma arquitetura de roteador de agente único ou um sistema multi-agente. Mesmo fluxo de trabalho, arquitetura diferente. Compreender essa distinção ajuda você a: • Projetar sistemas mais flexíveis • Escolher a arquitetura certa para o seu fluxo de trabalho específico • Comunicar-se mais claramente sobre o que você está realmente construindo Quais fluxos de trabalho agentivos você está mais animado para implementar? Recursos: 📌 Ebook gratuito sobre Arquiteturas Agentivas: 📌 Postagem no blog sobre Fluxos de Trabalho Agentivos: