---
title: "Memória para agentes de IA: camadas, dreaming e avaliações que não enganam"
description: "A Anthropic mostrou como organizar a memória de agentes em camadas e reorganizá-la em segundo plano. Explicamos a ideia, os números e como avaliar uma mudança dessas sem se enganar."
date: "2026-11-18"
lang: "pt-BR"
canonical: "https://www.meyje.com.br/pt/blog/memoria-de-agentes-e-avaliacoes"
---
Um agente de IA que conversa com o mesmo cliente todo dia deveria melhorar com o tempo. Na prática, cada sessão começa do zero, e a saída mais comum é empurrar tudo para o contexto, o que funciona por algumas semanas e depois piora.

Neste post explicamos a memória em camadas que a Anthropic descreveu em 6 de novembro de 2026, o processo que ela chama de *dreaming* ("sonhar") e o que os testes mostram. Depois, com base num texto da Anthropic de 13 de novembro, mostramos como avaliar uma mudança dessas sem se enganar.

## Por que jogar tudo no contexto não escala

Para a Anthropic, memória de agente é o conhecimento que o modelo ganha com a experiência e guarda de uma sessão para outra. Carregar tudo isso em toda sessão parece seguro, mas tem três problemas:

- **Custo.** Tudo o que entra no contexto é pago em tokens e disputa espaço com a tarefa.
- **Aderência.** Segundo o texto, arquivos de instrução mais longos são seguidos com menos fidelidade.
- **Erro repetido.** Uma nota errada que entra em toda sessão contamina todas elas.

Num teste com Pokémon Red, o Sonnet 3.7 escreveu 413 arquivos de memória em 225 pastas e conquistou uma insígnia. O Fable 5, com nove arquivos em duas pastas e um arquivo geral, conquistou quatro. Mais não é melhor.

## Memória em quatro camadas

A proposta é uma pilha, da camada mais bruta à mais destilada:

1. **Transcrições.** O registro completo das sessões, consultado por busca.
2. **Notas.** Observações que o próprio modelo escreve, como uma preferência do cliente.
3. **Representações.** Estruturas montadas a partir de notas e logs, como um wiki com páginas ligadas entre si.
4. **Contexto sempre carregado.** O pouco que entra em toda sessão, e que precisa continuar pequeno.

O Claude Code segue essa lógica: no início de cada conversa, a memória automática carrega só as primeiras 200 linhas ou os primeiros 25 KB do `MEMORY.md`, o que vier primeiro. O arquivo serve de índice, e os detalhes ficam em arquivos por assunto, abertos quando necessário.

Um exemplo genérico, para um agente de atendimento:

```text
memoria/
├── INDICE.md               # sempre carregado: curto, uma linha por assunto
├── notas/
│   ├── preferencias.md     # "prefere respostas curtas, sem jargão"
│   └── correcoes.md        # erros já cometidos e como foram corrigidos
├── wiki/
│   ├── produtos.md
│   └── processos.md        # páginas ligadas entre si
└── transcricoes/           # histórico completo, só para busca
    └── 2026-11-14.jsonl
```

A regra prática: no índice entra só o que o agente usa em quase toda conversa, mais o caminho para o resto.

## O que é o dreaming

A Anthropic se inspira no cérebro: o hipocampo registra experiências rapidamente e, no descanso, repassa essas memórias para consolidá-las no neocórtex. No agente, o *dreaming* é essa consolidação: o modelo reflete sobre os logs para corrigir erros e produzir notas e representações novas. Ele confere notas contra a transcrição, amplia um wiki, promove uma nota para o topo ou leva detalhes para baixo, deixando só um link.

Levar esse trabalho para segundo plano evita que anotar no calor do momento desvie a atenção do modelo. A contrapartida é que o resultado pode não estar disponível na hora.

No Pokémon, o modelo anotou por engano que o Centro Pokémon ficava no lado leste e, seguindo a nota, voltou para um trecho anterior do jogo. No dreaming, comparou a nota com a transcrição e corrigiu o erro. Com a nota corrigida, chegou a Cerulean City. Com a nota errada, ou sem memória, não chegou.

## O que os números mostram

Os números são da Anthropic, em testes feitos por ela:

- **CL-Bench.** Num teste de aprendizado contínuo (*Continual Learning Bench*) com consultas a um banco de dados, o Opus 5.5 foi de 0,655 de recompensa média sem memória para 0,838 com memória.
- **Regras rígidas atrapalham.** Com a regra "registre só as falhas", o Opus 5 e o Opus 4.7 perderam boa parte do ganho. Para modelos mais fortes, deixar o modelo julgar o que guardar funcionou melhor: diga para que a memória serve, não como usá-la.
- **Base grande de documentos.** Numa base de cerca de 350 mil arquivos (uns 420 milhões de tokens), agentes Opus 5 passaram 128 sessões montando um wiki com dreaming. Usando só o wiki, o acerto em 25 perguntas subiu de 13% para 48% dos critérios avaliados. Com wiki e busca, chegou a 61%, contra 53% só com busca, e economizou cerca de 20 mil tokens por pergunta.

Há limites: o dreaming consome computação, wikis precisam de manutenção e nem sempre ajudam, e a busca nas transcrições pode ser a base de tudo.

## Como avaliar uma mudança dessas sem se enganar

O teste da base de documentos usou 25 perguntas: é um bom sinal, não uma garantia para o seu agente. Para saber, é preciso medir.

O texto de 13 de novembro trata de avaliações (*evals*, testes que medem o comportamento de um modelo) de segurança. Na nossa leitura, vários conselhos valem para qualquer mudança em agente:

1. **Decida a análise antes.** É o pré-registro: anotar a métrica principal, as comparações, os recortes e o limite que conta como melhora ou piora antes de ver os resultados.
2. **Use amostra suficiente.** A Anthropic trata 100 itens como o mínimo para uma avaliação complexa, de várias rodadas de conversa, e 1.000 para uma simples, de uma rodada. Rode cada caso várias vezes e mostre a variação.
3. **Compare em pares.** Rode as duas versões nos mesmos itens e calcule o intervalo de confiança da diferença item a item.
4. **Calibre o avaliador.** Se um modelo dá as notas, especialistas rotulam uma amostra sem ver o veredito dele. A concordância deve descontar o acaso, com estatísticas como o kappa de Cohen, e chegar perto da que os especialistas têm entre si.
5. **Mostre a incerteza em todo número.** Em avaliações de várias rodadas, o intervalo de confiança pode passar de 10 pontos percentuais para cada lado. No texto, 98% contra 94% entre dois modelos não foi uma diferença estatisticamente significativa.
6. **Mude uma coisa de cada vez.** No Fable 5.1, a taxa de respostas adequadas variou até 34 pontos percentuais entre a API e o claude.ai, porque o claude.ai aplica um prompt de sistema.

Para memória, o roteiro é este: tarefas fixas parecidas com as reais, métrica e ganho mínimo decididos antes, versões com e sem memória rodando nos mesmos itens com o resto igual, e ganho aceito só se o intervalo de confiança da diferença ficar todo acima de zero.

## O que isso muda para quem constrói agentes

Na MEYJE construímos agentes de IA para clientes, como o assistente financeiro do RuralZap no WhatsApp. Três lições entram no nosso jeito de projetar:

1. **Memória pequena e curada.** O que entra em toda conversa cabe num índice curto. O resto fica em notas e páginas, e o histórico completo, na busca.
2. **Diga para que serve, não como fazer.** Explique o objetivo, deixe o modelo julgar o que guardar e reserve uma revisão periódica, fora da conversa, para corrigir e reorganizar.
3. **Medir antes de acreditar.** Sem métrica decidida antes, amostra suficiente, avaliador calibrado e intervalo de confiança, um ganho bonito pode ser só ruído.

Memória boa não é a que guarda mais, e sim a que ajuda o agente a errar menos amanhã. Se você quer colocar um agente de IA para trabalhar com os sistemas da sua empresa, [fale com a gente](/pt#contact).
