Memória para agentes de IA: camadas, dreaming e avaliações que não enganam
Nesta página
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:
- Transcrições. O registro completo das sessões, consultado por busca.
- Notas. Observações que o próprio modelo escreve, como uma preferência do cliente.
- Representações. Estruturas montadas a partir de notas e logs, como um wiki com páginas ligadas entre si.
- 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:
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.jsonlA 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:
- 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.
- 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.
- Compare em pares. Rode as duas versões nos mesmos itens e calcule o intervalo de confiança da diferença item a item.
- 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.
- 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.
- 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:
- 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.
- 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.
- 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.