Long-Term Memory for Agents
Como construir memória útil sem transformar contexto acumulado em ruído.
Como construir memória útil sem transformar contexto acumulado em ruído#
Status: Active Research Categoria: Agentic Systems / Memory Relacionado a: LucyOS
Research Question#
Como um agente pode manter memória de longo prazo de forma útil, contextual e segura sem transformar todo o histórico acumulado em um contexto cada vez maior, mais caro e menos relevante?
Essa pergunta envolve seleção, relevância, tempo, conflito, atualização, esquecimento, identidade, privacidade e recuperação contextual.
O problema real não é “Como armazenar mais informações?”, mas:
Como lembrar melhor?
Why This Matters#
Grande parte das aplicações atuais de IA trata memória como extensão do histórico de conversa:
Conversation
↓
Store Messages
↓
Retrieve Previous Messages
↓
Add to PromptIsso funciona em interações curtas, mas começa a apresentar limitações quando o agente acompanha uma pessoa, empresa ou projeto durante meses ou anos.
Com o tempo surgem milhares de informações. Nem todas continuam relevantes. Algumas ficam desatualizadas, outras se contradizem e muitas pertencem a contextos diferentes.
Simplesmente recuperar mais informação pode diminuir, em vez de aumentar, a qualidade da decisão.
Hypothesis#
Memória útil para agentes precisa funcionar como um sistema de informação com lifecycle próprio, e não como um histórico infinito de mensagens.
Capture
↓
Classify
↓
Consolidate
↓
Retrieve
↓
Update
↓
ForgetO agente não deveria consumir tudo que foi armazenado. Deveria receber apenas aquilo que é relevante para o contexto atual.
Memory Is Not History#
History responde: O que aconteceu?
Memory responde: O que continua importante sobre o que aconteceu?
Uma conversa pode conter cem mensagens, mas talvez apenas duas informações devam permanecer disponíveis meses depois.
Initial Memory Model#
Memory
├── Working
├── Episodic
├── Semantic
├── Personal
└── ProjectWorking Memory#
Contexto temporário da tarefa atual: objetivo, dados intermediários, plano e ferramentas utilizadas.
Episodic Memory#
Acontecimentos com forte componente temporal.
Semantic Memory#
Conhecimento relativamente estável.
Personal Memory#
Preferências e informações duradouras relevantes, com cuidados extras de privacidade e atualização.
Project Memory#
Conhecimento explicitamente associado a um projeto.
Context Isolation#
Sem isolamento, podemos terminar com:
All Memories
↓
One Retrieval Layer
↓
Every ConversationIsso aumenta risco de context contamination, irrelevant retrieval, privacy leakage e contradictory information.
Uma arquitetura melhor:
Current Context
↓
Context Boundary
↓
Relevant Memory Domains
↓
RetrievalMemory Scope#
Possíveis scopes:
GLOBAL
PERSON
PROJECT
TASK
SESSIONScope pode ser utilizado antes mesmo de busca semântica.
Temporal Context#
Informações mudam. Uma memória pode precisar de createdAt, updatedAt, validFrom, validUntil e lastConfirmedAt ou equivalentes.
Isso permite diferenciar fact de historical fact.
Memory Conflict#
Duas memórias podem entrar em conflito por mudança de preferência, contextos diferentes, informação incorreta ou relação hierárquica.
O sistema não deveria simplesmente escolher a de maior similaridade vetorial.
Conflict Resolution#
New Information
↓
Conflict Detection
↓
Same Scope?
↓
Temporal Comparison
↓
Replace / Merge / Preserve HistoryA resolução pode depender de origem, timestamp, confidence, scope e confirmation.
Consolidation#
Agentes provavelmente não deveriam preservar cada experiência com o mesmo nível de detalhe.
Event 1
Event 2
Event 3
Event 4
↓
Consolidation
↓
Stable MemoryO agente pode recuperar uma conclusão consolidada mantendo referências para as evidências originais.
Provenance#
Possíveis fontes:
- User Statement;
- Document;
- Project File;
- Tool Result;
- Derived Summary;
- Agent Inference.
Essas origens não possuem a mesma autoridade.
Confidence#
Algumas memórias podem possuir nível de confiança para tratar inferências como inferências, não como fatos absolutos.
Retrieval#
Uma estratégia baseada apenas em similaridade semântica pode recuperar informação parecida, mas irrelevante.
Retrieval pode considerar:
Semantic Similarity
+
Scope
+
Recency
+
Importance
+
Confidence
+
RelationshipRetrieval Score#
Modelo experimental:
MemoryScore =
semantic_relevance
× scope_weight
× freshness_weight
× importance_weight
× confidenceNão necessariamente como equação literal, mas como retrieval multidimensional.
Importance#
Nem todas as memórias deveriam possuir o mesmo peso.
“User said hello” e “Project autonomy must remain disabled until scientific validation completes” possuem relevância muito diferente.
Memory Decay#
Uma hipótese é reduzir gradualmente o peso de memórias antigas sem necessariamente apagá-las.
Forgetting#
Esquecer pode ser capacidade essencial.
Formas possíveis:
- Hard Delete;
- Archive;
- Decay;
- Supersede.
Explicit User Control#
Memória pessoal deveria permitir visualizar, corrigir, substituir, restringir, remover e impedir determinadas categorias de armazenamento.
Memory vs Knowledge#
Memory
≠
Knowledge BaseMemory trata quem/o que mudou ao longo do tempo. Knowledge trata referência recuperável.
Memory vs State#
Estado operacional também não deveria ser confundido com memória.
Current workflow status = PROCESSING é estado, não memória.
Proposed Architecture#
Agent
│
↓
Context Builder
│
┌─────────────┼─────────────┐
↓ ↓ ↓
Memory Knowledge Runtime
│
↓
Memory Retrieval
│
↓
Scope + Relevance
│
↓
Selected MemoriesWrite Pipeline#
Interaction
↓
Candidate Extraction
↓
Sensitivity Check
↓
Classification
↓
Conflict Detection
↓
Consolidation
↓
PersistenceNem toda interação gera memória.
Read Pipeline#
Current Task
↓
Determine Scope
↓
Query Candidates
↓
Rank
↓
Filter
↓
Inject Selected ContextO objetivo não é recuperar muito, mas recuperar corretamente.
Experiment 1 — Scope-Aware Retrieval#
Hypothesis: filtrar por scope antes da busca semântica reduz informação irrelevante.
Comparar Vector Retrieval Only vs Scope + Vector Retrieval.
Medir precision, irrelevant memories, token consumption e answer quality.
Experiment 2 — Temporal Supersession#
Testar informações que mudam ao longo do tempo e comparar recuperação atual com consultas históricas.
Experiment 3 — Consolidation#
Comparar raw episodic memories com consolidated semantic memory medindo tokens, factual retention e retrieval precision.
Experiment 4 — Memory Decay#
Avaliar funções de decay para reduzir ruído sem perda significativa de informação importante.
Experiment 5 — Retrieval Explanation#
Investigar se o sistema deveria conseguir explicar por que determinada memória foi recuperada, por exemplo scope match + semantic similarity + recent confirmation.
Evaluation#
Métricas possíveis:
- Retrieval Precision;
- Recall;
- Context Efficiency;
- Contradiction Rate;
- Staleness Rate;
- Task Success.
Privacy#
Memória de longo prazo cria riscos de sensibilidade, retenção, scope, exclusão, consentimento e uso futuro.
Persistência não deveria acontecer apenas porque tecnicamente é possível.
Security#
Memory poisoning é risco. Possíveis controles: source trust, confirmation, confidence, provenance e write permissions.
Open Questions#
- Quanto deve ser automático?
- Memórias importantes deveriam exigir confirmação?
- Quando memórias devem se fundir?
- Quando expiram?
- Como representar contradições?
- Agentes podem criar suas próprias memórias? Com quais limites?
Current Position#
memory should be curated context, not accumulated history.
Uma arquitetura agentic madura provavelmente precisará tratar memória como produto próprio, com lifecycle, policies e avaliação independentes.
Next Steps#
- Definir schema mínimo de memória.
- Implementar scopes.
- Registrar provenance.
- Criar retrieval multidimensional.
- Implementar conflict detection inicial.
- Testar temporal supersession.
- Criar benchmark de retrieval.
- Experimentar consolidation.
- Medir token efficiency.
- Definir controles explícitos de usuário.
Related Work#
Projeto: LucyOS. Princípios: Context Is a Resource, Memory Requires Curation, Human Control, Evidence Before Autonomy. Writing: AI Agents Need Architecture, Not Just Prompts; Memory in Agentic Systems. ADRs: Why MCP-first?; Why Human Control Belongs in the Architecture?
Closing#
O problema de memória em agentes não é descobrir como salvar mais informações.
É descobrir como manter continuidade sem transformar o passado em ruído.
A memória ideal provavelmente não será aquela que lembra tudo.
Será aquela que consegue responder:
o que realmente importa agora?