Memória para Agentes de IA: Obsidian, Dreaming e a Nova Camada de Aprendizado Contínuo
- há 6 dias
- 6 min de leitura
Atualizado: há 22 horas
O progresso dos agentes de IA destaca um ponto importante: o próximo avanço não se resume apenas a modelos mais potentes, mas também à habilidade desses agentes de manter o contexto, aprender com experiências passadas e reutilizar conhecimento de maneira segura. Além disso, é crucial ter um processo de curadoria e reorganização das experiências acumuladas entre as sessões.
O limite dos agentes sem memória
Muitos agentes atuais ainda funcionam como sistemas temporários. Eles recebem uma tarefa, executam um fluxo, chamam ferramentas, consultam dados e encerram a sessão. Na próxima execução, parte importante do aprendizado se perde: decisões tomadas, erros recorrentes, preferências do usuário, ajustes de processo, exceções operacionais e padrões de comportamento.
RAG ajuda a buscar conhecimento em bases documentais, mas não resolve sozinho o problema da experiência acumulada. Uma base RAG tradicional responde bem à pergunta: “o que está escrito nos documentos?”. Já uma camada de memória precisa responder algo mais operacional: “o que aprendemos nas últimas execuções e como isso deve mudar o comportamento do próximo agente?”.
É aqui que a memória começa a virar arquitetura. Um modelo de apredizado que gostamos e usamos em projetos é fazer a memória deixar de ser um histórico de conversa e passa a ser um repositório estruturado que o agente pode organizar, consultar e atualizar. A ideia central é tratar a memória de forma parecida com um sistema de arquivos: pastas, documentos, versionamento, permissões, organização por domínio e curadoria contínua.
O que é “dreaming” em agentes de IA
O conceito de “dreaming” lançado recentemente pela Anthropic mas que a gente já fazia aqui na 'mão' com o Obsidian+mds em projetos de refactory... traz o conceito que o agente não “pensa sozinho” de forma mágica. A proposta é mais prática: um processo assíncrono revisa sessões anteriores, identifica padrões, remove duplicidades, corrige informações obsoletas e reorganiza a memória para que agentes futuros tenham um contexto mais útil.
Na documentação da Anthropic, “dreaming” é descrito como um recurso em Research Preview que permite ao Claude refletir sobre sessões passadas para curar a memória do agente e revelar novos insights. O processo lê uma memória existente e transcrições anteriores, produzindo uma nova memória reorganizada, sem modificar diretamente o repositório original.
Para empresas, esse detalhe é importante. O output do “dreaming” pode ser revisado, aprovado, descartado ou comparado antes de entrar em produção. Isso aproxima o conceito de práticas já conhecidas em engenharia: revisão de código, pull request, auditoria, versionamento e governança.
Memória de agentes de IA, onde entra o Obsidian
O Obsidian se encaixa muito bem nesse tema porque opera sobre arquivos Markdown em uma pasta local chamada vault. Essa estrutura permite que notas sejam editadas por outros editores, scripts, ferramentas de linha de comando e agentes, mantendo o conteúdo em um formato legível, portável e versionável.
Em um cenário de agentes com memória, o Obsidian funciona como uma camada de memória operacional legível por humanos. Em vez de deixar todo o conhecimento preso em bancos vetoriais ou logs difíceis de auditar, a empresa pode manter um vault com:
especificações de agentes;
decisões arquiteturais;
runbooks;
padrões de integração;
regras de negócio;
aprendizados de incidentes;
preferências por domínio;
prompts aprovados;
resultados de avaliações;
histórico de erros recorrentes;
documentação viva de ferramentas e MCP Servers.
Essa abordagem é especialmente interessante porque conecta agentes e humanos no mesmo espaço de conhecimento. O agente pode consultar e sugerir atualizações. O time técnico pode revisar, corrigir e aprovar. A governança pode auditar. A arquitetura pode transformar padrões recorrentes em diretrizes oficiais.
O ponto de atenção é que o Obsidian não deve ser tratado como runtime corporativo de agentes.
Ele é excelente como camada de documentação viva, memória curada e base de trabalho para times técnicos. Para produção, ainda será necessário combinar essa camada com bancos persistentes, controle de acesso, logs auditáveis, observabilidade, políticas de segurança e integração com ferramentas corporativas.
Uma arquitetura prática: Obsidian + memória operacional + AgentOps
Uma arquitetura madura para memória de agentes pode ser pensada em cinco camadas.
Camada de conhecimento humano: Obsidian, Git, Markdown, ADRs, runbooks, documentação técnica, catálogos de agentes e especificações.
Camada de memória do agente: armazenamento persistente para fatos, preferências, padrões de execução, erros conhecidos, decisões anteriores e aprendizados por domínio.
Camada de curadoria: processos de “dreaming”, sumarização, deduplicação, verificação, classificação de risco e revisão humana.
Camada de execução: frameworks de agentes, ferramentas, APIs, MCP Servers, filas, bancos de dados e sistemas legados.
Camada de governança: versionamento, trilhas de auditoria, permissões, observabilidade, evals, human-in-the-loop, kill switch e métricas de custo, latência e sucesso.
Este design está alinhado com a nossa visão corporativa de sistemas agênticos. Na nossa abordagem (SeedTS), por exemplo, a arquitetura de referência para agentes contempla MCP, Registro de Agentes, permissões baseadas no princípio do least privilege, observabilidade, métricas, rollout com canary, feature flag, kill switch, entre outros. A mesma documentação destaca AgentOps e LLMOps como práticas essenciais para tratar a IA como um sistema crítico, incluindo gates de release, monitoramento de alucinações, controle de orçamento e logs auditáveis.
Ferramentas e frameworks para construir essa camada
O ecossistema já tem ferramentas importantes para tirar esse conceito do papel.
Obsidian é uma excelente opção para estruturar a memória em formato legível, com Markdown, links internos, grafos, organização por pastas e possibilidade de versionamento via Git. Seu valor está na ponte entre conhecimento humano e memória de agentes.
LangGraph / LangChain oferecem recursos para memória de longo prazo em agentes. A documentação descreve memória de longo prazo como a capacidade de armazenar e recuperar informações entre conversas e sessões, usando stores do LangGraph com documentos JSON organizados por namespace e chave.
LangMem complementa esse ecossistema com ferramentas para extrair informações importantes de conversas, otimizar comportamento via refinamento de prompt e manter memória de longo prazo. Ele também oferece um gerenciador de memória em background, algo muito próximo do conceito de curadoria contínua.
LlamaIndex é forte para cenários em que a memória se mistura com dados, documentos e fluxos RAG. Sua documentação diferencia memória curta, memória longa e blocos de memória, além de permitir integração com bancos vetoriais e bancos remotos como PostgreSQL.
Letta, evolução do conceito de agentes stateful, trabalha com agentes compostos por prompt de sistema, blocos de memória, mensagens e ferramentas. A memória é organizada em blocos editáveis por agentes via ferramentas de memória e também por desenvolvedores via API.
Use Letta quando quiser um agente com memória como produto central.
Use LangGraph + LangMem quando quiser construir uma arquitetura agêntica corporativa controlada, extensível e integrada ao legado.
Bancos vetoriais e bancos relacionais continuam importantes. Vetores ajudam na recuperação semântica; PostgreSQL, pgvector, Qdrant, Weaviate, Redis e Elasticsearch podem servir como bases persistentes, dependendo do requisito de busca, latência, governança e integração.
MCP Servers entram como a camada de ferramentas padronizadas. Em vez de o agente acessar tudo de qualquer forma, ele consome capacidades corporativas por contratos: consultar cliente, abrir ticket, buscar documento, executar diagnóstico, consultar agenda, validar política, acionar workflow. Para ambientes corporativos, esse padrão é essencial para escopo, rastreabilidade e segurança.
O papel da governança
Memória sem governança vira risco. Um agente que aprende com dados incorretos pode amplificar erros. Um agente que guarda informação sensível sem controle pode gerar problemas de privacidade. Um agente que atualiza sua própria memória sem auditoria pode se tornar imprevisível.
Por isso, memória de agentes deve ter regras claras: o que pode ser lembrado, por quanto tempo, com qual finalidade, quem aprova mudanças, como apagar dados sensíveis, como auditar alterações e como separar conhecimento oficial de aprendizado experimental.
Governança, rastreabilidade, observabilidade, controle de rollout, métricas e integração ao legado como pilares operacionais recorrentes em projetos de sistemas agênticos. Esse mesmo raciocínio deve ser aplicado à memória: ela precisa ser tratada como componente arquitetural, não como detalhe de prompt.
Obsidian como “memória viva” da organização
Uma aplicação prática seria criar um vault corporativo por domínio. Por exemplo:
/agents/specs/ para Agent Specs;
/agents/memory/ para aprendizados curados;
/mcp/contracts/ para contratos de ferramentas;
/evals/results/ para resultados de avaliações;
/runbooks/ para procedimentos operacionais;
/incidents/ para lições aprendidas;
/policies/ para guardrails e limites de atuação;
/architecture/ para decisões técnicas.
Agentes podem sugerir alterações nesses arquivos. Um processo de revisão humana validaria o conteúdo. Após aprovação, o conhecimento poderia ser sincronizado com bancos vetoriais, stores de memória, documentações internas ou catálogos de agentes.
Esse modelo aproxima memória de agentes de uma prática conhecida pelas empresas: documentação viva. A diferença é que agora a documentação não serve apenas para humanos; ela passa a alimentar agentes que executam tarefas reais.
