A inteligência artificial está avançando para além do histórico de conversas. Em uma nova publicação, a Anthropic apresenta uma arquitetura de memória capaz de organizar experiências, corrigir informações incorretas e transformar aprendizados anteriores em conhecimento reutilizável por agentes de IA.
Categoria: Inteligência Artificial
Palavras-chave: Inteligência Artificial, Agentes de IA, Anthropic, Claude, Memória Artificial, Dreaming, LLM, Aprendizagem Contínua.
Memória artificial: por que guardar informações não é suficiente?
Uma das limitações dos sistemas de inteligência artificial está na dificuldade de aproveitar experiências anteriores de maneira consistente.
Imagine um agente de IA trabalhando durante várias horas em um projeto. Nesse período, ele analisa documentos, executa tarefas, identifica padrões, testa soluções e corrige erros.
Ao iniciar uma nova sessão, como garantir que todo esse conhecimento continue disponível?
Simplesmente armazenar o histórico das conversas não resolve o problema. Um registro completo pode conter milhares de informações, muitas delas irrelevantes para tarefas futuras.
O verdadeiro desafio é identificar o que merece ser preservado, transformar experiências em conhecimento organizado e disponibilizar essas informações quando forem necessárias.
Esse é o problema explorado pela Anthropic em sua publicação de 6 de novembro de 2026, intitulada The components of agent memory.
O trabalho apresenta uma abordagem interessante para a construção de agentes com memória persistente, incluindo um mecanismo chamado Dreaming, inspirado nos processos de consolidação da memória humana.
A proposta é permitir que os agentes utilizem períodos entre sessões para revisar experiências, corrigir registros e reorganizar conhecimentos que poderão ser utilizados posteriormente.
Os quatro componentes da memória de um agente
A Anthropic organiza a memória dos agentes em quatro camadas complementares. Cada uma possui uma função específica no armazenamento, na organização e na recuperação de informações.
1. Transcripts: o histórico das experiências
São os registros das interações e tarefas realizadas pelo agente.
Funcionam como um histórico pesquisável, permitindo recuperar informações sobre o que aconteceu durante sessões anteriores.
É a camada mais próxima de um registro bruto das experiências.
2. Memory notes: as anotações importantes
Nessa etapa, o agente seleciona informações consideradas relevantes e registra aquilo que poderá ser útil no futuro.
Entre os exemplos estão:
- Preferências identificadas durante interações com usuários.
- Estratégias que produziram bons resultados.
- Erros recorrentes e suas respectivas correções.
- Informações importantes descobertas durante a execução de tarefas.
A diferença é que o agente não precisa preservar tudo. Ele procura registrar aquilo que acredita que poderá fazer diferença em uma próxima execução.
3. Memory representations: o conhecimento organizado
As anotações podem evoluir para estruturas mais elaboradas de conhecimento.
Um exemplo apresentado pela Anthropic é a construção de wikis: conjuntos de páginas relacionadas, com referências e ligações entre diferentes informações.
Em vez de manter apenas arquivos isolados, o agente passa a construir uma representação organizada do conhecimento acumulado.
4. Injected context: o conhecimento disponível desde o início
Algumas informações são carregadas automaticamente no contexto de uma nova sessão.
Isso permite que o agente comece uma tarefa já considerando conhecimentos importantes, sem precisar pesquisar novamente todo o histórico.
Essa camada exige cuidado: carregar informações demais consome espaço do contexto e pode prejudicar a execução. Por isso, é necessário selecionar aquilo que realmente merece estar disponível imediatamente.
Dreaming: quando o agente organiza sua memória em segundo plano
Esta é uma das partes mais interessantes da proposta.
No cérebro humano, a consolidação da memória não acontece exclusivamente durante as experiências. Processos associados ao sono e ao repouso participam da reorganização e integração de informações adquiridas anteriormente.
A Anthropic utiliza uma analogia semelhante para explicar o conceito de Dreaming.
Em vez de executar todas as atividades de organização da memória enquanto realiza uma tarefa, o agente pode utilizar períodos entre sessões para revisar seus registros.
Durante esse processo, ele pode:
- Identificar informações incorretas.
- Corrigir anotações anteriores.
- Encontrar padrões entre diferentes experiências.
- Criar novas regras e estratégias.
- Organizar informações em estruturas de conhecimento.
- Atualizar aquilo que será disponibilizado em sessões futuras.
É importante destacar que isso não significa necessariamente treinar novamente o modelo ou modificar seus parâmetros internos.
O conhecimento é preservado em estruturas externas, como arquivos, registros e bases de memória, que poderão ser consultadas pelo agente posteriormente.
Portanto, estamos falando de uma forma de aprendizagem operacional contínua, baseada na experiência e na atualização da memória, e não necessariamente de treinamento contínuo do modelo.
O experimento com Pokémon: por que guardar tudo pode ser um problema?
Para investigar como os agentes decidem o que realmente vale a pena lembrar, a Anthropic realizou experimentos utilizando Pokémon Red.
Dois agentes receberam a tarefa de jogar e manter arquivos de memória para utilizar durante a execução.
Os resultados demonstraram uma diferença significativa entre duas estratégias.
O primeiro agente, baseado no Claude Sonnet 3.7, adotou uma abordagem bastante detalhista. Registrava praticamente tudo: encontros, batalhas, itens encontrados, personagens e acontecimentos durante o jogo.
Ao chegar a aproximadamente 10 mil passos, havia produzido 413 arquivos de memória, distribuídos em 225 pastas.
O segundo agente, baseado no Claude Fable 5, adotou uma abordagem mais seletiva. Produziu apenas dez arquivos, organizando informações sobre estratégias, planos e regras descobertas durante o jogo.
O resultado foi bastante expressivo:
| Indicador | Sonnet 3.7 | Fable 5 |
|---|---|---|
| Arquivos de memória | 413 | 10 |
| Pastas | 225 | 2 |
| Insígnias conquistadas | 1 | 4 |
Por que essa diferença?
Porque nem toda informação precisa ser armazenada.
A posição atual do personagem, por exemplo, pode ser consultada diretamente na tela do jogo. Registrar constantemente informações que podem ser recuperadas facilmente representa um desperdício de recursos.
Por outro lado, uma estratégia descoberta depois de várias tentativas pode ser extremamente valiosa. Se não for registrada, o agente poderá precisar descobrir tudo novamente.
A lição é importante: uma boa memória não é aquela que guarda mais informações, mas aquela que preserva o conhecimento certo.
Aprender com os próprios erros: o experimento com CL-Bench
Outro aspecto importante da pesquisa é a capacidade de transformar erros em conhecimento reutilizável.
A Anthropic avaliou esse comportamento utilizando o Continual Learning Bench (CL-Bench), um benchmark desenvolvido para investigar a capacidade dos agentes de utilizar memória em tarefas de longo prazo.
Em um dos experimentos, o agente precisava responder a perguntas consultando um banco de dados.
Depois de cada resposta, recebia um feedback indicando se havia acertado ou errado. Com essa informação, poderia atualizar sua memória para melhorar o desempenho nas próximas perguntas.
O processo pode ser representado da seguinte maneira:
- O agente executa uma tarefa.
- Recebe feedback sobre o resultado.
- Analisa por que pode ter errado.
- Formula hipóteses e testa possíveis explicações.
- Registra regras validadas para utilizar em tarefas futuras.
A diferença é significativa: em vez de simplesmente armazenar a resposta correta, o agente pode registrar o que aprendeu sobre o próprio processo de resolução.
Nos resultados apresentados pela Anthropic, Claude Opus 5 passou de 0,564 para 0,828 de recompensa média na tarefa avaliada quando recebeu acesso a uma memória persistente.
Isso representa um avanço expressivo dentro daquele experimento e demonstra como a organização de experiências anteriores pode contribuir para o desempenho em tarefas realizadas ao longo de múltiplas sessões.
Wikis: transformando documentos em conhecimento conectado
A proposta também explora a possibilidade de permitir que agentes construam suas próprias wikis.
Imagine uma organização com centenas de milhares de documentos, distribuídos entre relatórios, contratos, manuais, registros e comunicações internas.
Um agente poderia analisar esses arquivos, identificar relações entre informações e construir uma base de conhecimento organizada em páginas interconectadas.
A cada nova sessão de Dreaming, poderia revisar essa estrutura, corrigir informações, eliminar duplicações e adicionar novos conhecimentos.
Para avaliar essa abordagem, a Anthropic utilizou um conjunto de aproximadamente 350 mil arquivos, contendo cerca de 420 milhões de tokens, provenientes da empresa Stainless.
Ao longo de 128 sessões de organização da memória, agentes baseados em Opus 5 trabalharam progressivamente na construção e atualização de uma wiki.
Em uma avaliação com 25 perguntas sobre os documentos, os resultados mostraram:
- A wiki isoladamente alcançou 48% dos critérios avaliados.
- A ferramenta de busca isolada alcançou 53%.
- A combinação de wiki e busca passou de 54% para 61% dos critérios atendidos.
Além disso, a combinação de busca e wiki economizou aproximadamente 20 mil tokens por pergunta em comparação com a abordagem de busca sem wiki.
Um detalhe importante é que a wiki não substituiu a busca tradicional. Os melhores resultados apareceram quando as duas abordagens foram utilizadas em conjunto.
Isso faz sentido: a wiki organiza relações entre informações, enquanto a busca permite localizar evidências específicas nos documentos originais.
O que muda na arquitetura dos agentes de inteligência artificial?
A pesquisa apresenta uma mudança interessante na maneira como pensamos sobre agentes de IA.
Durante muito tempo, boa parte das discussões esteve concentrada em modelos maiores, janelas de contexto mais extensas, ferramentas e estratégias de recuperação de informações.
Entretanto, aumentar a quantidade de informações disponíveis não resolve necessariamente o problema da memória.
Um agente precisa decidir:
- O que deve ser lembrado?
- O que pode ser descartado?
- Quais informações precisam ser verificadas novamente?
- Como identificar conhecimentos que ficaram desatualizados?
- Quando uma experiência deve se transformar em uma regra?
- Quais informações precisam estar disponíveis imediatamente em uma nova sessão?
Essas questões são especialmente importantes em agentes que trabalham durante dias, semanas ou meses, interagindo com diferentes ferramentas e acumulando experiências.
Também existem desafios importantes.
Uma memória incorreta pode contaminar sessões futuras. Informações desatualizadas podem levar a decisões equivocadas. Além disso, revisar e reorganizar grandes volumes de memória exige recursos computacionais.
Outro problema é a confiabilidade das informações compartilhadas entre diferentes agentes. No próprio experimento com documentos empresariais, a Anthropic identificou situações em que agentes sobrescreviam informações uns dos outros ao trabalhar simultaneamente em uma mesma página.
Portanto, o Dreaming precisa ser entendido como um processo de manutenção, organização e validação do conhecimento, e não simplesmente como uma etapa de sumarização.
O futuro dos agentes de IA pode estar na capacidade de aproveitar experiências
O trabalho da Anthropic apresenta uma perspectiva relevante para o desenvolvimento de sistemas inteligentes.
Agentes não precisam apenas executar tarefas e armazenar seus históricos. Podem construir representações de conhecimento a partir das próprias experiências, identificar erros e aprimorar progressivamente aquilo que sabem.
Isso abre possibilidades para sistemas multiagentes, aplicações empresariais, assistentes pessoais e soluções que precisam trabalhar continuamente com grandes volumes de informação.
Também reforça uma distinção importante para o desenvolvimento de inteligência artificial: memória, contexto e treinamento são mecanismos diferentes, embora possam trabalhar em conjunto.
Talvez uma das próximas fronteiras da inteligência artificial não esteja apenas em construir modelos capazes de raciocinar melhor, mas também em desenvolver agentes capazes de aproveitar aquilo que já aprenderam.
Afinal, inteligência não depende apenas de resolver um problema. Também depende da capacidade de utilizar a experiência adquirida para resolver melhor o próximo.
Referência: Anthropic. The components of agent memory. Engineering, 6 de novembro de 2026. https://www.anthropic.com/research/components-of-agent-memory

Graduado em Ciências Atuariais pela Universidade Federal Fluminense (UFF), Pós-Graduado em Inteligência Artificial, Pós-Graduado em Marketing Digital, Mestrando em IA no Instituto de Computação da UFF (nota máxima no CAPES). Palestrante e Professor de Inteligência Artificial e Linguagem de Programação; autor de livros, artigos e aplicativos.
Professor do Grupo de Trabalho em Inteligência Artificial da UFF (GT-IA/UFF), do Laboratório de Inovação, Tecnologia e Sustentabilidade (LITS/UFF), da Pós-Graduação na Universidade Estácio de Sá, entre outras iniciativas.
Conheça outros projetos:
💫 Apaixonado pela vida, pelas amizades, pelas viagens, pelos sorrisos, pela praia, pelas baladas, pela natureza, pelo jazz e pela tecnologia.

