Pular para o conteúdo
LabS Atlas
Agentic AI
Entrar
Sessões

Desafio Contextualização e Memória em Agentes de IA (2025-10-16)

16 out 20251h 10min
Assistir gravação

Entre para ler os trechos da transcrição de cada capítulo e perguntar ao Labinho sobre esta sessão.

O Labinho é o assistente que responde com as notas e as sessões do LabS e mostra de onde tirou cada resposta.

atualizado há 25 dias
Resumo da sessão

A sessão apresentou o desafio de contextualização e memória em agentes de inteligência artificial, com foco em explicar o que acontece entre a entrada de uma mensagem e a geração de uma resposta. Foi demonstrada uma arquitetura modular composta por núcleo central, percepção, ação e diferentes tipos de memória, incluindo memória de trabalho, conversacional, episódica, semântica, procedural, de persona e de entidades. A apresentação destacou que a memória permite manter contexto, personalizar interações, realizar tarefas complexas e evitar respostas repetitivas ou desconectadas, além de mostrar como essas informações são distribuídas entre bases tradicionais, bancos vetoriais e grafos de conhecimento.

Também foram discutidas técnicas como RAG, usada para recuperar informações relevantes antes de responder, e fine-tuning, utilizado para especializar modelos em determinados conteúdos. A demonstração em HTML simulou o funcionamento dessas memórias, mostrando consultas a dados persistidos, buscas externas e consolidação de novos conhecimentos. Concluiu-se que a autonomia de um agente depende de saber onde buscar informações, quais memórias combinar e como consolidá-las, considerando também custos, privacidade, armazenamento e riscos de alucinação. Como ponto em aberto, ficou a continuidade dos estudos sobre agentes, soluções mais simples e econômicas e a exploração do artefato compartilhado para aprofundar o entendimento prático do tema.

Gerado por IA a partir da transcrição.
Capítulos · 34
00:05
Abertura e introdução à inteligência artificial
Assistir
02:38
IA como desafio e oportunidade para empresas
Assistir
05:10
Apresentação do LEBS e do desafio sobre memória
Assistir
07:45
Início da apresentação sobre memória de agentes
Assistir
09:01
Por que a memória é fundamental para assistentes de IA
Assistir
10:19
Demonstração do fluxo de memória modular
Assistir
14:10
Arquitetura de memórias e bases de dados
Assistir
16:42
Custo, eficiência e arquitetura modular
Assistir
17:59
Analogia entre o cérebro humano e a IA
Assistir
19:19
Percepção e funcionamento do monólogo interno
Assistir
20:34
Histórico de conversas e armazenamento de dados
Assistir
23:08
Tipos de memória: trabalho, conversacional e episódica
Assistir
25:43
Memória semântica, procedural e persona
Assistir
29:34
Predição, prompts e limitações de julgamento da IA
Assistir
32:05
Habilidades do agente e bases de conhecimento
Assistir
33:22
Vector store e recuperação semântica
Assistir
34:43
Knowledge graph e relações entre entidades
Assistir
36:01
Demonstração prática do HTML de memória
Assistir
37:18
Banco de dados tradicional e memórias persistentes
Assistir
39:50
RAG, fine-tuning e prevenção de alucinações
Assistir
42:26
Nanochat e treinamento de agentes especializados
Assistir
43:43
IA eficiente sem grandes data centers
Assistir
44:58
Exemplo prático de recuperação de memória com RAG
Assistir
46:18
Memória de curto prazo e contexto
Assistir
47:34
RAG, ações e geração de conteúdo
Assistir
50:14
Busca externa e uso de API
Assistir
52:49
Consolidação do conhecimento e aprendizado contínuo
Assistir
55:24
Demonstração de interação com a aplicação
Assistir
58:07
Limitações de contexto e recuperação de memória
Assistir
1:00:39
Autonomia dos agentes e uso da memória
Assistir
1:03:15
Estrutura de memória e organização do diálogo
Assistir
1:04:29
Compartilhamento do artefato e encerramento da apresentação
Assistir
1:07:02
Feedback e aprendizados da sessão
Assistir
1:08:18
Agradecimentos e próximos desafios
Assistir
Cortes · 8
Por que agentes de IA precisam de memória
Ramon apresenta o tema da memória em agentes de inteligência artificial e explica por que um assistente sem memória produz interações repetitivas e pouco úteis. Ele introduz a ideia de acompanhar o caminho da informação desde a entrada do usuário até a resposta.
07:45 – 10:19Assistir
Como a memória dá contexto e personalização à IA
A apresentação mostra como o histórico permite personalizar conversas, manter contexto e executar tarefas mais complexas. Também são discutidas a amnésia digital, a necessidade de armazenar informações em bases de conhecimento e a existência de diferentes tipos de memória.
10:19 – 16:42Assistir
Arquitetura modular de um agente inteligente
O conteúdo explica uma arquitetura dividida em núcleo central, percepção e ação, e sistema de memória, usando o cérebro humano como analogia. A demonstração acompanha o fluxo de uma interação: a percepção recebe a mensagem, as memórias são consultadas e o núcleo processa a resposta.
16:42 – 23:08Assistir
Os oito módulos de memória do agente
Ramon detalha as funções de memória de trabalho, conversacional, de entidades, episódica, semântica, procedural, persona e ferramentas. Os exemplos mostram como cada módulo registra conversas, relações, projetos, conhecimento externo, processos e estilo de interação para orientar as respostas.
23:08 – 32:05Assistir
Bases de conhecimento, RAG e fine-tuning
A apresentação diferencia bases vetoriais, bancos de grafos e bancos tradicionais, explicando como cada uma armazena e recupera informações. Em seguida, compara RAG e fine-tuning como estratégias para fornecer conhecimento específico e reduzir alucinações, além de discutir alternativas mais leves para criar agentes sem grandes infraestruturas.
32:05 – 44:58Assistir
Memória, RAG e busca de conhecimento
A demonstração mostra como o agente recupera informações de memória semântica e de curto prazo para responder perguntas sobre a usuária. Em seguida, o fluxo é ampliado para planejamento e para consultas externas, explicando o papel do RAG, do vetor store e da chave de API.
44:58 – 52:49Assistir
Consolidação e aprendizado contínuo
O trecho explica como, ao final de uma interação, o sistema consolida o que foi processado em diferentes bases de dados para uso futuro. A consolidação transforma conversas e dados brutos em conhecimento reutilizável, permitindo respostas melhores e evolução contínua.
52:49 – 55:22Assistir
Demonstração prática de memória e autonomia
A aplicação é usada para demonstrar como o agente registra informações sobre uma pessoa, recupera seu nome e time e busca conteúdos externos quando a pergunta foge do contexto atual. A discussão final relaciona esse comportamento à autonomia dos agentes, que precisam decidir onde buscar informações, consolidá-las e utilizá-las para gerar respostas.
55:24 – 1:04:30Assistir
Perguntas desta sessão
Por que a memória é fundamental para agentes de inteligência artificial?
A memória permite que o agente compreenda e contextualize informações, armazene o histórico das interações e recupere esses dados para organizar respostas e ações mais úteis. Sem memória, ele funciona apenas como uma ferramenta simples e perde a capacidade de manter uma relação contextual com o usuário.
10:39 – 11:04Assistir
Como uma informação inserida em um agente de inteligência artificial é armazenada e recuperada posteriormente?
A informação passa pelo fluxo do agente desde a entrada: é processada, pode ser usada para recuperar memórias e conhecimentos previamente treinados, gerar uma resposta ou ação e, depois, produzir conteúdo que poderá ser armazenado como memória para interações futuras.
11:22 – 12:15Assistir
Como uma IA se comporta quando não tem memória?
Sem memória, a IA tende a repetir respostas, perder o contexto da conversa e não consegue manter interações longas ou executar tarefas complexas. Com memória, ela consegue personalizar as respostas e sustentar um contexto entre as interações.
14:33 – 15:48Assistir
Na arquitetura modular de um agente de IA, o núcleo central corresponde ao modelo de linguagem?
Sim. O núcleo central funciona como o modelo-base que processa as informações. As memórias fornecem contexto e suporte para que ele produza respostas e execute tarefas, enquanto percepção e ação cuidam da entrada e da interação com o ambiente.
18:33 – 19:00Assistir
Onde ficam armazenadas as memórias persistentes usadas por agentes de IA?
As memórias persistentes ficam em bases de dados e em infraestruturas de armazenamento, como data centers e serviços de nuvem, e não no celular ou computador do usuário. Durante a interação, algumas memórias temporárias são usadas e os dados podem ser enviados à base de dados antes da resposta.
21:55 – 22:21Assistir
O que um agente de IA faz quando precisa de um conhecimento que não está em sua base?
O agente pode buscar a informação na internet, incorporá-la ao contexto da interação e armazená-la em uma base de dados para uso posterior.
26:14 – 26:38Assistir
Como o armazenamento semântico e a similaridade ajudam um agente de IA a recuperar e interpretar informações?
Os dados são transformados em vetores e armazenados para permitir buscas por similaridade semântica, ajudando o agente a localizar e interpretar informações relevantes.
33:01 – 33:29Assistir
Como funciona o fluxo de memória simulado na demonstração em HTML?
A demonstração não usa um ChatGPT real; o HTML contém variáveis que representam cenários de memória e permitem simular diferentes contextos e respostas do agente.
36:07 – 36:40Assistir
A incapacidade do agente da demonstração de responder a certas perguntas é uma limitação técnica?
Sim. A limitação decorre de a demonstração ter sido implementada em HTML para a apresentação e não possuir um modelo de IA real nem memória preparada para responder a todas as perguntas.
36:56 – 37:07Assistir
Excluir uma conversa ou dado de uma interface remove definitivamente os dados persistidos?
Não necessariamente. A exclusão pode apenas ocultar ou desmarcar a informação para o usuário, enquanto os dados continuam persistidos e podem ser usados posteriormente.
40:13 – 40:23Assistir
Como funciona o fine-tuning de um modelo de IA e quais são seus custos e requisitos?
O fine-tuning parte de um modelo-base e o alimenta com dados específicos para que ele produza respostas especializadas, como atuar em história ou em um domínio particular. É um processo mais demorado, trabalhoso e caro, embora possa ser executado localmente com modelos menores, sem grandes data centers.
41:14 – 43:29Assistir
Como a memória de trabalho permite que um agente de IA reutilize informações durante uma conversa?
Depois que uma informação é recuperada de uma base, ela permanece temporariamente no contexto ou na memória de trabalho do agente. Assim, perguntas subsequentes podem reutilizá-la sem nova consulta; essa memória é transitória e pode ser perdida quando a sessão é encerrada ou reiniciada.
47:03 – 48:12Assistir
Qual é a função do componente de ação na arquitetura de um agente de IA?
O componente de ação analisa a solicitação e executa o planejamento necessário, como organizar um roteiro de viagem, entregando o resultado correspondente ao usuário.
48:24 – 48:32Assistir
Como o RAG recupera informações e as utiliza para gerar uma resposta?
O agente recebe a pergunta, busca conteúdo semanticamente relacionado em um vector store, acrescenta esse contexto à solicitação e o orquestra para gerar a resposta. O processo funciona como uma consulta a uma biblioteca e ajuda a reduzir alucinações ao fundamentar a resposta em conhecimento recuperado.
48:46 – 49:43Assistir
Como um agente de IA recupera o nome do usuário a partir da memória contextual?
O agente recupera o nome que foi armazenado temporariamente no contexto da interação e o utiliza para responder.
57:59 – 58:18Assistir
Por que um agente de IA pode não identificar corretamente a empresa em que o usuário trabalha?
Porque a informação foi registrada como “trabalho na Soludes”, sem a palavra “empresa”. A implementação em HTML segue estritamente os dados armazenados e não infere relações que não foram explicitamente registradas.
58:13 – 59:30Assistir
Como a memória de um agente de IA pode ser usada para recuperar a preferência esportiva do usuário?
O agente consulta a memória armazenada sobre o usuário e responde que seu time é o Bahia.
59:40 – 59:54Assistir
O que acontece quando o usuário faz uma pergunta que não está na memória da interação, como a distância entre Salvador e Maceió?
O agente recorre à capacidade generativa para buscar ou produzir a informação, pois esse conteúdo está fora da memória específica da interação.
59:54 – 1:00:23Assistir
Como a memória contextual temporária permite que um agente de IA responda ao nome do usuário?
O nome permanece guardado temporariamente no contexto da conversa, permitindo que o agente o recupere sem consultar outras bases de dados.
1:00:23 – 1:00:57Assistir
Como um agente autônomo seleciona e combina diferentes tipos de memória para gerar uma resposta?
O agente avalia quais memórias são relevantes, busca informações em diferentes partes, consolida os dados e verifica se eles fazem sentido no contexto antes de produzir a resposta.
1:01:56 – 1:02:34Assistir
Por que um agente baseado apenas em um HTML simples não consegue responder perguntas fora do contexto ou da estrutura de dados definida?
Porque a implementação só consegue consultar os dados e estruturas previstos no HTML. Sem campos ou mecanismos de memória para uma informação, o agente não consegue recuperá-la nem inferi-la de forma confiável.
1:03:24 – 1:03:58Assistir