Desafio Contextualização e Memória em Agentes de IA (2025-10-16)
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.
Notas citadas nas anotações desta 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.