A memória dos agentes precisa do seu momento OpenTelemetry
Propostas para um formato padronizado, semelhante ao OpenTelemetry, para a “memória” de agentes de IA estão encontrando ceticismo de desenvolvedores que consideram os sistemas atuais de memória confusos, propensos a erros e muitas vezes prejudiciais ao desempenho do modelo. Muitos argumentam que documentação de projeto simples e legível por humanos, junto com notas leves baseadas no sistema de arquivos, funcionam melhor do que camadas de memória complexas e compartilhadas, e que ainda é cedo demais para consolidar um padrão enquanto as melhores práticas e as capacidades dos modelos continuam evoluindo. A discussão também reflete uma frustração crescente com conteúdo técnico gerado por LLMs e a preocupação de que tentativas de formalizar a memória de agentes possam ser motivadas mais por hype do que por necessidade demonstrada.
Problemas Percebidos com a Memória de Agentes
- Muitos comentadores dizem que a memória de agentes frequentemente causa danos: ela armazena detalhes transitórios ou errados e depois passa a focar demais neles em tarefas futuras.
- Isso leva a deriva, imprecisão e viés de confirmação (por exemplo, recomendar repetidamente uma arquitetura após uma única conversa anterior).
- Alguns observam ferramentas persistindo decisões pontuais, o que depois desorienta o agente quando o contexto muda.
- Várias pessoas agora desativam a memória integrada e preferem notas explícitas, curadas por humanos.
Alternativas e Práticas Atuais
- Abordagem comum: tratar a memória como artefatos normais do projeto — arquivos markdown,
AGENTS.md/CLAUDE.md, documentos de arquitetura no repositório. - Os agentes são instruídos a manter e consultar um diretório de conhecimento, às vezes sincronizado via S3 ou gerenciado com grep simples ou armazenamentos chave-valor.
- Alguns indexam e incorporam “tudo” para recuperação; outros questionam se a vetorização é de fato melhor do que uma boa busca textual, dada a complexidade extra.
- Para conhecimento compartilhado ou de longa duração, muitos preferem documentos do repositório em vez de memórias opacas de agentes.
Necessidade de um Formato Padrão?
- Alguns argumentam que um formato unificado de memória economizaria tokens e complexidade de ferramentas, além de permitir portabilidade entre agentes/modelos.
- Outros respondem que LLMs leem bem texto arbitrário, então formatos rígidos acrescentam pouco valor.
- Há forte sentimento de que a padronização é prematura; ainda não entendemos as abstrações corretas, e o comportamento dos modelos está mudando rapidamente.
- Faz-se comparação com SOAP/SGML: medo de consolidar cedo demais uma abstração errada.
Questões Técnicas em Aberto
- Como delimitar o escopo da memória (por projeto vs global; por usuário vs compartilhada)?
- Como associar memórias ao código (arquivos, intervalos de linhas) sem perder robustez a refatorações?
- Como lidar com concorrência e evitar que sessões sobrescrevam silenciosamente as notas umas das outras?
- Se “memórias” devem ser texto ou representações no espaço de embeddings; o texto é favorecido para compatibilidade de longo prazo entre modelos.
Meta-discussão: Prosa de LLM e Qualidade
- Muitos reclamam que o artigo “parece um LLM”, descrevendo-o como prolixo, vago e “slop”.
- Outros rebatem, dizendo que a autoria importa menos do que clareza e substância, mas admitem que o estilo atual de LLM é irritante.
- Alguns querem ferramentas para detectar ou filtrar texto gerado por IA — ou, no sentido oposto, para filtrar reclamações constantes sobre isso.