Memória de Sistemas de IA — Conhecimento Persistente e Memória de Agentes
Conhecimento persistente além de uma única conversa.
Esta seção reúne guias sobre conhecimento e memória persistente para sistemas de IA — como assistentes mantêm fatos, preferências e contexto destilado entre sessões sem enfiar cada token em um único prompt. Aqui, memória significa retenção intencional (fatos do usuário, resumos, armazenamento suportado por plugins), e não memória de GPU ou pesos do modelo.
Ela complementa o grupo mais amplo de Sistemas de IA — OpenClaw, Hermes, orquestração — e está ao lado de RAG para mecanismos de recuperação e Hospedagem de LLMs para a execução de modelos.
A memória faz parte da pilha mais ampla de assistentes descrita em Arquitetura de Assistente de IA ao lado do roteamento, das ferramentas e da observabilidade.
Design de memória para assistentes
Guia transversal entre frameworks para memória de curto prazo, estruturada e de recuperação — política de consolidação, concessões de vetores e padrões do OpenAI, LangGraph, Hermes e OpenClaw.
- Sistemas de Memória em Assistentes de IA que Realmente Ajudam — memória de trabalho, estado estruturado, camadas de recuperação e quando a memória ajuda em vez de prejudicar
Provedores de memória para agentes
Backends prontos para uso, expostos por frameworks como Hermes Agent e OpenClaw — Honcho, OpenViking, Mem0, Hindsight, Mnemosyne e outros — com diferentes concessões de LLM, embeddings e banco de dados.
- Provedores de memória para agentes comparados — tabela completa, comparação de políticas de captura, notas sobre dependências e fluxos de
memory setupdo Hermes
Para memória de núcleo delimitada apenas do Hermes (MEMORY.md / USER.md), consulte Sistema de Memória do Hermes Agent. Para uma instalação do Mnemosyne e um passo a passo sobre a política de escrita conservadora, consulte Mnemosyne para Hermes Agent: Início Rápido de Memória Local. Para Hindsight no Hermes com embeddings locais, reclassificação, controle do caminho de escrita e backup do banco, consulte Hindsight para Hermes Agent: Memória Auto-Hospedada com LLMs Locais.
Governança de memória e modos de falha
Captura, reflexão e consolidação automáticas podem transformar a própria inferência de um modelo em um “fato” durável, que passa a ser tratado como evidência em sessões futuras.
- Loop de Memória Auto-Reforçante em Agentes de IA — as sete formas que esse feedback assume, por que a procedência é mais importante do que embeddings e como testar se um provedor se recusa a lembrar
Grafos de conhecimento e Cognee
Conhecimento institucional e de projeto extraído em grafos para assistentes com consciência de recuperação.
- Hospedagem Própria do Cognee — Escolhendo o LLM no Ollama — início prático rápido do Cognee com modelos locais
- Escolhendo o LLM Certo para o Cognee — Configuração Local no Ollama — comparação de modelos para qualidade do gráfico versus hardware
Construtores de grafos como o Cognee geralmente ingerem cofres Markdown, wikis ou exportações que as pessoas já editaram — a relevância, a nomenclatura e o “por que isso importou” já estão amplamente definidos antes que os blocos atinjam os embeddings. Um corpus upstream descuidado treina a ambiguidade de volta no assistente; fluxos de trabalho disciplinados de captura por meio da expressão limitam esse dano. Para essa perspectiva centrada no humano — incluindo como ela difere do RAG com foco em recuperação — consulte Segundo cérebro explicado para engenheiros.
