Aprofundamento · Folio III
Para achar uma frase numa biblioteca, ninguém lê todos os livros: seguem-se as placas. Os agentes de IA começam a organizar a memória do mesmo jeito. Quanto isso faz ganhar, de verdade?
Um agente de IA que trabalha por muito tempo acumula lembranças: conversas, documentos, ações passadas. O mais simples é guardar tudo achatado e buscar na pilha inteira. Mas, quanto mais a pilha cresce, mais cara fica cada busca.
A alternativa: organizar as lembranças numa árvore, com resumos em cada andar. Para 1.000 lembranças, uns dez andares bastam; para um milhão, uns vinte. É o que se chama de custo logarítmico: ele cresce uma etapa quando a memória dobra.
Uma teoria de 2026 mostra que esses sistemas, por mais diferentes que pareçam, encadeiam todos três operações. Extrair: cortar os dados brutos em unidades de informação. Agrupar: formar grupos e dar a cada um um representante, muitas vezes um resumo. Percorrer: para uma pergunta e um orçamento de palavras, escolher o que ler.
A noção-chave é a autossuficiência do representante: se o resumo basta para responder, para-se ali; senão, é preciso descer até os detalhes. Os autores mostram que 11 sistemas existentes cabem nesse mesmo quadro.
Fonte: Talebirad et al., Toward a Theory of Hierarchical Memory (2026)
Fig. E — Ler tudo ou descer a árvore
Ler tudo: 16 etapas
Descer a árvore: 4 etapas
16 documentos · a árvore é mais rápida por um fator de 4
Esquema ilustrativo: mostra a ideia, não medições.
Comprovado
Inspirado nos sistemas operacionais: uma memória pequena e rápida (o contexto do modelo) e uma memória grande e lenta (uma base externa). O próprio modelo move a informação de uma para a outra por chamadas de função, como um computador que troca páginas entre a RAM e o disco.
Fonte: Packer et al., MemGPT: Towards LLMs as Operating Systems (2023)
Promissor
Cada nó resume o que está abaixo dele, com níveis de abstração diferentes conforme a profundidade. Cada nova informação entra pela raiz e desce até o seu lugar. Em conversas longas, supera o MemGPT; em perguntas sobre vários documentos, se aproxima dos métodos que preparam tudo de antemão e supera o GraphRAG.
Fonte: Rezazadeh et al., MemTree: Dynamic Tree Memory (2024)
Promissor
As lembranças são organizadas como pastas e subpastas; cada resumo guarda um link para a lembrança bruta. Um pequeno agente, treinado por reforço, percorre a árvore para pegar só o necessário. Em conversas longas, usa no máximo 22% das palavras consumidas pelos métodos de referência.
Promissor
Uma memória que muda sem parar precisa de manutenção. O MemForest organiza as lembranças em árvores ordenadas no tempo e atualiza só os caminhos tocados por uma informação nova, em vez de reescrever todos os resumos. O custo de manutenção passa a acompanhar o tamanho da mudança, não o da memória.
Fonte: MemForest: Hierarchical Temporal Indexing for Agent Memory (2026)
As memórias de agentes mais usadas em 2025-2026 estão se afastando da árvore rígida. Elas extraem fatos e os ligam como as fichas de um pesquisador. O custo continua baixo porque só as fichas úteis são lidas.
Por isso passamos a H5 ("um grafo, não uma árvore") de 60% para 65%. Uma ressalva, levantada por críticos: as ligações do A-MEM só dizem "estas duas notas se parecem", não por quê. Uma verdadeira hierarquia do saber precisaria de ligações que digam a relação.
H5 · Um grafo, não uma árvore (65 %)
Promissor
Em vez de reler a conversa inteira, o Mem0 extrai as informações relevantes, junta com o que já sabe e as recupera quando precisa (uma variante as organiza num grafo). Comparado à abordagem de "reler tudo", ele reduz o tempo de resposta em 91% e o custo em tokens em mais de 90%, e ainda responde melhor (+26% relativo frente à memória da OpenAI no teste LOCOMO).
Fonte: Chhikara et al., Mem0: Scalable Long-Term Memory (2025)
Promissor
Cada lembrança vira uma ficha com palavras-chave, etiquetas e ligações para fichas próximas. Quando chega uma ficha nova, ela pode fazer evoluir as antigas: a memória se reorganiza sozinha. Apresentado na NeurIPS 2025, ele supera os métodos anteriores com seis modelos diferentes.
Fonte: Xu et al., A-MEM: Agentic Memory for LLM Agents (NeurIPS 2025)
É preciso ser honesto: o custo logarítmico é um ideal. Ele supõe uma árvore bem equilibrada e resumos confiáveis. Na prática, construir a árvore custa chamadas ao modelo para escrever os resumos, e um erro de rota no alto da árvore faz perder a informação lá embaixo. Por isso muitos sistemas leem vários galhos ao mesmo tempo.
Os artigos medem sobretudo as palavras consumidas e o acerto das respostas, raramente o custo teórico. Mantemos então o status "promissor": o ganho é real e muitas vezes espetacular, mas a palavra "logarítmico" descreve a tendência, não uma garantia.
Três pontos fracos se repetem. O roteamento: uma escolha ruim no início da descida é difícil de corrigir. A perda de detalhe: um resumo sempre descarta algo, e às vezes é justamente a resposta. A manutenção: uma memória viva muda o tempo todo, e reorganizar a árvore sai caro se for malfeito.
Esses trabalhos dão corpo à H2 do lado da memória externa: o "baixo" da nossa hierarquia pode ser consultado a um custo que cresce muito devagar. E confirmam a H5: MemTree, GraphRAG e HORMA acabam todos ligando galhos entre si (lembrança bruta, entidades, ligações no tempo). As árvores puras viram grafos.
H2 · Aprender o alto, consultar o baixo (75 %) H5 · Um grafo, não uma árvore (65 %)
Organizar os próprios artigos do OrigoTech numa árvore (tema, subtema, artigo, parágrafo) e medir, para uma série de perguntas, quantas palavras é preciso ler na busca plana e descendo a árvore. Repetir a cada vez que o site dobrar de tamanho, para ver se a curva segue mesmo o logaritmo.