Sua IA esquece tudo? Conheça o Agent Memory do SurrealDB

Você explica o projeto inteiro para a IA. Corrige o nome de uma tabela, informa uma decisão de arquitetura e combina como o atendimento deve funcionar. Na próxima sessão, precisa repetir tudo. Quando ela recupera alguma coisa, às vezes traz uma regra antiga como se ainda valesse.

O SurrealDB Agent Memory foi lançado para enfrentar esse problema: guardar o que um agente aprende com fonte, permissões e histórico. A proposta interessa a quem desenvolve assistentes, automações e aplicativos que precisam continuar uma conversa ao longo do tempo.

Assista à explicação

O que é o SurrealDB Agent Memory?

É uma camada de memória para agentes construída sobre o SurrealDB. Conversas e documentos podem se transformar em fatos sobre entidades, atributos e relações. Cada fato conserva sua origem, o trecho que o sustenta e um grau de confiança.

Pense em um assistente de atendimento de um SaaS brasileiro. Ele pode precisar lembrar quem é o cliente, qual produto foi contratado e quando uma informação mudou. Guardar apenas o texto inteiro de todas as conversas dificulta descobrir qual informação continua válida. A memória estruturada procura organizar esse trabalho.

Essa camada também registra o caminho até uma resposta. Isso permite investigar de onde veio uma informação recuperada e quais fatos participaram da busca. Quem já mantém um produto conhece a diferença entre receber uma resposta e conseguir explicar por que o sistema respondeu daquele jeito.

Contexto de conversa e memória persistente são coisas diferentes

A janela de contexto é o material que o modelo recebe para produzir sua próxima resposta. Se uma informação fica fora dela, o modelo precisa de algum mecanismo para recuperá-la. Clientes de IA podem manter históricos e memórias próprias, mas isso varia conforme a ferramenta e sua configuração.

Uma memória persistente oferece outro lugar para registrar e consultar fatos entre sessões. Ela precisa entrar no fluxo do agente: a aplicação deve decidir quando guardar informação, quando recuperá-la e como usar o resultado.

Por isso, conectar um banco não torna qualquer agente automaticamente confiável. A qualidade dos fatos extraídos e o uso correto das ferramentas continuam fazendo parte do projeto.

Por que salvar embeddings não resolve tudo?

A busca vetorial ajuda a encontrar trechos com significado parecido. Isso é útil para recuperar conteúdo, mas sem regras adicionais duas informações contraditórias podem parecer igualmente relevantes.

Imagine que um cliente contratava o plano Básico e depois passou ao Profissional. A pergunta “qual é o plano deste cliente?” pode encontrar as duas mensagens. O sistema precisa saber qual informação foi substituída, quando isso aconteceu e qual pergunta está sendo feita: sobre hoje ou sobre um período anterior.

No Agent Memory, esse tratamento faz parte da reconciliação. A proposta vai além de acumular trechos semelhantes em um índice.

Como funciona: lembrar, reconciliar e consultar

Lembrar: transformar conteúdo em fatos

O primeiro passo recebe conversas ou documentos e organiza informações em entidades, atributos e relações. A origem acompanha o fato. Isso ajuda a voltar ao trecho usado para registrar determinada informação.

Em um assistente interno de desenvolvimento, por exemplo, uma decisão pode ser associada ao projeto e à conversa em que foi tomada. Na revisão de uma resposta, a equipe consegue procurar essa referência em vez de depender apenas da lembrança produzida pelo modelo.

Reconciliar: resolver o que mudou

Quando uma informação nova chega, ela precisa ser comparada ao que já existe. O produto não adota simplesmente a regra de que a última gravação sempre vence. Uma correção pode substituir um fato, enquanto uma discordância abaixo do piso de confiança pode ser registrada como incerteza.

O fato anterior continua no histórico. No exemplo apresentado pela equipe, uma pessoa primeiro trabalha na Acme e depois muda para o SurrealDB. Consultar onde ela trabalha hoje produz uma resposta; consultar onde trabalhava antes da mudança produz outra, com referência à fonte correspondente.

Esse histórico é útil em suporte, CRM e rotinas administrativas. Um endereço antigo pode estar errado para a próxima entrega e continuar correto para explicar uma entrega passada.

Consultar: recuperar contexto com vários sinais

A recuperação combina sinais como semelhança vetorial, palavras-chave, relações do grafo e histórico do que foi útil. São sete sinais reunidos em um ranking, com registro das pontuações no trace.

Perguntas repetidas também podem reaproveitar respostas enquanto os fatos citados continuarem válidos. Se um desses fatos for substituído, a resposta armazenada não deve continuar sendo reutilizada como se nada tivesse mudado.

claude mcp add --transport http agent-memory "<context-url>/mcp" \
  --header 'Authorization: Bearer <context-api-key>' \
  --header 'X-Spectron-Context: <your-context-id>'