Memória persistente para agentes de IA no SurrealDB
Por Mauro Mequelussi · Curso gratuito SurrealDB para engenheiros de IA: RAG e agentes · Português (PT-BR)
Resposta direta · O que esta aula resolve
A Aula 6 de 11 ("Memória persistente para agentes de IA no SurrealDB"), parte do módulo "Agentes e contexto" do curso gratuito "SurrealDB para engenheiros de IA: RAG e agentes" na Escola de Aplicativos (ministrado por Mauro Mequelussi), ensina na prática: o aluno aprende a estruturar a memória de longo prazo de um agente de IA. Combinamos busca vetorial com recência e importância, conectamos causas e regras usando grafos nativos e implementamos esquecimento e reforço sem rotinas externas.
Crie sua conta grátis para assistir a esta videoaula em HD
O resumo técnico e os capítulos abaixo são abertos para consulta. Crie sua conta 100% gratuita em segundos para liberar todas as 11 videoaulas em HD, controle automático de progresso, Tutor IA e certificado gratuito verificável.
- R$ 0 · Sem cartão de crédito
- Tutor IA tira-dúvidas da aula
- Certificado gratuito incluso
O que você vai aprender
- Como modelar uma tabela de memórias com restrições e validações via ASSERT
- Como calcular uma nota composta que reúne similaridade vetorial, recência e relevância
- Como resgatar regras associadas a incidentes passados usando navegação por grafo
- Como descartar dados obsoletos com filtros de validade e reforçar o peso de memórias úteis
- Como migrar a estrutura de protótipo para vetores e datas em ambiente de produção
Pontos-chave da aula
- Memória de agente vai além de busca: requer frescor, peso e contexto conectado.
- O cálculo de recência evita que fatos antigos sobreponham lições atuais.
- O SurrealDB permite associar regras a fatos no mesmo banco por meio de grafos.
- Esquecer informações expiradas pode ser resolvido diretamente na consulta WHERE.
- O ciclo de lembrar, agir e reforçar torna o agente progressivamente mais eficiente.
Capítulos e roteiro técnico da aula
9 capítulos minutados- 00:00
O problema da amnésia em agentes autônomos
Introdução ao esquecimento recorrente em sessões de agentes e apresentação do problema de memórias obsoletas.
- 00:22
De busca em documentos para aprendizado do agente
A transição do RAG em documentos estáticos para a recuperação do histórico próprio do agente.
- 00:35
Por que agentes precisam de memória de longo prazo
Como a inicialização a frio consome tokens e como recência, relevância e ligações superam o aumento de contexto.
- 01:18
Modelagem da tabela de memórias no SurrealDB
Criação do schema com tipos de memória, restrições com ASSERT, controle de validade e conexões em grafo.
- 03:04
Semeando fatos, preferências e episódios
Inserção de oito memórias com vetores de exemplo, validade temporal e relacionamentos entre incidentes e regras.
- 03:47
Recuperando memórias com pontuação composta
Cálculo combinando similaridade vetorial, recência temporal e importância para selecionar memórias ativas.
- 05:09
Resgatando motivos e contexto através do grafo
Uso de travessia em grafo no SurrealDB para trazer a regra e o episódio que a motivou em uma só consulta.
- 05:32
Mecanismos para esquecer memórias e reforçar uso
Filtragem de registros vencidos via WHERE e ciclo de reforço que aumenta a importância de memórias utilizadas.
- 06:28
Transição para produção e visão da próxima aula
Adaptação para modelos de embeddings reais, uso de time::now() e introdução às consultas geradas pelo agente.
Momentos de destaque na prática
O imposto da partida a frio e o papel da memória
Descubra por que aumentar o contexto não resolve o esquecimento de agentes e como a memória poupa tokens.
Como calcular semelhança, recência e importância
Aprenda a fórmula que equilibra similaridade semântica, frescor e relevância em uma única consulta.
Como esquecer e reforçar memórias no SurrealDB
Veja como descartar dados obsoletos sem rotinas agendadas e fortalecer lições aprendidas a cada execução.
Notas de aula e guia de estudo
Agentes que dependem apenas da janela de contexto sofrem com o imposto da partida a frio, pagando tokens repetidos a cada sessão iniciada. Para resolver isso de forma econômica e robusta, você vai construir uma camada de memória persistente completa dentro do SurrealDB.
Você verá como transformar uma busca vetorial comum em um sistema cognitivo real, equilibrando similaridade semântica com recência temporal e notas de importância. Também explorará as conexões em grafo para explicar regras e os filtros automáticos para esquecer memórias expiradas sem depender de rotinas de limpeza.
O que você vai aprender
- Como modelar uma tabela de memórias com restrições e validações via ASSERT
- Como calcular uma nota composta que reúne similaridade vetorial, recência e relevância
- Como resgatar regras associadas a incidentes passados usando navegação por grafo
- Como descartar dados obsoletos com filtros de validade e reforçar o peso de memórias úteis
- Como migrar a estrutura de protótipo para vetores e datas em ambiente de produção
Pontos-chave
- Memória de agente vai além de busca: requer frescor, peso e contexto conectado.
- O cálculo de recência evita que fatos antigos sobreponham lições atuais.
- O SurrealDB permite associar regras a fatos no mesmo banco por meio de grafos.
- Esquecer informações expiradas pode ser resolvido diretamente na consulta WHERE.
- O ciclo de lembrar, agir e reforçar torna o agente progressivamente mais eficiente.