ai-agents-for-beginners
Memória para Agentes de IA
Ao discutir os benefícios únicos de criar Agentes de IA, são principalmente duas as coisas debatidas: a capacidade de chamar ferramentas para completar tarefas e a capacidade de melhorar ao longo do tempo. A memória está na base da criação de um agente autoaperfeiçoador que pode criar melhores experiências para os nossos utilizadores.
Nesta lição, vamos ver o que é a memória para Agentes de IA e como podemos geri-la e utilizá-la em benefício das nossas aplicações.
Introdução
Esta lição vai cobrir:
• Compreensão da Memória dos Agentes de IA: O que é memória e por que é essencial para os agentes.
• Implementação e Armazenamento da Memória: Métodos práticos para adicionar capacidades de memória aos seus agentes de IA, focando na memória de curto e longo prazo.
• Tornar os Agentes de IA Autoaperfeiçoantes: Como a memória permite que os agentes aprendam de interações passadas e melhorem ao longo do tempo.
Implementações Disponíveis
Esta lição inclui dois tutoriais completos em notebook:
• 13-agent-memory.ipynb: Implementa memória usando Mem0 e Azure AI Search com o framework Semantic Kernel
• 13-agent-memory-cognee.ipynb: Implementa memória estruturada usando Cognee, construindo automaticamente um grafo de conhecimento sustentado por embeddings, visualizando o grafo e recuperação inteligente
Objetivos de Aprendizagem
Depois de concluir esta lição, saberá como:
• Diferenciar entre vários tipos de memória de agentes de IA, incluindo memória de trabalho, curto prazo e longo prazo, bem como formas especializadas como memória de persona e memória episódica.
• Implementar e gerir memória de curto e longo prazo para agentes de IA usando o framework Semantic Kernel, aproveitando ferramentas como Mem0, Cognee, Whiteboard memory, e integrando com Azure AI Search.
• Compreender os princípios por trás dos agentes de IA autoaperfeiçoantes e como sistemas robustos de gestão de memória contribuem para aprendizagem e adaptação contínuas.
Compreendendo a Memória dos Agentes de IA
Na sua essência, memória para agentes de IA refere-se aos mecanismos que lhes permitem reter e recordar informação. Esta informação pode ser detalhes específicos sobre uma conversa, preferências do utilizador, ações passadas, ou mesmo padrões aprendidos.
Sem memória, as aplicações de IA são frequentemente sem estado, o que significa que cada interação começa do zero. Isto leva a uma experiência repetitiva e frustrante onde o agente “esquece” o contexto ou preferências anteriores.
Porque é a Memória Importante?
A inteligência de um agente está profundamente ligada à sua capacidade de recordar e utilizar a informação passada. A memória permite que os agentes sejam:
• Reflexivos: Aprendendo com ações e resultados passados.
• Interativos: Mantendo o contexto ao longo de uma conversa em curso.
• Proativos e Reativos: Antecipando necessidades ou respondendo adequadamente com base em dados históricos.
• Autónomos: Operando de forma mais independente ao recorrer ao conhecimento armazenado.
O objetivo da implementação da memória é tornar os agentes mais fiáveis e capazes.
Tipos de Memória
Memória de Trabalho
Pense nisto como uma folha de rascunho que um agente usa durante uma tarefa ou processo de pensamento em curso. Ela contém informação imediata necessária para calcular o próximo passo.
Para agentes de IA, a memória de trabalho frequentemente captura a informação mais relevante de uma conversa, mesmo que o histórico completo do chat seja longo ou truncado. Concentra-se em extrair elementos-chave como requisitos, propostas, decisões e ações.
Exemplo de Memória de Trabalho
Num agente de reserva de viagens, a memória de trabalho pode capturar o pedido atual do utilizador, como “Quero reservar uma viagem para Paris”. Este requisito específico é mantido no contexto imediato do agente para orientar a interação atual.
Memória de Curto Prazo
Este tipo de memória retém informação durante uma única conversa ou sessão. É o contexto do chat atual, permitindo que o agente se refira a turnos anteriores no diálogo.
Exemplo de Memória de Curto Prazo
Se um utilizador perguntar, “Quanto custa um voo para Paris?” e depois perguntar “E a acomodação lá?”, a memória de curto prazo garante que o agente sabe que “lá” refere-se a “Paris” dentro da mesma conversa.
Memória de Longo Prazo
Esta é informação que persiste em múltiplas conversas ou sessões. Permite que os agentes se lembrem de preferências do utilizador, interações históricas, ou conhecimento geral ao longo de períodos prolongados. Isto é importante para a personalização.
Exemplo de Memória de Longo Prazo
Uma memória de longo prazo pode armazenar que “o Ben gosta de esqui e atividades ao ar livre, gosta de café com vista para a montanha, e quer evitar pistas de esqui avançadas devido a uma lesão passada”. Esta informação, aprendida de interações anteriores, influencia recomendações em futuras sessões de planeamento de viagens, tornando-as altamente personalizadas.
Memória de Persona
Este tipo de memória especializado ajuda um agente a desenvolver uma “personalidade” ou “persona” consistente. Permite que o agente se lembre de detalhes sobre si próprio ou o seu papel pretendido, tornando as interações mais fluidas e focadas.
Exemplo de Memória de Persona
Se o agente de viagens for desenhado para ser um “planeador de esqui especialista”, a memória de persona pode reforçar este papel, influenciando as suas respostas para alinhar com o tom e conhecimento de um especialista.
Memória de Workflow/Episódica
Esta memória armazena a sequência de passos que um agente toma durante uma tarefa complexa, incluindo sucessos e falhas. É como recordar “episódios” específicos ou experiências passadas para aprender com eles.
Exemplo de Memória Episódica
Se o agente tentou reservar um voo específico mas falhou devido a indisponibilidade, a memória episódica poderia registar esse fracasso, permitindo que o agente tente voos alternativos ou informe o utilizador sobre o problema de forma mais informada numa tentativa subsequente.
Memória de Entidade
Isto envolve extrair e recordar entidades específicas (como pessoas, lugares ou coisas) e eventos de conversas. Permite que o agente construa uma compreensão estruturada dos elementos-chave discutidos.
Exemplo de Memória de Entidade
Numa conversa sobre uma viagem passada, o agente pode extrair “Paris”, “Torre Eiffel” e “jantar no restaurante Le Chat Noir” como entidades. Numa interação futura, o agente pode recordar “Le Chat Noir” e oferecer-se para fazer uma nova reserva lá.
RAG Estruturado (Retrieval Augmented Generation)
Embora RAG seja uma técnica mais ampla, o “RAG Estruturado” é destacado como uma tecnologia de memória poderosa. Extrai informação densa e estruturada de várias fontes (conversas, emails, imagens) e usa-a para melhorar precisão, recordação e velocidade nas respostas. Ao contrário do RAG clássico que depende apenas da similaridade semântica, o RAG Estruturado trabalha com a estrutura inerente da informação.
Exemplo de RAG Estruturado
Em vez de apenas associar palavras-chave, o RAG Estruturado pode analisar detalhes de um voo (destino, data, hora, companhia aérea) de um email e armazená-los de forma estruturada. Isto permite consultas precisas como “Que voo reservei para Paris na terça-feira?”
Implementação e Armazenamento da Memória
Implementar memória para agentes de IA envolve um processo sistemático de gestão da memória, que inclui gerar, armazenar, recuperar, integrar, atualizar e até “esquecer” (ou eliminar) informação. A recuperação é um aspeto particularmente crucial.
Ferramentas Especializadas de Memória
Mem0
Uma forma de armazenar e gerir memória de agente é usar ferramentas especializadas como Mem0. Mem0 funciona como uma camada de memória persistente, permitindo que os agentes recordem interações relevantes, armazenem preferências do utilizador e contexto factual, e aprendam com sucessos e falhas ao longo do tempo. A ideia é que agentes sem estado se transformem em agentes com estado.
Funciona através de um pipeline de memória em duas fases: extração e atualização. Primeiro, mensagens adicionadas ao thread de um agente são enviadas para o serviço Mem0, que usa um Modelo de Linguagem Grande (LLM) para resumir o histórico da conversa e extrair novas memórias. Posteriormente, uma fase de atualização conduzida por um LLM determina se deve adicionar, modificar ou eliminar essas memórias, armazenando-as numa base de dados híbrida que pode incluir bases de dados vetoriais, grafos e chave-valor. Este sistema também suporta vários tipos de memória e pode incorporar memória de grafo para gerir relações entre entidades.
Cognee
Outra abordagem poderosa é usar o Cognee, uma memória semântica open-source para agentes de IA que transforma dados estruturados e não estruturados em grafos de conhecimento consultáveis suportados por embeddings. O Cognee fornece uma arquitetura de armazenamento dual que combina pesquisa por similaridade vetorial com relacionamentos de grafo, capacitando agentes a entender não apenas que informação é semelhante, mas como os conceitos se relacionam entre si.
Destaca-se na recuperação híbrida que mistura similaridade vetorial, estrutura de grafo e raciocínio LLM - desde a consulta de fragmentos brutos até respostas conscientes do grafo. O sistema mantém uma memória viva que evolui e cresce enquanto permanece consultável como um grafo conectado, suportando tanto contexto de sessão de curto prazo como memória persistente de longo prazo.
O tutorial em notebook de Cognee (13-agent-memory-cognee.ipynb) demonstra a construção desta camada de memória unificada, com exemplos práticos de ingestão de fontes de dados diversas, visualização do grafo de conhecimento e consulta com diferentes estratégias de pesquisa adaptadas às necessidades específicas do agente.
Armazenar Memória com RAG
Para além das ferramentas especializadas de memória como Mem0, pode aproveitar serviços robustos de pesquisa como Azure AI Search como backend para armazenar e recuperar memórias, especialmente para RAG estruturado.
Isto permite fundamentar as respostas do seu agente com os seus próprios dados, assegurando respostas mais relevantes e precisas. O Azure AI Search pode ser usado para armazenar memórias específicas de viagens do utilizador, catálogos de produtos, ou qualquer outro conhecimento específico de domínio.
O Azure AI Search suporta capacidades como RAG Estruturado, que se destaca na extração e recuperação de informação densa e estruturada de grandes conjuntos de dados como históricos de conversas, emails, ou até imagens. Isto proporciona “precisão e recordação sobre-humanas” comparadas às abordagens tradicionais de fragmentação de texto e embeddings.
Tornando os Agentes de IA Autoaperfeiçoantes
Um padrão comum para agentes autoaperfeiçoantes envolve introduzir um “agente de conhecimento”. Este agente separado observa a conversa principal entre o utilizador e o agente primário. O seu papel é:
-
Identificar informação valiosa: Determinar se alguma parte da conversa vale a pena guardar como conhecimento geral ou preferência específica do utilizador.
-
Extrair e resumir: Destilar a aprendizagem essencial ou preferência da conversa.
-
Armazenar numa base de conhecimento: Persistir esta informação extraída, frequentemente numa base de dados vetorial, para que possa ser recuperada posteriormente.
-
Aumentar consultas futuras: Quando o utilizador inicia uma nova consulta, o agente de conhecimento recupera informação armazenada relevante e anexa-a ao prompt do utilizador, fornecendo contexto crucial ao agente principal (semelhante a RAG).
Otimizações para a Memória
• Gestão da Latência: Para evitar atrasar as interações do utilizador, pode ser usado inicialmente um modelo mais barato e rápido para verificar rapidamente se a informação vale a pena armazenar ou recuperar, só acionando o processo mais complexo de extração/recuperação quando necessário.
• Manutenção da Base de Conhecimento: Para uma base de conhecimento em crescimento, a informação menos frequentemente usada pode ser movida para “armazenamento frio” para gerir custos.
Tem Mais Perguntas Sobre Memória de Agentes?
Junte-se ao Azure AI Foundry Discord para encontrar outros aprendizes, participar em sessões de esclarecimento e obter respostas às suas perguntas sobre Agentes de IA.
Aviso Legal: Este documento foi traduzido utilizando o serviço de tradução por IA Co-op Translator. Embora nos esforcemos por alcançar a precisão, esteja ciente de que traduções automáticas podem conter erros ou imprecisões. O documento original na sua língua nativa deve ser considerado a fonte oficial. Para informações críticas, recomenda-se tradução profissional humana. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações erradas decorrentes da utilização desta tradução.