ai-agents-for-beginners
Memória para Agentes de IA
Ao discutir os benefícios únicos da criação de Agentes de IA, são principalmente abordadas duas coisas: 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 analisar o que é a memória para Agentes de IA e como a podemos gerir e usar em benefício das nossas aplicações.
Introdução
Esta lição cobrirá:
• Compreender a Memória dos Agentes de IA: O que é memória e porque é essencial para os agentes.
• Implementação e Armazenamento da Memória: Métodos práticos para adicionar capacidades de memória aos seus agentes de IA, focando em memória de curto e longo prazo.
• Tornar os Agentes de IA Autoaperfeiçoáveis: 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 Microsoft Agent Framework
• 13-agent-memory-cognee.ipynb: Implementa memória estruturada usando Cognee, construindo automaticamente gráfico de conhecimento suportado por embeddings, visualizando o gráfico e recuperação inteligente
Objetivos de Aprendizagem
Depois de completar esta lição, saberá como:
• Diferenciar entre vários tipos de memória de agente de IA, incluindo memória de trabalho, curto prazo e longo prazo, bem como formas especializadas como memória de persona e episódica.
• Implementar e gerir memória de curto e longo prazo para agentes de IA usando Microsoft Agent Framework, aproveitando ferramentas como Mem0, Cognee, memória Whiteboard, e integrando com Azure AI Search.
• Compreender os princípios por trás dos agentes de IA autoaperfeiçoados e como sistemas robustos de gestão da memória contribuem para o aprendizado contínuo e adaptação.
Compreender 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, aplicações de IA são frequentemente sem estado, o que significa que cada interação começa do zero. Isto conduz a uma experiência de utilizador repetitiva e frustrante onde o agente “esquece” o contexto ou preferências anteriores.
Porque é que a Memória é Importante?
a inteligência de um agente está profundamente ligada à sua capacidade de recordar e utilizar informações passadas. A memória permite que os agentes sejam:
• Reflexivos: Aprender a partir de ações e resultados passados.
• Interativos: Manter o contexto ao longo de uma conversa em curso.
• Proativos e Reativos: Antecipar necessidades ou responder apropriadamente com base em dados históricos.
• Autónomos: Operar com mais independência tirando partido do conhecimento armazenado.
O objetivo de implementar memória é tornar os agentes mais fiáveis e capazes.
Tipos de Memória
Memória de Trabalho
Pense nesta como uma folha de rascunho que o agente usa durante uma única tarefa ou processo de pensamento em curso. Contém informação imediata necessária para calcular o próximo passo.
Para agentes de IA, a memória de trabalho captura frequentemente a informação mais relevante de uma conversa, mesmo que o histórico completo do chat seja longo ou truncado. Foca-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 a duração de uma única conversa ou sessão. É o contexto do chat atual, permitindo que o agente se refira a passos anteriores no diálogo.
Nos exemplos do SDK Python do Microsoft Agent Framework, isto corresponde a AgentSession, criado com agent.create_session(). A sessão é a memória de curto prazo incorporada no framework: mantém o contexto da conversa disponível enquanto essa sessão é reutilizada, mas esse contexto não é preservado quando a sessão termina ou a aplicação reinicia. Use memória de longo prazo para factos e preferências que precisam de sobreviver a várias sessões, tipicamente através de uma base de dados, índice vetorial ou outro armazenamento persistente.
Exemplo de Memória de Curto Prazo
Se um utilizador perguntar “Quanto custaria um voo para Paris?” e depois seguir com “E a acomodação lá?”, a memória de curto prazo garante que o agente sabe que “lá” se refere a “Paris” dentro da mesma conversa.
Memória de Longo Prazo
Esta é informação que persiste através de 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 personalização.
Exemplo de Memória de Longo Prazo
Uma memória de longo prazo pode armazenar que “Ben gosta de esquiar 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 especializado de memória ajuda um agente a desenvolver uma “personalidade” ou “persona” consistente. Permite que o agente se lembre de detalhes sobre si próprio ou sobre 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 se alinharem com o tom e conhecimento de um expert.
Memória de Fluxo de Trabalho/Episódica
Esta memória armazena a sequência de passos que um agente realiza 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 essa falha, 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 lembrar entidades específicas (como pessoas, lugares ou coisas) e eventos das 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 poderia recordar “Le Chat Noir” e oferecer-se para fazer uma nova reserva lá.
Structured RAG (Geração Aumentada por Recuperação Estruturada)
Embora RAG seja uma técnica mais ampla, o “Structured RAG” é destacado como uma tecnologia poderosa de memória. Extrai informação densa e estruturada de várias fontes (conversas, emails, imagens) e usa-a para melhorar a precisão, o recall e a rapidez nas respostas. Ao contrário do RAG clássico que depende apenas da similaridade semântica, o Structured RAG trabalha com a estrutura inerente da informação.
Exemplo de Structured RAG
Em vez de apenas corresponder palavras-chave, o Structured RAG pode analisar detalhes de voo (destino, data, hora, companhia aérea) a partir de um email e armazená-los de forma estruturada. Isto permite consultas precisas como “Que voo marquei para Paris na terça-feira?”
Implementação e Armazenamento da Memória
Implementar memória para agentes de IA envolve um processo sistemático de gestão de 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 dos agentes é usando ferramentas especializadas como Mem0. O 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 aqui 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 ao serviço Mem0, que usa um Modelo de Linguagem Grande (LLM) para resumir o histórico da conversa e extrair novas memórias. Subsequentemente, uma fase de atualização conduzida por LLM determina se deve adicionar, modificar ou eliminar essas memórias, armazenando-as num repositório híbrido que pode incluir bases de dados vetoriais, de 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 gráficos de conhecimento consultáveis suportados por embeddings. O Cognee fornece uma arquitetura de armazenamento dual que combina pesquisa por similaridade vetorial com relações em grafos, permitindo que os agentes compreendam não apenas que informação é similar, mas como os conceitos se relacionam entre si.
Destaca-se na recuperação híbrida que mistura similaridade vetorial, estrutura de grafos e raciocínio LLM – desde a consulta direta a fragmentos até perguntas conscientes do gráfico. O sistema mantém uma memória viva que evolui e cresce enquanto permanece consultável como um gráfico conectado, suportando tanto contexto de sessão de curto prazo como memória persistente de longo prazo.
O tutorial em notebook do Cognee (13-agent-memory-cognee.ipynb) demonstra a construção desta camada unificada de memória, com exemplos práticos de ingestão de diversas fontes de dados, visualização do gráfico de conhecimento e consulta com diferentes estratégias de pesquisa adaptadas às necessidades específicas do agente.
Armazenamento de Memória com RAG
Além das ferramentas especializadas de memória como o mem0, pode aproveitar serviços robustos de pesquisa como Azure AI Search como backend para armazenar e recuperar memórias, especialmente para Structured RAG.
Isto permite fundamentar as respostas do seu agente com os seus próprios dados, garantindo respostas mais relevantes e precisas. Azure AI Search pode ser usado para armazenar memórias de viagens específicas do utilizador, catálogos de produtos, ou qualquer outro conhecimento específico de domínio.
O Azure AI Search suporta capacidades como Structured RAG, que se destaca na extração e recuperação de informação densa e estruturada de grandes conjuntos de dados como históricos de conversa, emails ou até imagens. Isto proporciona “precisão e recall sobre-humanos” comparados com abordagens tradicionais de fragmentação de texto e embeddings.
Tornar os Agentes de IA Autoaperfeiçoáveis
Um padrão comum para agentes autoaperfeiçoáveis envolve a introdução de 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 salvar como conhecimento geral ou preferência específica do utilizador.
-
Extrair e resumir: Destilar a aprendizagem ou preferência essencial da conversa.
-
Armazenar numa base de conhecimento: Persistir esta informação extraída, frequentemente numa base de dados vetorial, para poder ser recuperada mais tarde.
-
Aumentar consultas futuras: Quando o utilizador iniciar uma nova consulta, o agente de conhecimento recupera a informação armazenada relevante e anexa-a ao prompt do utilizador, fornecendo contexto crucial ao agente primário (semelhante ao RAG).
Otimizações para a Memória
• Gestão de Latência: Para evitar atrasar as interações do utilizador, pode usar inicialmente um modelo mais barato e rápido para verificar rapidamente se a informação é valiosa para armazenar ou recuperar, invocando o processo de extração/recuperação mais complexo apenas 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 Microsoft Foundry Discord para encontrar outros aprendizes, participar em horas de atendimento e obter respostas às suas questões sobre Agentes de IA.
Aviso Legal: Este documento foi traduzido utilizando o serviço de tradução automática Co-op Translator. Embora nos esforcemos pela precisão, esteja ciente de que traduções automáticas podem conter erros ou imprecisões. O documento original na sua língua nativa deve ser considerado a fonte autorizada. Para informações críticas, recomenda-se tradução profissional humana. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações incorretas resultantes da utilização desta tradução.