Anthropic detalha como construir memória de longo prazo para agentes de IA

A Anthropic define memória de agente como o conhecimento que o Claude ganha com a experiência e guarda entre sessões, em forma de contexto que ele lê depois. Ficam de fora mudanças nos pesos, aprendizado em contexto e compactação. A ideia central é uma divisão de trabalho inspirada no cérebro: o agente registra o que acontece durante a sessão e, em períodos ociosos, reorganiza esse material. O processo se chama dreaming e parte do conceito de sleep-time compute, proposto por pesquisadores da Letta e da UC Berkeley.

Os testes dão números concretos. No CL-Bench 1.0, rodado com Claude Managed Agents, o Opus 5 foi o primeiro a fechar o ciclo de aprendizado, com regras validadas e avisos sobre armadilhas. No Pokémon Red, o Sonnet 3.7 escreveu 413 arquivos em 225 pastas e ganhou uma insígnia. O Fable 5 escreveu nove arquivos em duas pastas, mais um global.md, e ganhou quatro. Sobre instrução, a empresa diz que ajuda dizer ao modelo para que serve a memória, não como usá-la. Regras fixas como "registrar só falhas" tiraram boa parte do ganho do Opus 5 e do Opus 4.7.

O dreaming também corrige e constrói. Num caso em Mt. Moon, a nota errada sobre a posição do PokéCenter foi checada contra a transcrição e reescrita, e o agente seguiu até Cerulean City. Com um corpus de cerca de 350 mil arquivos (uns 420M de tokens) da Stainless, empresa adquirida em maio, o desempenho em 25 perguntas foi de 13% a 48% dos critérios ao passar de duas para 128 sessões de dreaming. Com wiki e busca juntas, a pontuação foi de 54% a 61%, contra 53% só com busca.

Em 9 de abril de 2026, o CEVIU noticiou "Anthropic Lança Agentes Gerenciados para Tarefas de Longa Duração", sobre o sistema hospedado que sustenta tarefas longas. Agora a própria Anthropic usa os Managed Agents como base dos testes de memória, com diretório persistente entre sessões. Já em 28 de abril de 2026, "Padrões de Memória para Agentes: Como a IA Ganha Persistência" tratava de arquivos, memory blocks e skills. O novo texto avança para a etapa de manutenção: reorganizar e corrigir a memória fora da sessão, com dreaming e wikis.

Para quem opera agentes de longa duração, a leitura é que escrever memória é só metade do problema. Sem uma etapa de revisão contra a transcrição, uma nota errada vira regra confiável. Também sugere que, com modelos mais fortes, regras rígidas de gravação podem custar desempenho. Os números vêm de testes da própria Anthropic, então vale validar no seu caso.