Estratégias de IA: Tiger Data Repensa a Gestão da Memória de Agentes

A Tiger Data está questionando paradigmas estabelecidos na gestão de memória para agentes de IA. A empresa adota uma abordagem minimalista e foca em capacitar o próprio agente para buscar informações, em vez de depender de pré-processamento complexo. A estratégia envolve armazenar interações de conversação cruas em uma única tabela do PostgreSQL, expondo ferramentas de busca específicas para que o agente decida como e o que consultar. Esta simplificação se mostrou mais eficaz em testes, superando métodos tradicionais que empregam extração de fatos, grafos de conhecimento e sumarização de sessões, com um F1 de 0.665 no benchmark LoCoMo usando Claude Sonnet, em comparação com 0.613 do Omni-SimpleMem.

Tecnicamente, a Tiger Data utiliza PostgreSQL com pgvector para busca vetorial, pg_textsearch para busca de texto completo e ltree para hierarquias. As incorporações (embeddings) vêm do OpenAI text-embedding-3-small, sem chamadas de LLM durante a ingestão de dados. O coração do sistema não está em um pipeline de recuperação fixo, mas na capacidade do agente de adaptar sua estratégia de busca por meio de ferramentas e um prompt de sistema bem definido. Isso otimiza o uso de ferramentas, evita o custo de processamento desnecessário e melhora a precisão, realçando que a qualidade dos resultados reside na interface da ferramenta e na capacidade do agente de se autorregular, e não na complexidade da infraestrutura de memória.

A abordagem da Tiger Data marca uma mudança notável em relação a discussões anteriores na comunidade de IA e na própria cobertura do CEVIU News. Em abril de 2026, um artigo alertava: "Não Trate a Memória de IA Como um Problema de Busca". Aquela análise defendia que a memória de IA exigia gerenciamento ativo de decaimento, contradição e confiança, com um design baseado em SQLite para essas funcionalidades. A Tiger Data, no entanto, argumenta e demonstra numericamente que, com as ferramentas e prompts certos, a memória pode e deve ser tratada como um problema de busca eficaz, diretamente pelo agente.

Além disso, enquanto o CEVIU News destacou o formato Memoryfields em setembro de 2026 como um padrão simplificado de armazenamento (Markdown com metadados YAML e índice vetorial SQLite), a Tiger Data vai além da padronização de formato. Ela prova que a complexidade da gestão da memória não precisa residir nem em um formato especializado, nem em camadas de pré-processamento, mas sim na inteligência do agente para navegar em dados brutos. A empresa desmistifica a necessidade de extração de fatos, sumarização e grafos de conhecimento, elementos considerados essenciais em muitos dos sistemas anteriores.

Para empresas, a simplificação da arquitetura de memória proposta pela Tiger Data é um divisor de águas. Ao eliminar a necessidade de extração de fatos e outros pré-processamentos, os custos de ingestão de dados e a complexidade operacional diminuem significativamente. Isso permite que equipes de TI e arquitetos de sistemas implementem agentes de IA de longo prazo com maior agilidade e menor sobrecarga, sem comprometer o desempenho.

A ênfase na capacidade do agente de autogerenciar sua busca e na importância de um design de ferramentas simples redefine a estratégia de desenvolvimento. O foco muda da construção de pipelines de dados complexos para a engenharia de prompts e interfaces de ferramentas intuitivas. A preocupação com a "rejeição adversária" (a capacidade do agente de se recusar a responder quando não há dados fundamentados) também é crucial para a governança e a segurança da informação, assegurando que os sistemas de IA corporativos sejam confiáveis e evitem alucinações. Este modelo aponta para uma era de agentes de IA mais eficientes, autônomos e mais fáceis de escalar.