Ao discutir os benefícios únicos de criar Agentes de IA, dois aspetos são principalmente debatidos: 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 autoaperfeiçoável que pode criar melhores experiências para os nossos utilizadores.
Nesta lição, iremos ver o que é a memória para Agentes de IA e como podemos geri-la e utilizá-la para benefício das nossas aplicações.
Esta lição irá cobrir:
• Compreender a Memória dos Agentes de IA: O que é a 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-se na memória de curto prazo e de longo prazo.
• Tornar os Agentes de IA Autoaperfeiçoáveis: Como a memória permite aos agentes aprender com interações passadas e melhorar ao longo do tempo.
Esta lição inclui dois tutoriais completos em notebooks:
• 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 suportado por embeddings, visualizando o grafo e recuperação inteligente
Depois de completar esta lição, saberá como:
• Diferenciar entre vários tipos de memória dos agentes de IA, incluindo memória operacional, de curto prazo e de longo prazo, assim como formas especializadas como memória de persona e memórias episódicas.
• Implementar e gerir memória de curto e longo prazo para agentes de IA usando o framework Semantic Kernel, aproveitando ferramentas como Mem0, Cognee, memória em Whiteboard, e integrando com Azure AI Search.
• Compreender os princípios por detrás dos agentes de IA autoaperfeiçoáveis e como sistemas robustos de gestão de memória contribuem para a aprendizagem contínua e adaptação.
Na sua essência, a 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 até padrões aprendidos.
Sem memória, as 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.
A inteligência de um agente está profundamente ligada à sua capacidade de recordar e utilizar informação passada. A memória permite que os agentes sejam:
• Reflexivos: Aprendendo com ações e resultados anteriores.
• 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 de implementar memória é tornar os agentes mais fiáveis e capazes.
Considere isto como uma folha de rascunho que um agente usa durante uma tarefa ou processo de pensamento único e contínuo. Esta memória contém a informação imediata necessária para calcular o próximo passo.
Para agentes de IA, a memória operacional captura muitas vezes a informação mais relevante de uma conversa, mesmo que o histórico completo do chat seja extenso ou truncado. Foca-se em extrair elementos-chave como requisitos, propostas, decisões e ações.
Exemplo de Memória Operacional
Numa agente de reserva de viagens, a memória operacional pode captar o pedido atual do utilizador, como "Quero reservar uma viagem para Paris". Este requisito específico está presente no contexto imediato do agente para orientar a interação atual.
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 turnos anteriores do diálogo.
Exemplo de Memória de Curto Prazo
Se um utilizador pergunta, "Quanto custaria um voo para Paris?" e depois segue com "E quanto custa a acomodação lá?", a memória de curto prazo assegura que o agente sabe que "lá" se refere a "Paris" dentro da mesma conversa.
Esta é a informação que persiste ao longo de múltiplas conversas ou sessões. Permite aos agentes lembrar preferências do utilizador, interações históricas ou conhecimentos gerais ao longo de períodos prolongados. Isto é importante para 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, aprecia café com vista para a montanha e quer evitar pistas de esqui avançadas devido a uma lesão anterior". Esta informação, aprendida em interações anteriores, influencia recomendações em futuras sessões de planeamento de viagens, tornando-as altamente personalizadas.
Este tipo de memória especializada ajuda um agente a desenvolver uma "personalidade" ou "persona" consistente. Permite ao agente lembrar 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-se com o tom e conhecimento de um especialista.
Esta memória armazena a sequência de passos que um agente toma durante uma tarefa complexa, incluindo sucessos e falhas. É como lembrar "episódios" específicos ou experiências passadas para aprender com eles.
Exemplo de Memória Episódica
Se o agente tentou reservar um voo específico mas falhou devido à 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.
Isto envolve extrair e lembrar entidades específicas (como pessoas, locais ou coisas) e eventos de conversas. Permite ao agente construir um entendimento estruturado 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 fazer uma nova reserva lá.
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, e-mails, imagens) e usa-a para melhorar a precisão, a recordação e a velocidade das respostas. Ao contrário do RAG clássico que se baseia apenas na similaridade semântica, o RAG Estruturado trabalha com a estrutura inerente da informação.
Exemplo de RAG Estruturado
Em vez de apenas corresponder palavras-chave, o RAG Estruturado poderia analisar detalhes de voo (destino, data, hora, companhia aérea) de um e-mail e armazená-los de forma estruturada. Isto permite consultas precisas como "Qual o voo que reservei para Paris na terça-feira?"
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.
Uma forma de armazenar e gerir a memória dos agentes é usar ferramentas especializadas como o Mem0. O Mem0 funciona como uma camada persistente de memória, 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 tornam agentes com estado.
Funciona através de uma pipeline de memória em duas fases: extração e atualização. Primeiro, as mensagens adicionadas a um tópico do agente são enviadas ao serviço Mem0, que utiliza um Modelo de Linguagem Grande (LLM) para resumir o histórico da conversa e extrair novas memórias. Subsequentemente, 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, de grafos e de chave-valor. Este sistema suporta também vários tipos de memória e pode incorporar memória em grafos para gerir relações entre entidades.
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 relações em grafos, permitindo aos agentes entender não só que informação é similar, mas como os conceitos se relacionam entre si.
Destaca-se pela recuperação híbrida que combina similaridade vetorial, estrutura de grafos e raciocínio LLM – desde pesquisa de fragmentos crus até resposta a perguntas consciente de grafos. O sistema mantém uma memória viva que evolui e cresce enquanto permanece consultável como um grafo conectado, suportando tanto o contexto de sessão de curto prazo como a 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 várias fontes de dados, visualização do grafo de conhecimento e consulta com diferentes estratégias de busca adaptadas às necessidades específicas dos agentes.
Para além de ferramentas especializadas de memória como o Mem0, pode aproveitar serviços de busca robustos como o Azure AI Search como backend para armazenar e recuperar memórias, especialmente para RAG estruturado.
Isto permite fundamentar as respostas do seu agente nos seus próprios dados, garantindo respostas mais relevantes e precisas. O 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 o RAG Estruturado, que se destaca na extração e recuperação de informação densa e estruturada de grandes conjuntos de dados como históricos de conversas, e-mails, ou mesmo imagens. Isto oferece "precisão e recordação super-humanas" comparado com abordagens tradicionais de fragmentação de texto e embeddings.
Um padrão comum para agentes autoaperfeiçoáveis 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 ser guardada como conhecimento geral ou preferência específica do utilizador.
-
Extrair e resumir: Destilar o aprendizado essencial ou preferência da conversa.
-
Armazenar numa base de conhecimento: Persistir esta informação extraída, muitas vezes numa base de dados vetorial, para que possa ser recuperada mais tarde.
-
Aumentar consultas futuras: Quando o utilizador inicia 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).
• Gestão da Latência: Para evitar atrasos nas interações dos utilizadores, um modelo mais barato e rápido pode ser usado inicialmente para verificar rapidamente se a informação vale a pena guardar ou recuperar, somente invocando o processo mais complexo de extração/recuperação quando necessário.
• Manutenção da Base de Conhecimento: Para uma base de conhecimento em crescimento, a informação menos utilizada pode ser movida para "armazenamento frio" para gerir custos.
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 para garantir a precisão, esteja ciente de que traduções automáticas podem conter erros ou imprecisões. O documento original no seu idioma nativo deve ser considerado a fonte oficial. Para informações críticas, recomenda-se a tradução profissional humana. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações incorretas decorrentes da utilização desta tradução.