Os pesquisadores categorizam a memória agêntica da mesma forma que os psicólogos categorizam a memória humana. O influente artigo Cognitive Architectures for Language Agents (CoALA)1 de uma equipe da Princeton University descreve os diferentes tipos de memória como:
Memória de curto prazo
A memória de curto prazo (STM) permite que um agente de IA se lembre de entradas recentes para tomada de decisão imediata. Esse tipo de memória é útil na IA conversacional, onde é necessária a manutenção do contexto em várias trocas.
Por exemplo, um chatbot que se lembra de mensagens anteriores em uma sessão pode fornecer respostas coerentes em vez de tratar cada entrada de usuário de forma isolada, melhorando a experiência do usuário. Por exemplo, o ChatGPT da OpenAI mantém o histórico de chat em uma única sessão, ajudando a garantir conversas mais suaves e conscientes do contexto.
O STM é normalmente implementado usando um buffer contínuo ou uma janela de contexto, que retém uma quantidade limitada de dados recentes antes de serem substituídos. Embora essa abordagem melhore a continuidade em interações curtas, ela não mantém informações além da sessão, tornando-a inadequada para personalização ou aprendizado a longo prazo.
Memória de longo prazo
A memória de longo prazo (LTM) permite que agentes de IA armazenem e recuperem informações entre diferentes sessões, tornando-os mais personalizados e inteligentes com o tempo.
Diferentemente da memória de curto prazo, a memória de longo prazo é projetada para armazenamento permanente, geralmente implementada por meio de bancos de dados, gráficos de conhecimento ou embeddings de vetores. Esse tipo de memória é essencial para aplicações de IA que exigem conhecimento histórico, como assistentes personalizados e sistemas de recomendação.
Por exemplo, um agente de suporte ao cliente impulsionado por IA pode lembrar interações anteriores com um usuário e personalizar as respostas adequadamente, melhorando a experiência geral do cliente.
Uma das técnicas mais eficazes para implementar memória de longo prazo é a geração aumentada de recuperação (RAG), na qual o agente busca informações relevantes de uma base de conhecimento armazenada para aprimorar suas respostas.
Memória episódica
A memória episódica permite que os agentes de IA recuperem experiências passadas específicas, semelhante à forma como os seres humanos se recordam de eventos individuais. Esse tipo de memória é útil para raciocínio baseado em casos, em que uma IA aprende com eventos passados a tomar decisões melhores no futuro.
A memória episódica geralmente é implementada registrando eventos-chave, ações e seus resultados em um formato estruturado que o agente pode acessar ao tomar decisões.
Por exemplo, um consultor financeiro impulsionado por IA pode se lembrar das escolhas de investimento anteriores de um usuário e usar esse histórico para apresentar melhores recomendações. Esse tipo de memória também é essencial em robótica e sistemas autônomos, em que um agente deve lembrar ações passadas para navegar de forma eficiente.
Memória semântica
A memória semântica é responsável por armazenar conhecimento factual estruturado que um agente de IA pode recuperar e usar para raciocinar.
Ao contrário da memória episódica, que lida com eventos específicos, a memória semântica contém informações generalizadas, como fatos, definições e regras.
Agentes de IA normalmente implementam memória semântica utilizando bases de conhecimento, IA simbólica ou embeddings de vetores, permitindo que processem e recuperem informações relevantes de forma eficiente. Esse tipo de memória é usado em aplicações do mundo real que exigem conhecimento especializado, como assistentes jurídicos de IA, ferramentas de diagnóstico médico e sistemas de gerenciamento de conhecimento empresarial.
Por exemplo, um assistente jurídico de IA pode usar sua base de conhecimento para recuperar precedentes de casos e fornecer aconselhamento jurídico preciso.
Memória procedimental
A memória procedimental em agentes de IA refere-se à capacidade de armazenar e recuperar habilidades, regras e comportamentos aprendidos que permitem que um agente realize tarefas automaticamente, sem precisar de raciocínio explícito a cada vez.
Ela é inspirada na memória procedimental humana, que permite que as pessoas realizem ações como andar de bicicleta ou digitar sem pensar conscientemente em cada etapa. Na IA, a memória procedimental ajuda os agentes a melhorar a eficiência automatizando sequências complexas de ações com base em experiências anteriores.
Agentes de IA aprendem sequências de ações por meio de treinamento, muitas vezes utilizando aprendizado por reforço para otimizar o desempenho ao longo do tempo. Ao armazenar procedimentos relacionados a tarefas, os agentes podem reduzir o tempo de computação e responder mais rapidamente a tarefas específicas sem reprocessar dados a partir do zero.