FUNDAMENTOS · THE AGENTIC STACK · MEMORY / RAG
Memory & RAG
Como agentes recuperam conhecimento relevante e preservam contexto ao longo do trabalho.
8 min de leituraConhecimento disponível não é o mesmo que conhecimento utilizável.
RAG permite recuperar informação externa no momento da geração. Memória preserva contexto relevante entre etapas, interações ou execuções.
São capacidades complementares, mas resolvem problemas diferentes e exigem políticas distintas de atualização, retenção e acesso.
RAG NO MUNDO REAL
Você provavelmente já usou RAG sem perceber.
Em vez de pedir ao modelo que responda apenas com o que aprendeu no treinamento, um sistema RAG primeiro procura trechos relevantes nas fontes disponíveis e só então entrega esse contexto ao LLM.
NotebookLM
Você adiciona PDFs, sites ou documentos. Ao fazer uma pergunta, o sistema encontra os trechos mais relevantes dessas fontes e os usa para construir uma resposta fundamentada no seu próprio material.
Um contrato, manual ou relatório é indexado. A pergunta recupera apenas os trechos relevantes antes da geração da resposta.
Políticas, procedimentos e documentação interna podem ser consultados pelo agente sem precisar estar incorporados ao modelo.
Além de consultar conhecimento externo, o agente pode preservar decisões, estado da tarefa e fatos úteis entre diferentes execuções.
RAG
Recuperar o conhecimento certo no momento certo
Retrieval-Augmented Generation conecta o modelo a fontes externas e reduz dependência do conhecimento paramétrico.
MEMORY
Preservar contexto útil
Memória pode representar estado de tarefa, preferências, histórico ou fatos persistentes. Nem tudo deve ser lembrado; retenção precisa ser intencional.
RAG ajuda o agente a encontrar o que precisa saber. Memory ajuda o agente a lembrar o que aconteceu.
PRINCÍPIO
Contexto útil deve ser recuperado ou lembrado com propósito, não acumulado indiscriminadamente.
APROFUNDE