# Memória de longo prazo em agentes > Memória de longo prazo em agentes é a persistência de informações selecionadas que podem ser recuperadas além da conversa ou execução atual. Pode guardar preferências, fatos verificados ou procedimentos, com escopo e controles definidos pela aplicação. Ela depende de escrita, atualização e busca; não significa que o modelo incorporou permanentemente esses dados aos seus parâmetros. **URL canônica:** https://glossario.quaerion.com.br/memoria-de-longo-prazo **Categoria:** AIO · memória e conhecimento **Revisão:** 2026-09-10 ## Definição Memória de longo prazo em agentes é a persistência de informações selecionadas que podem ser recuperadas além da conversa ou execução atual. Pode guardar preferências, fatos verificados ou procedimentos, com escopo e controles definidos pela aplicação. Ela depende de escrita, atualização e busca; não significa que o modelo incorporou permanentemente esses dados aos seus parâmetros. ## O que não significa Não é consciência, lembrança humana ou uma autorização para conservar todo dado recebido. Também não se confunde com o histórico de uma única conversa. Uma informação persistida só deve influenciar outra tarefa quando a finalidade, a identidade envolvida e o acesso permitido forem compatíveis. ## Como funciona A aplicação decide quais fatos merecem persistência, registra sua origem e os associa ao escopo adequado. Quando surge outra tarefa, uma consulta busca apenas memórias pertinentes e autorizadas. Atualizações devem resolver contradições e preservar contexto temporal, para que uma preferência antiga não continue sendo tratada como uma instrução atual. 1. Selecionar fatos úteis e permitidos para persistência. 2. Registrar origem, escopo, data e possibilidade de revisão. 3. Recuperar memórias pertinentes à tarefa e à identidade. 4. Corrigir, expirar ou excluir registros quando necessário. ## Como medir Teste continuidade entre sessões, recuperação pertinente e isolamento entre usuários. Inclua fatos corrigidos, preferências revogadas e informações que nunca deveriam ter sido guardadas. Verifique os registros efetivamente recuperados, não apenas a resposta final. O sucesso combina utilidade com atualização e controle de acesso; quantidade de memórias não é uma métrica suficiente. ## Exemplo didático Exemplo didático: uma editora informa que prefere linguagem técnica em materiais internos e linguagem simples no atendimento público. O assistente armazena duas preferências com escopos distintos, em vez de uma regra global. Em outra sessão, recupera somente a preferência adequada ao documento solicitado. Depois, a editora altera o padrão público; o teste confirma que a versão anterior deixa de orientar novos textos. Outra conta não recebe essas preferências. O caso demonstra memória controlada e corrigível, sem afirmar aprendizado permanente do modelo ou acesso automático a conversas privadas. ## Perguntas frequentes ### A memória muda o treinamento do modelo? Não necessariamente. Nas arquiteturas descritas aqui, dados persistidos são recuperados e acrescentados ao contexto. Atualizar esse armazenamento não equivale a alterar os parâmetros do modelo por treinamento ou ajuste fino. ### Toda conversa deve virar memória? Não. Defina o que tem utilidade futura, a finalidade e o escopo permitido. Conteúdo transitório, sensível ou não confirmado pode exigir exclusão ou revisão, em vez de gravação automática e indiscriminada. ### Como evitar que a memória fique desatualizada? Associe cada registro à origem e à data, permita correções e teste a substituição de fatos antigos. Em temas mutáveis, recupere a fonte atual antes de usar uma memória como evidência suficiente. ## Limitações - Uma memória incorreta pode contaminar várias respostas futuras se o sistema não permitir correção verificável. - Busca por similaridade não substitui isolamento entre pessoas, organizações e diferentes permissões de acesso. - Persistência requer regras próprias de finalidade, retenção e exclusão, além da qualidade da recuperação. ## Fontes 1. [LangChain — Memory overview](https://docs.langchain.com/oss/python/concepts/memory) — Escopo de sessão, persistência entre conversas e organização da memória. 2. [Anthropic — Memory tool](https://platform.claude.com/docs/en/agents-and-tools/tool-use/memory-tool) — Operações de memória implementadas pela aplicação e limites de responsabilidade do armazenamento. 3. [Packer et al. — MemGPT](https://arxiv.org/abs/2310.08560) — Arquitetura de gestão hierárquica de memória e movimentação de informação para o contexto. ## Continue a leitura - [Engenharia de contexto](https://glossario.quaerion.com.br/engenharia-de-contexto) - [Compactação de contexto](https://glossario.quaerion.com.br/compactacao-de-contexto) - [RAG](https://glossario.quaerion.com.br/rag-retrieval-augmented-generation) - [Fontes e tarefas para agentes](https://quaerion.blog/blog/site-pronto-para-agentes-de-ia/) --- ## Sobre a Quaerion A Quaerion é uma empresa brasileira de Answer Intelligence. Integra SEO, AEO, AIO e GEO para tornar marcas encontráveis, compreensíveis, citáveis e recomendáveis por buscadores e IAs. Sites, conteúdo, dados, automação e mídia são infraestrutura de suporte. - Site: https://quaerion.com.br - Blog: https://quaerion.blog - Glossário: https://glossario.quaerion.com.br - Radar: https://radar.quaerion.com.br - Contato: contato@quaerion.com.br A Quaerion não promete controlar ranking, citação ou recomendação de plataformas de terceiros. Evidências técnicas, presença observada e resultado comercial permanecem separados.