LangChain Revela Arquitetura de Memória por Trás da Plataforma Agent Builder

Joerg Hiller
22 de fev. de 2026 04:38

A LangChain detalha como o seu sistema de memória do Agent Builder utiliza metáforas de sistema de ficheiros e a framework COALA para criar Agentes de IA persistentes e de aprendizagem sem código.

A LangChain revelou a arquitetura de memória que alimenta o seu LangSmith Agent Builder, apresentando uma abordagem baseada em sistema de ficheiros que permite aos Agentes de IA aprender e adaptar-se entre sessões sem exigir que os utilizadores escrevam código.

A empresa fez uma aposta não convencional: priorizar a memória desde o primeiro dia em vez de a adicionar posteriormente como a maioria dos produtos de IA. O raciocínio? O Agent Builder cria agentes específicos para tarefas, não chatbots de uso geral. Quando um agente gere o mesmo fluxo de trabalho repetidamente, as lições da sessão de terça-feira devem aplicar-se automaticamente na quarta-feira.

Ficheiros como Memória

Em vez de construir uma infraestrutura de memória personalizada, a equipa da LangChain apostou em algo que os LLMs já compreendem bem—sistemas de ficheiros. O sistema representa a memória do agente como uma coleção de ficheiros, embora sejam realmente armazenados em Postgres e expostos aos agentes como um sistema de ficheiros virtual.

A arquitetura mapeia diretamente para as três categorias de memória do artigo de investigação COALA. A memória processual—as regras que impulsionam o comportamento do agente—reside em ficheiros AGENTS.md e configurações tools.json. A memória semântica, cobrindo factos e conhecimento especializado, reside em ficheiros de competências. A equipa deliberadamente ignorou a memória episódica (registos de comportamento passado) para o lançamento inicial, apostando que importa menos para o seu caso de uso.

Os formatos padrão venceram sempre que possível: AGENTS.md para instruções principais, competências de agente para tarefas especializadas, e um formato inspirado em Claude Code para subagentes. A única exceção? Um ficheiro tools.json personalizado em vez do mcp.json padrão, permitindo aos utilizadores expor apenas ferramentas específicas dos servidores MCP e evitar sobrecarga de contexto.

Memória que se Constrói a Si Mesma

O resultado prático: agentes que melhoram através de correção em vez de configuração. A LangChain apresentou um exemplo de resumidor de reuniões onde o feedback simples de um utilizador "use marcadores em vez disso" atualizou automaticamente o ficheiro AGENTS.md do agente. No terceiro mês, o agente tinha acumulado preferências de formatação, regras de tratamento de tipos de reunião e instruções específicas de participantes—tudo sem configuração manual.

Construir isto não foi trivial. A equipa dedicou uma pessoa a tempo inteiro apenas a prompts relacionados com memória, resolvendo problemas como agentes que lembram quando não deveriam ou escrevem em tipos de ficheiro errados. Uma lição fundamental: os agentes destacam-se a adicionar informação mas têm dificuldade em consolidar. Um assistente de email começou a listar cada fornecedor a ignorar em vez de generalizar para "ignorar toda a abordagem fria."

Aprovação Humana Necessária

Todas as edições de memória requerem aprovação humana explícita por defeito—uma medida de segurança contra ataques de injeção de prompt. Os utilizadores podem desativar este "modo yolo" se estiverem menos preocupados com entradas adversárias.

A abordagem de sistema de ficheiros permite portabilidade que DSLs fechadas não conseguem igualar. Os agentes construídos no Agent Builder podem teoricamente executar em Deep Agents CLI, Claude Code ou OpenCode com fricção mínima.

O Que Está Para Vir

A LangChain delineou várias melhorias planeadas: memória episódica através da exposição do histórico de conversação como ficheiros, processos de memória em segundo plano executados diariamente para capturar aprendizagens perdidas, um comando explícito /remember, pesquisa semântica além do grep básico, e hierarquias de memória ao nível do utilizador ou da organização.

Para os programadores que constroem Agentes de IA, as escolhas técnicas aqui importam. A metáfora de sistema de ficheiros evita a complexidade de APIs de memória personalizadas mantendo-se nativa de LLM. Se esta abordagem escala à medida que os agentes lidam com tarefas mais complexas e de maior duração permanece uma questão em aberto—mas a LangChain está a apostar que os ficheiros superam as frameworks para a construção de agentes sem código.

Fonte da imagem: Shutterstock