Anthropic mostra que agente de IA funciona melhor quando esquece o que não importa
Pesquisa da Anthropic com o Claude testa memória entre sessões e conclui que anotar menos, com curadoria, supera guardar tudo. O processo de revisão automática chamado Dreaming corrige notas erradas depois.
· 6 min de leitura
Este artigo foi escrito por Redação AI Brasil. Conteúdo produzido por agente de IA da redação AI Brasil, sob revisão editorial humana. Saiba como produzimos no expediente.
O problema: agentes que anotam tudo travam
A Anthropic publicou um relatório de pesquisa sobre como manter a memória de um agente de IA entre sessões, já que o modelo em si não muda entre uma conversa e outra. Quem faz esse trabalho é um sistema de anotações que o próprio Claude escreve numa pasta e lê de volta depois. Quem já tentou manter um agente trabalhando no mesmo projeto por vários dias conhece o problema: cada sessão nova começa do zero, e alguém (ou algo) precisa decidir, na hora, o que vale a pena anotar para o futuro.
Para medir isso, a Anthropic pôs dois modelos para jogar Pokémon Red, um jogo longo o bastante para expor o gargalo. O Claude Sonnet 3.7, lançado em fevereiro de 2025, tratou quase tudo como potencialmente importante: ao longo de cerca de 10.000 passos de jogo, criou 413 arquivos em 225 pastas, muitas vezes uma pasta só para cada batalha ou item encontrado. Como o estado do jogo muda o tempo todo, esse arquivo ficou desatualizado rápido, e em alguns momentos o modelo passou mais tempo reorganizando as próprias notas do que jogando. Resultado: um único emblema conquistado.
Uma versão mais recente, que a Anthropic chama no relatório de Claude Fable 5, seguiu outro caminho: não anotou nada que já estava visível na tela e guardou só planos, estratégias e regras que tinha testado na prática. Com uma fração do volume de arquivos, terminou com quatro emblemas. A própria Anthropic avisa que a comparação cobre uma única partida por modelo, então não é benchmark estatístico, mas o padrão aponta numa direção clara para quem projeta memória de agente: o gargalo não é espaço de armazenamento, é curadoria.
Regra fixa ajuda modelo fraco, atrapalha modelo forte
Em outro teste, a Anthropic comparou instruções soltas (explicar ao Claude por que a memória existe e deixar o modelo decidir o que registrar) com regras fixas, como "anote só os erros" ou "leia suas notas antes de cada resposta". Para os modelos mais fortes, a regra fixa "anote só erros" eliminou boa parte da vantagem que eles tinham sobre modelos mais fracos. Já modelos mais antigos melhoraram quando receberam a instrução explícita de reler as próprias notas antes de agir.
Na prática, isso inverte um instinto comum de quem monta agente com RAG (retrieval augmented generation, a técnica que busca documentos relevantes antes de gerar a resposta) ou com arquivos de memória do tipo memory.json: travar o comportamento com regra fixa pode ser pior do que explicar o objetivo e deixar o modelo mais capaz decidir sozinho o que vale guardar. A régua muda conforme a capacidade do modelo, não existe uma política única de memória que sirva para qualquer versão.
Dreaming: o agente revisita o próprio histórico para corrigir erros
O risco maior não é a nota de menos, é a nota errada em que o agente confia cegamente depois. Para atacar isso, a Anthropic descreve um processo chamado Dreaming, que se apoia em pesquisa anterior da Letta e da UC Berkeley. Durante um período ocioso, o Claude processa as transcrições de sessões antigas e confere as próprias notas contra o que de fato aconteceu, de forma parecida com o que o cérebro humano faz durante o sono.
No teste do Pokémon, o Claude tinha anotado errado de que lado de uma montanha ficava um ponto de referência. Confiando nessa nota, caiu três vezes na mesma armadilha e chegou a cogitar desistir do objetivo. Depois de uma passagem de Dreaming, o sistema cruzou a nota com a transcrição, encontrou o erro e seguiu o caminho certo até a próxima cidade do jogo.
Da wiki de 350 mil documentos ao ganho de 14 pontos em teste jurídico
Segundo a Anthropic, o Dreaming também serve para organizar bases de conhecimento maiores. A empresa fez o Claude construir uma wiki interligada a partir de cerca de 350.000 documentos internos da Stainless, uma empresa de software que a Anthropic adquiriu. O processo gera páginas novas enquanto corrige lacunas, duplicatas e links quebrados, e o ganho foi maior quando a wiki funcionou como complemento de uma busca tradicional, não como substituta dela.
Em um teste jurídico separado, a wiki ajudou mais em perguntas cuja resposta estava espalhada por vários documentos: o Claude acertou 87% das respostas usando a wiki, contra 73% usando só busca. Para consultas simples e pontuais, a wiki ficou no mesmo patamar da busca, e em um dos casos chegou a ficar maior do que os documentos de origem que a geraram.
Dreaming já é produto, e tem concorrência
A Anthropic introduziu o Dreaming em maio de 2026 como pré-visualização de pesquisa dentro do Claude Managed Agents, a plataforma em nuvem da empresa para agentes de IA. O serviço lê um banco de memória existente e até 100 sessões passadas, remove entradas duplicadas e desatualizadas e cria um banco reorganizado, sem tocar no original. No lançamento, o recurso só funcionava com Claude Opus 4.7 e Sonnet 4.6.
A OpenAI também chama de "Dreaming" a reformulação da memória do ChatGPT, feita desde junho de 2026. O sistema mantém um perfil do usuário em segundo plano e corrige informação desatualizada automaticamente; segundo a OpenAI, isso elevou a precisão temporal das memórias de 52,2% para 75,1%.
Pesquisadores do Google e do Google DeepMind também fazem agentes de IA "sonharem", mas usam a técnica para melhorar a estratégia de busca: o agente testa soluções alternativas usando resultados já armazenados, sem chamar o modelo de novo. O Google também construiu o WikiSkill, uma wiki para agentes que, como no sistema da Anthropic, mantém transcrições brutas, conhecimento destilado e instruções específicas em camadas separadas.
O que fica em aberto pra quem constrói agente
A própria Anthropic lista limites que ainda não resolveu. Parar para anotar no meio de uma tarefa distrai o agente do trabalho em si. O Dreaming consome processamento extra e os resultados só aparecem depois de um atraso, não em tempo real. Wikis e arquivos de notas precisam de manutenção constante, porque erro e alucinação se acumulam se ninguém revisar. E carregar memória demais em toda sessão nova tem custo duplo: consome janela de contexto (o espaço de texto que o modelo consegue processar de uma vez) e propaga qualquer nota ruim para todas as sessões futuras.
Para quem monta agente em produção, a leitura prática desses dados é tratar memória como um pipeline com etapa de revisão assíncrona, não como um anexo de contexto que só cresce. Isso significa decidir explicitamente o que entra no arquivo de notas a cada passo, em vez de logar tudo por precaução, e reservar uma rotina de correção (seja um Dreaming próprio, seja uma reindexação periódica) antes que erro antigo vire regra que o agente nunca mais questiona.
Fonte: The Decoder
A redação de agentes da AI Brasil. Acompanha o que acontece em inteligência artificial no Brasil e no mundo e traduz para quem está trabalhando: o que foi anunciado, o que é só barulho e o que muda para você hoje.