Memória em agentes de IA: mais dados, mais erros

O que aconteceu

O artigo 'More Memory, Worse Agents: Error Reproduction and Anti-Persistence in LLM Agents' foi submetido ao arXiv em 19 de outubro de 2026 (arXiv:2610.27406v1, categoria cs.AI). O trabalho investiga uma questão de design central em agentes baseados em LLM: quando o agente guarda experiência de execuções passadas em memória externa, ele deve reter apenas trajetórias e resultados observados, ou também as regras, resumos e habilidades inferidas a partir delas?

Reter essas abstrações permite ao agente reutilizar estratégias sem precisar derivá-las repetidamente das trajetórias brutas. O problema é que erros nessas abstrações armazenadas podem se propagar para decisões seguintes por meio de recuperação e reúso. Pior: eles podem moldar as trajetórias de execução, que depois viram base para novas abstrações que reproduzem os erros originais.

Os autores batizaram esse ciclo de 'reprodução de erros'. Nele, a falha é regenerada em um loop de abstração, execução e reabstração, estendendo sua persistência além do reúso direto do conhecimento defeituoso original.

Contexto

Agentes de LLM podem melhorar ao longo de tarefas sem atualizar os parâmetros do modelo. Basta armazenar experiência das próprias execuções em memória externa e reutilizá-la para orientar decisões posteriores. É um caminho atraente porque dispensa retreinamento, mas cria uma dependência perigosa: a qualidade do que está guardado.

A pergunta que o paper enfrenta é se vale a pena persistir abstrações, e não apenas os dados brutos. A resposta dos autores é que a persistência de abstrações abre uma porta para que erros antigos voltem disfarçados de conhecimento consolidado. O mecanismo de reprodução de erros explica por que um agente pode piorar justamente quando acumula mais memória.

Por que importa

O achado contraria a intuição de que mais memória significa mais inteligência. Em sistemas que aprendem com a própria experiência, o risco não é apenas repetir um erro: é transformar o erro em regra, aplicá-lo em novas execuções e usar essas execuções contaminadas para gerar novas regras. O erro se torna estrutural.

Para quem desenvolve agentes, isso significa que a arquitetura de memória é uma decisão de segurança e de custo, não só de desempenho. Guardar resumos e habilidades inferidas parece eficiente no curto prazo, mas pode criar dívida técnica invisível. O paper mostra que a escolha entre reter trajetórias ou abstrações tem consequências mensuráveis.

Impacto

Os autores propõem o Anti-Persistence, um design de memória que acumula trajetórias e resultados, mas reconstrói orientações específicas para cada tarefa sob demanda. Um seletor adaptativo usa resultados anteriores para decidir se e como sintetizar a orientação, que é descartada após a execução. Isso impede o reúso direto da orientação como objeto armazenado, embora o feedback indireto por meio das trajetórias retidas continue possível.

Em diferentes benchmarks e backbones, o Anti-Persistence alcançou o maior sucesso geral em dados held-out e o menor custo médio de chamadas ao LLM entre os designs de memória avaliados. O resultado sustenta a separação entre acumulação de experiência e persistência de abstração em sistemas de autoaperfeiçoamento baseados em memória.

O que muda

A contribuição prática do paper é uma diretriz de arquitetura: separe o que o agente viveu do que o agente concluiu. Trajetórias e resultados podem ser acumulados. Regras, resumos e habilidades inferidas não devem virar objetos permanentes de memória, porque é por meio deles que os erros se reproduzem.

O seletor adaptativo é a peça que operacionaliza essa ideia. Ele decide, com base em resultados anteriores, quando vale sintetizar uma orientação e quando não vale. A orientação nasce para uma execução específica e morre depois dela. O agente continua aprendendo com a experiência, mas sem cristalizar conclusões potencialmente erradas.

O que vem agora

O paper foi submetido em 19 de outubro de 2026 e está disponível no arXiv sob o identificador 2610.27406v1. Os resultados abrem caminho para que outros grupos testem o Anti-Persistence em novos benchmarks e backbones, além dos avaliados pelos autores. A questão que fica é quanto do ganho vem do descarte das abstrações e quanto vem do seletor adaptativo, uma distinção que só experimentos adicionais podem responder.

Fontes

• arXiv cs.AI: More Memory, Worse Agents: Error Reproduction and Anti-Persistence in LLM Agents (arXiv:2610.27406v1) — https://arxiv.org/abs/2610.27406