Memória Generativa
Memória Generativa refere-se aos mecanismos sofisticados dentro de modelos avançados de Inteligência Artificial, particularmente Modelos de Linguagem Grandes (LLMs), que lhes permitem armazenar, recuperar e utilizar informações coletadas ao longo de múltiplas interações ou por longos períodos. Diferente da memória de sessão simples, a memória generativa permite que a IA construa uma compreensão persistente e evolutiva do usuário, da tarefa ou do domínio.
Para que as aplicações de IA avancem além das interações de turno único, elas devem possuir memória. A Memória Generativa transforma modelos sem estado em agentes com estado. Essa capacidade é crucial para construir aplicações confiáveis, personalizadas e complexas, como assistentes virtuais, tutores personalizados e agentes autônomos que exigem continuidade em suas operações.
A implementação da memória generativa geralmente envolve bases de conhecimento externas ou módulos de memória especializados integrados ao LLM principal. Quando ocorre uma interação, os dados relevantes (por exemplo, preferências do usuário, resumos de conversas anteriores, fatos críticos) são codificados e armazenados. Mecanismos de recuperação, que frequentemente empregam bancos de dados vetoriais e busca semântica, são então usados para trazer as memórias mais pertinentes de volta ao contexto do prompt antes que o modelo gere uma resposta. Esse processo permite que o modelo "recupere" informações passadas relevantes.
Conceitos relacionados incluem Geração Aumentada por Recuperação (RAG), que é um padrão de implementação primário para memória, e Gerenciamento de Estado, que governa o fluxo geral de informações dentro de um sistema agentico.
