Ir para o conteúdo principal
Plataforma

Apresentando a memória de agente no Databricks

por Sirui Sun e Nihit Desai

Hoje estamos apresentando a memória de agente no Agent Bricks, a plataforma de desenvolvimento de agentes da Databricks. A memória de agente melhora a qualidade do agente enquanto reduz custos e latência ao armazenar fatos críticos, preferências e fluxos de trabalho que um agente deve lembrar. Ela está disponível em Beta hoje, roda no Lakebase para alta confiabilidade e baixa latência, e foi desenvolvida com base nas pesquisas de memória mais recentes da Databricks.

Sem memória, os agentes correm o risco de redescobrir fatos importantes, esquecer as preferências do usuário e repetir erros que já foram corrigidos. Como resposta, muitos desenvolvedores estão criando suas próprias soluções de memória, mas enfrentam várias questões de design — por exemplo, onde as memórias devem ser armazenadas? Como as memórias devem ser sintetizadas? E, uma vez geradas, como devem ser recuperadas?

Para resolver isso, a Databricks Agent Memory foi construída com base na arquitetura MemCurrent, pioneira pela Databricks Research. O MemCurrent combina três padrões de acesso: plugins para registrar e carregar o contexto automaticamente, ferramentas que o agente chama sob demanda e um pipeline de "sonho" offline que consolida a memória em segundo plano. Tudo isso é fornecido com latência extremamente baixa usando o Lakebase. Em nossos benchmarks internos, a implementação dessa arquitetura de memória triplicou a taxa de aprovação do agente em tarefas empresariais reais, usando 31% a menos de tokens. 

A Agent Memory se junta ao restante do Agent Bricks, incluindo hospedagem de agentes, Databricks Sandbox, Unity Gateway, servidores MCP pré-construídos e rastreamento e avaliação, fornecendo aos desenvolvedores todas as funcionalidades de infraestrutura necessárias para criar agentes de produção.

Problema: agentes sem estado pagam pelo mesmo contexto duas vezes

Dois problemas aparecem assim que um agente passa de uma demonstração para o uso diário.

  • Os custos aumentam a cada redescoberta. Um agente sem estado deduz novamente o que descobriu ontem: qual tabela contém dados de uso, o que significa uma sigla interna, qual junção realmente funciona. Em uma sessão real da nossa pesquisa, um agente levou 11 chamadas de ferramentas, 8 subagentes e quase seis minutos para responder a uma pergunta sobre os principais clientes de um produto. No dia seguinte, ele teria feito tudo isso de novo.
  • Os agentes nunca se tornam pessoais. O usuário declara uma preferência, corrige um erro ou explica como sua equipe define uma métrica, e o agente se esquece disso quando a sessão termina. Ou o usuário se repete, ou o agente repete o erro.

Os desenvolvedores de agentes e as equipes de plataforma que operam seus agentes têm duas soluções alternativas comuns. Cada uma troca um problema por outro:

  • Reproduzir todo o histórico no contexto funciona até que os históricos fiquem longos. Em benchmarks de memória open source, o contexto completo usou cerca de 12 vezes mais tokens de entrada por pergunta do que uma memória bem projetada com a mesma precisão e, nos históricos mais longos, obteve um desempenho pior, porque interações irrelevantes confundiam o agente.
  • Criar a memória você mesmo em um armazenamento de objetos ou em um banco de dados vetorial significa ser responsável pela extração, eliminação de duplicatas, recuperação e controle de acesso. As memórias ficam desatualizadas, fatos contraditórios se acumulam e ninguém consegue identificar qual memória causou uma resposta ruim.

O que as equipes precisam é de uma memória que torne os agentes mais baratos e mais personalizados ao mesmo tempo, sem a necessidade de criar outro sistema para isso.

Como funciona a Agent Memory na Databricks

Figura 1. Agent Memory no Agent Bricks. O agente anexa cada interação a sessões gerenciadas, recupera e salva memórias diretamente, e um pipeline de memória destila as sessões em memória de longo prazo em segundo plano.

A Agent Memory tem três partes:

  • Sessões gerenciadas registram cada conversa como um histórico ordenado de mensagens, chamadas de ferramentas e resultados, no formato nativo do seu framework. 
  • Memória gerenciada guarda o que vale a pena lembrar: perfil, preferências, conhecimento de domínio e fluxos de trabalho. No início de uma sessão, o agente carrega um índice do que é conhecido na memória. Durante a sessão, ele encontra detalhes com busca híbrida por palavra-chave e busca semântica.
  • Pipelines de memória destilam sessões em memória sob demanda ou de forma regular em segundo plano. Eles extraem fatos duradouros e preferências, removem duplicatas e substituem fatos que conversas mais recentes contradizem.

Tudo roda no Lakebase, o Postgres serverless da Databricks, provisionado no seu workspace e operado pela Databricks. Isso garante que o armazenamento e a recuperação de memórias sejam extremamente rápidos, e que seus armazenamentos possam escalar junto com o tráfego do seu agente.

Construído com base em nossas pesquisas de memória

A Agent Memory é uma implementação de produção do MemCurrent, o sistema de memória descrito em MemCurrent: Projetando memória para agentes empresariais. A principal descoberta dos nossos pesquisadores é que a memória funciona melhor em duas camadas: um registro bruto do que aconteceu e um registro destilado do que vale a pena lembrar, mantido atualizado por um processo em segundo plano, em vez de ser escrito de forma ad hoc pelo agente no meio da tarefa.

Construída dessa forma, a memória melhorou a qualidade e a eficiência ao mesmo tempo. Os agentes aprovaram cerca de três vezes mais tarefas do que os agentes sem memória, terminaram mais rápido e usaram menos tokens. A mesma infraestrutura já alimenta a memória no Genie, a experiência de linguagem natural da Databricks para usuários de negócios.

Figura 2. Agentes com e sem memória no benchmark interno de memória da Databricks para tarefas de dados empresariais. Fonte: Pesquisa MemCurrent.

O que muda para os seus agentes

  • Custo menor por tarefa. Os agentes pulam trabalhos que já fizeram. No exemplo acima, uma vez que o fluxo de trabalho foi salvo na memória, o agente respondeu a uma pergunta de acompanhamento relacionada em 2 chamadas de ferramentas e 41 segundos, em comparação com 11 chamadas de ferramentas e quase seis minutos. 
  • Personalização contínua. Preferências, correções e definições específicas da equipe são mantidas entre as sessões, com escopo definido para cada usuário, para que as pessoas parem de se repetir.
  • Erros que permanecem corrigidos. Os agentes se lembram de seus erros e podem evitar cometer o mesmo erro duas vezes — economizando tempo valioso e tokens.
  • Memória que você possui e controla. Sessões e memórias residem no seu projeto Lakebase, independentemente de qualquer framework de agente individual. Desenvolvedores podem ler, exportar e excluir as entradas que um agente mantém sobre cada usuário, além de dar instruções a um pipeline de memória para orientar o que ele retém, como "mantenha preferências duradouras do cliente; ignore notas pontuais de depuração".
  • Uma única plataforma para todo o ciclo. O mesmo agente usa modelos por meio do Unity Gateway, faz o deploy com a CLI do Agent Bricks e é rastreado e avaliado com o rastreamento do Agent Bricks, com memória incluída.

Comece agora

Nada disso exige nova infraestrutura do seu lado. A CLI do Agent Bricks pode ajudar você a implantar um agente com memória e sessões em minutos.

A partir de então, a próxima conversa do seu agente com cada usuário começará com o que ele aprendeu nas anteriores. Para obter mais informações, confira o guia de início rápido para criar um novo agente com memória, ou nosso tutorial para adicionar memória a um agente existente.

O Agent Memory é uma parte do Agent Bricks, a plataforma de desenvolvimento de agentes da Databricks para criar, executar e aprimorar agentes personalizados em escala, com qualquer modelo, framework ou harness. Explore o Agent Bricks para ver o restante da plataforma.

Mais recursos

(Esta publicação no blog foi traduzida utilizando ferramentas baseadas em inteligência artificial) Publicação original

Tags relacionadas:

Lakebase, Agent Bricks e Benchmarks

Receba os posts mais recentes na sua caixa de entrada

Assine nosso blog e receba os posts mais recentes diretamente na sua caixa de entrada.