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

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:
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.
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.
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.
(Esta publicação no blog foi traduzida utilizando ferramentas baseadas em inteligência artificial) Publicação original
Assine nosso blog e receba os posts mais recentes diretamente na sua caixa de entrada.