A IBM Research publicou em 18 de agosto de 2026 um estudo detalhando como agentes de IA podem se beneficiar — ou não — de memória contextual, usando o framework ALTK-Evolve. O artigo, publicado no blog da HuggingFace, explora em profundidade o impacto de injetar diferentes quantidades de “guidelines” (regras extraídas de trajetórias passadas) no contexto do agente, com resultados que desafiam o senso comum sobre quanto “memória” um agente realmente precisa para melhorar seu desempenho.
O que é o ALTK-Evolve?
O ALTK-Evolve é um mecanismo que permite que agentes de IA aprendam com suas próprias experiências passadas sem ajustes nos pesos do modelo e sem intervenção humana. O sistema extrai diretrizes comportamentais de execuções anteriores (tanto bem-sucedidas quanto fracassadas), consolida essas regras e as oferece ao agente durante a inferência — seja injetando todo o conjunto de guidelines ou apenas uma seleção relevante por tarefa.
A abordagem foi testada em oito modelos, incluindo grandes modelos densos e sistemas proprietários de fronteira, em uma suíte de tarefas multi-step chamada AppWorld (585 tarefas em 9 apps simulados, como calendários, mensagens e pagamentos). As métricas principais foram Task Goal Completion (TGC) e Scenario Goal Completion (SGC).
Dosagem de memória: não é tudo ou nada
O resultado central do estudo é que não existe uma dose única de memória que funcione para todos os modelos:
- Modelos mais fortes, com “headroom” (margem para absorver novas informações), se beneficiam do conjunto completo de guidelines. Exemplo: o DeepSeek-V3.2 (671B MoE) teve um ganho de +9,5 pontos percentuais em task completion ao receber todas as diretrizes extraídas.
- Modelos intermediários ou mais fracos obtêm melhores resultados com um núcleo compacto de regras, complementado por guidelines recuperados especificamente para cada tarefa. O gpt-oss-120b (117B MoE) teve +16,1pp de ganho usando essa abordagem seletiva, enquanto o uso do conjunto completo trouxe menos ganho e aumentou o custo em tokens em ~50%.
- Modelos já saturados não mostraram ganhos mensuráveis, mesmo com mais memória. O GLM-5 (745B MoE) exemplifica esse padrão: adicionar guidelines não moveu a agulha.
Esse comportamento não depende apenas do número de parâmetros. Fatores como headroom de benchmark, tamanho da janela de contexto, arquitetura e qualidade das guidelines influenciam a resposta do modelo.
Como o ALTK-Evolve opera na prática
O ciclo de aprendizado ocorre fora do modelo: o agente executa tarefas, o ALTK-Evolve extrai guidelines dos trajetos (sucessos e falhas), consolida e disponibiliza o conjunto extraído. Na inferência, o agente recebe ou o conjunto completo ou apenas partes relevantes. Não há ajuste de pesos nem necessidade de re-treinamento, o que torna a solução barata e portátil entre modelos.
No benchmark AppWorld, a configuração “curated retrieval” (núcleo fixo + guidelines recuperadas por tarefa) mostrou-se não só mais eficiente em termos de tokens, mas também mais precisa para modelos com menor capacidade. Já para modelos de ponta, o conjunto completo é o ideal.
Implicações e limitações
A principal implicação para equipes que constroem agentes é clara: calibrar a dose de memória conforme o perfil do modelo. A injeção de guidelines pode elevar significativamente a acurácia, mas há um teto — e, para muitos modelos, mais memória significa apenas mais custo sem ganho.
Os autores apontam que a separação dos fatores que determinam o padrão de resposta (parâmetros, arquitetura, contexto, qualidade das regras) ainda é um trabalho em aberto. Mas, para produção, a mensagem é pragmática: ajuste o regime de memória ao modelo, não espere ganhos lineares só por aumentar o contexto.
Por que importa
O estudo da IBM Research com ALTK-Evolve oferece um guia prático para times que buscam escalar agentes de IA em produção: nem sempre maximizar a memória resulta em melhor performance. O ajuste fino — entre injetar todo o conhecimento ou apenas o essencial — pode ser a diferença entre um agente eficiente e um sistema caro que não entrega mais. Para o mercado brasileiro, onde custo de tokens e latência importam, calibrar a memória do agente pode ser um diferencial competitivo real.