1. O que muda quando os agentes passam a compartilhar memória
Imagine uma equipe de especialistas que trabalha sem trocar informações. Cada pessoa guarda suas próprias anotações, mas ninguém sabe o que já foi decidido. Em sistemas com agentes de IA, esse isolamento gera respostas inconsistentes, tarefas repetidas e mais instruções manuais.
O Team Memory, da Tencent, é um projeto de código aberto que busca resolver essa fragmentação. Em vez de manter uma memória separada para cada agente, ele cria um hub centralizado. Preferências de usuários, procedimentos, documentos e informações sobre código podem ficar disponíveis para os agentes autorizados.
O projeto é distribuído sob a licença MIT e seu repositório oficial é o TencentDB Agent Memory. A proposta é permitir que uma equipe de agentes compartilhe conhecimento sem transformar todo o contexto em um único prompt enorme.
2. Como o hub organiza o conhecimento
O Team Memory funciona como uma biblioteca com controle de acesso. Cada agente recebe apenas os recursos necessários para sua tarefa. Um agente de pesquisa, chamado Scout, pode consultar materiais de mercado e análises de concorrentes. Um agente de desenvolvimento, chamado Builder, pode receber a documentação do produto e o mapa do código.
Essa separação ajuda a reduzir contexto desnecessário. Na prática, o agente processa menos informação irrelevante, o que pode melhorar a precisão da tarefa e evitar o uso de recursos para carregar dados que não serão usados.
1. Chat Memory
Registra preferências, fatos, decisões e histórico de interações. Essas informações passam por camadas de organização até formar uma visão mais estável do usuário, em vez de obrigar o agente a reconstruir esse contexto a cada conversa.
2. Skill
Transforma procedimentos identificados em trabalhos concluídos em instruções reutilizáveis. A proposta é que essas instruções sejam revisadas e versionadas antes de serem compartilhadas com outros agentes.
3. LLM-Wiki
Converte documentos e especificações em páginas estruturadas e conectadas. Isso facilita a consulta de informações relacionadas sem depender apenas de uma busca por trechos isolados.
4. Code-Graph
Indexa símbolos, arquivos e relações entre partes do código. Assim, um agente pode avaliar quais componentes podem ser afetados por uma alteração antes de sugerir ou executar uma mudança.
A arquitetura também usa camadas de memória, de L0 a L3. As camadas mais resumidas podem servir para uma recuperação rápida, enquanto as camadas mais detalhadas ajudam o agente a consultar o contexto completo quando necessário.
3. Por que o controle de acesso é tão importante
Memória compartilhada não significa que todos os agentes devem ler tudo. O Team Memory define quatro níveis de visibilidade:
- Privado: apenas o dono do ativo pode acessá-lo.
- Time: o conteúdo fica disponível para os membros da equipe.
- Restrito: o acesso depende de usuário, função ou permissão específica.
- Agente: o ativo é destinado a um agente específico dentro do fluxo.
Novos ativos começam como privados. Isso torna o compartilhamento uma decisão deliberada, em vez de uma consequência automática de qualquer conversa ou tarefa.
O sistema pode ser hospedado pela própria organização usando Docker. Para quem precisa manter dados sensíveis em sua própria infraestrutura, essa possibilidade dá mais controle sobre armazenamento, acesso e integração com ferramentas internas. Em testes locais, o plugin OpenClaw usa SQLite com sqlite-vec por padrão, sem exigir um banco vetorial externo.
4. O ganho de eficiência vem com um novo risco
Em uma memória individual, um erro costuma afetar principalmente o agente que o registrou. Em uma memória compartilhada, o mesmo erro pode ser reutilizado por vários agentes antes que alguém perceba o problema. O benefício da colaboração aumenta, mas o alcance de uma informação incorreta também.
Esse é o principal trade-off do Team Memory. O controle de acesso define quem pode ler um ativo, mas não resolve sozinho o que acontece quando o conteúdo está errado, fica desatualizado ou entra em conflito com outra memória.
A documentação da Tencent descreve propriedade, versionamento e acompanhamento de status dos ativos. No entanto, não apresenta um processo claro para corrigir ou expirar uma informação depois que outros agentes já a utilizaram. Também não detalha como decidir qual memória deve prevalecer quando dois agentes registram fatos contraditórios sobre o mesmo módulo.
Para uma empresa, isso significa que a governança precisa existir antes da expansão do sistema. É importante definir quem pode escrever, quais evidências justificam uma nova memória, como revisar versões e quando retirar um conteúdo do uso. Sem essas regras, a velocidade do compartilhamento pode superar a capacidade da equipe de verificar o que está sendo compartilhado.
5. O que os números mostram, e o que eles não mostram
Em um benchmark próprio da Tencent, a adição de uma camada de persona elevou a precisão de 48% para 76% em testes de uso prolongado. Isso corresponde a uma melhoria relativa de 59%.
O resultado sugere que uma representação mais estável do usuário pode ajudar um agente a aplicar melhor o contexto ao longo do tempo. Ainda assim, trata-se de um benchmark da própria Tencent. O número não prova, sozinho, que o Team Memory reduzirá erros em todos os ambientes corporativos.
O valor mais promissor do projeto está na combinação entre memória reutilizável, seleção de contexto e controle de acesso. O risco mais importante está no caminho inverso: uma informação errada pode circular mais rápido e alcançar agentes que não participaram da conversa original.
6. Quando vale testar o Team Memory
O projeto faz mais sentido quando vários agentes precisam trabalhar sobre os mesmos usuários, documentos, procedimentos ou bases de código. Nesses cenários, compartilhar contexto pode reduzir retrabalho e liberar as pessoas de repetir as mesmas instruções para cada agente.
O caminho mais seguro é começar com um fluxo pequeno, limitar quem pode escrever na memória e revisar manualmente os ativos compartilhados. Antes de ampliar o uso, verifique se a equipe consegue identificar a origem de cada informação, corrigir versões antigas e retirar dados que não devem mais ser usados.
Se o seu time ainda está escolhendo entre agentes isolados e uma memória compartilhada, a decisão não precisa ser definitiva. Comece com um caso em que o ganho de contexto seja fácil de medir e em que um erro possa ser contido. Assim, você testa a colaboração entre agentes sem abrir mão do controle que torna essa colaboração confiável. Leia também: OpenAI pede para 'ritmar' o desenvolvimento da IA. Veja o que muda para você.
