Projeto e avaliação de um sistema de memória para agentes de IA: Gerenciamento de contexto e persistência de fatos entre sessões
Year: 2026
Type: dissertation
Abstract: Este trabalho é dedicado à minha família, em especial aos meus pais, avós e irmãos, que me moldaram em quem sou, sem vocês nada disso seria possível.Também dedico a todos amigos que fiz durante a faculdade, em especial minha namorada e meus amigos de turma, vocês fizeram minha graduação mais leve e divertida. AGRADECIMENTOSPrimeiramente, gostaria de agradecer aos meus pais, Israel e Patrícia, e aos meus avós, Eduardo, Lucy, Rui e Veraluz, por todo o incentivo que me foi dado ao longo da minha vida, seja educacional ou emocional, vocês foram o pilar da minha vida.Aos meus irmãos, Laura e Miguel, por todas as nossas brincadeiras durante esses anos.Um agradecimento especial à minha namorada, Heloisa, que sempre me incentivou com palavras de apoio e esteve ao meu lado em todos os momentos.Foi essencial ter você comigo durante essa etapa.Ao meu supervisor, Samir, que me acompanhou nessa jornada nos últimos meses.Por toda ajuda durante a escrita do projeto e ensinamentos que me foram dados, aprendi muitas coisas inovadoras durante o desenvolvimento desse trabalho.Também gostaria de agradecer ao meu orientador, Jomi, por ter aceito e me acompanhado durante o desenvolvimento.Aos meus amigos da automação foram todos essenciais para o cumprimento dessa longa jornada na engenharia, em especial a turma 20.2 e a Arca.Estiveram comigo nos momentos de caos, de estudo e de descontração, que fazem parte da faculdade e são o que nos dá forças para continuar.Também gostaria de agradecer aos meus amigos da escola que dividiram esse momento da faculdade comigo, podemos não nos ver mais diariamente mas sei que posso contar com vocês.Por fim, quero também agradecer a toda o curso de Automação, estudantes, egressos, professores e administrativos, em especial à ATACA, vocês que tornam o ambiente uma verdadeira família da automação, o que serve de apoio para muitos alunos, em momentos bons e ruins.Sempre terei orgulho de ter feito parte desse curso."O desenho de nossas vidas, como a chama da vela, é continuamente conduzido em novas direções por diversos eventos aleatórios que, juntamente com nossas reações a eles, determinam nosso destino."(MLODINOW, 2009) DECLARAÇÃO DE PUBLICIDADEFlorianópolis, 7 de julho de 2026.Na condição de representante da HarboR Inteligência Industrial na qual o presente trabalho foi realizado, declaro não haver ressalvas quanto ao aspecto de sigilo ou propriedade intelectual sobre as informações contidas neste documento, que impeçam a sua publicação por parte da Universidade Federal de Santa Catarina (UFSC) para acesso pelo público em geral, incluindo a sua disponibilização online no Repositório Institucional da Biblioteca Universitária da UFSC.Além disso, declaro ciência de que o autor, na condição de estudante da UFSC, é obrigado a depositar este documento, por se tratar de um Trabalho de Conclusão de Curso, no referido Repositório Institucional, em atendimento à Resolução Normativa n° 126/2019/CUn.Por estar de acordo com esses termos, subscrevo-me abaixo.Samir Pauli Fiates HarboR Inteligência Industrial RESUMO Os Modelos de Linguagem de Grande Escala operam sem estado e não retêm informação entre chamadas, o que faz com que agentes de uso contínuo percam contexto, repitam erros, ignorem preferências do usuário e produzam respostas inconsistentes a cada nova sessão.Enviar todo o histórico a cada requisição não resolve o problema, pois eleva o custo por consulta, aumenta a latência e degrada a qualidade da resposta em contextos longos.Este trabalho projeta, desenvolve e avalia um sistema de memória de agente, aplicado à LivIA, o assistente de IA industrial da HarboR Inteligência Industrial.A solução divide a memória em dois módulos.O módulo de memória de sessão gerencia o contexto da interação corrente por meio de um buffer com janela deslizante, de um pipeline de compactação acionado por limite de mensagens ou de tokens, o que ocorrer primeiro, e de um sumário estruturado segmentado por mudança de tópico.O módulo de memória de longo prazo extrai preferências do usuário e fatos do ambiente operacional, persiste-os em banco relacional e vetorial indexado por usuário e empresa, e os recupera nas sessões seguintes injetando-os automaticamente no contexto.Um mecanismo de busca por ferramenta permite recuperar sob demanda resumos de sessões anteriores referenciados pelo operador.Uma política de admissão semântica baseada em distância de cosseno e em um árbitro baseado em modelo de linguagem evita duplicatas e resolve contradições entre memórias, com limiares calibrados sobre um conjunto de dados sintético.A implementação usa um framework de orquestração de agentes, banco de dados em memória para o contexto ativo, banco relacional e vetorial para o armazenamento durável e um modelo de linguagem comercial para sumarização, extração e geração de respostas.O sistema preserva a continuidade e a personalização entre sessões, isola estritamente as memórias por usuário e empresa e mantém o histórico de conversa dentro do limite configurado independentemente da duração da sessão.A avaliação verificou o atendimento de todos os requisitos funcionais e confirmou que a memória ativa não degrada a latência mediana de resposta, mantendo-a equivalente à configuração sem memória.
Author: Moreira, Breno Barroso
Language: Portuguese
Subfield: Artificial Intelligence
Field: Computer Science
Domain: Physical Sciences
Open Access status: green
OpenAlex ID: W7213565027