Memória de agentes de IA: construir em casa ou usar uma plataforma?

Construir a memória dos agentes de IA em casa compensa em quatro casos: um canal só, um fornecedor de agentes só, um time de dados dedicado ou um requisito que nenhuma plataforma cumpre. Com Redis, PostgreSQL e pgvector, o protótipo sai rápido, porque guardar e buscar mensagens é a parte fácil. O trabalho que nunca termina é o resto: identidade entre canais, permissões, auditoria, apagamento e operação 24 horas. Com vários canais e fornecedores, compliance pesado ou pressa, uma plataforma neutra faz mais sentido.

O que é preciso construir, além de Redis e pgvector?

A arquitetura típica tem Redis para as mensagens recentes, PostgreSQL com pgvector para o histórico, uma fila e um serviço próprio. Para servir agentes de vários fornecedores, o serviço precisa de nove peças:

1. O registro guarda cada mensagem, na ordem em que aconteceu, sem duplicar os reenvios do fornecedor.
2. A identidade junta telefone, e-mail, CPF e login do app num cliente só. Ela também percebe quando um número muda de dono.
3. A extração tira fatos, promessas e pendências de cada conversa. Ela recusa fato sem mensagem de origem.
4. O contexto sai sob medida para cada canal, no tamanho e na ordem que o cache do provedor aproveita.
5. A busca devolve cada resultado do histórico com data, canal e desfecho.
6. As permissões seguem a finalidade de cada agente e o fornecedor dele.
7. A auditoria registra cada leitura à prova de alteração.
8. Os direitos do titular pedem um apagamento em tudo o que derivou do dado.
9. A operação exige plantão 24 horas, alertas e troca de modelos.

Quanto disso é protótipo, e quanto é trabalho que nunca termina?

O protótipo cobre três peças num canal só: registro, contexto e busca. Na demonstração, o agente parece lembrar de tudo.

Até essas três escondem armadilhas. Com índice aproximado (HNSW), o pgvector filtra depois de varrer o índice: na configuração padrão, se o filtro casa com 10% das linhas, voltam em média 4 resultados (pgvector). Filtrada por um cliente entre milhões, a busca tende a voltar quase vazia. A mesma documentação indica começar por um índice na coluna do filtro.

O resto nunca termina. Um canal novo traz um identificador novo. Uma união errada de perfis precisa ser desfeita sem perder histórico. Os modelos mudam as regras: na Anthropic, o mínimo que o cache aproveita passou de 4.096 tokens no Claude Opus 4.5 para 512 no Claude Opus 5 (documentação). Cada troca de modelo também pede nova avaliação da extração. E alguém atende o alerta de madrugada: o livro Site Reliability Engineering, do Google, calcula em oito engenheiros o mínimo para um plantão 24 horas num único local.

Quando construir em casa é a escolha certa?

Construir em casa é a escolha certa em quatro situações.

• Um canal só. O cliente chega sempre pelo mesmo identificador, e a identidade entre canais sai da lista.
• Um fornecedor só. A memória desse fornecedor já enxerga todas as conversas, e o que faltar cabe num serviço pequeno.
• Um time de dados dedicado. Com gente para operar, avaliar a extração e responder à revisão de segurança, construir dá controle total. Isso conta mais quando a memória é parte do produto.
• Um requisito que nenhuma plataforma cumpre. Se o dado precisa ficar em servidores operados pelo próprio time, uma plataforma totalmente gerenciada não atende. A Niadra não atende esse caso, porque opera toda a infraestrutura, inclusive no ambiente dedicado do plano Regulado.

A tecnologia não é o obstáculo. A OpenAI atende 800 milhões de usuários do ChatGPT com um único servidor primário de PostgreSQL e cerca de 50 réplicas de leitura (OpenAI). O que pesa é o trabalho.

Quando uma plataforma neutra faz mais sentido?

Uma plataforma neutra faz mais sentido em três situações.

• Vários canais e fornecedores. A memória de cada fornecedor fica presa nele. Uma memória construída em casa resolve isso, porque pertence à empresa. O custo aparece na integração: cada fornecedor precisa de SDK, API, credencial própria e permissões por finalidade. Em casa, a empresa escreve e mantém tudo isso.
• Compliance pesado. A revisão de segurança pede cada padrão pelo nome, com evidência. Até a cifra campo a campo vira projeto: a documentação do pgcrypto pede confiança no administrador do banco e recomenda cifrar na aplicação quando isso não é possível (PostgreSQL). Cifrar na aplicação exige uma chave por empresa, guardada em HSM.
• Pressa. Na plataforma, as nove peças já existem. A integração cabe no agente que você já tem.

Como as duas opções se comparam, critério a critério?

Construir em casa vence em controle e em onde o dado fica. A plataforma vence em prazo, operação e evidência para a revisão de segurança.

Como decidir entre construir e usar uma plataforma?

Quatro perguntas separam os dois casos.

1. Quantos canais e fornecedores vão ler a mesma memória?
2. Que evidência a revisão de segurança vai pedir?
3. Quem opera o sistema de madrugada?
4. A memória é o produto da empresa ou a infraestrutura dele?

Com um canal, um fornecedor e memória como produto, construa. Com vários canais, vários fornecedores e memória como infraestrutura, use uma plataforma. Nas respostas mistas, decidem a segunda e a terceira, porque evidência e plantão viram custo fixo.

Teste com um caso real. Às 14h02, a Marina avisa no WhatsApp que o técnico não apareceu, e o agente do fornecedor A responde. Às 14h05, ela contesta a fatura de agosto pelo app. Às 14h07, ela liga, e quem atende é o agente de voz do fornecedor B. O protótipo passa se esse agente souber das duas coisas antes do alô. Quando ela citar o crédito da outra vez, o agente precisa achar no histórico o registro de 12/03, com os R$ 40.

Como a Niadra resolve

A Niadra é a memória compartilhada dos agentes de IA de uma empresa, em todos os canais e fornecedores. As nove peças da lista fazem parte do serviço, e a Niadra opera toda a infraestrutura, 24 horas por dia. Do seu lado, fica o SDK, em Python ou TypeScript, com três chamadas: context() antes de responder, search() durante a conversa e track() depois de responder.

O context() entrega o contexto em menos de 100 ms, com a origem de cada fato. O search() também funciona pela API HTTP e por MCP, com qualquer LLM. Os dados ficam cifrados com AES-256-GCM em repouso e TLS 1.3 em trânsito, com chave exclusiva por empresa em HSM FIPS 140-3 nível 3. Cada leitura entra numa auditoria encadeada por SHA-256. O preço é por conversa, de US$ 5 a 15 a cada mil (Preço). O plano Regulado tem ambiente dedicado, operado pela Niadra (Enterprise).

Perguntas frequentes

Dá para construir a memória dos agentes só com Redis e pgvector?

Dá para construir o protótipo. O Redis guarda as mensagens recentes. O PostgreSQL com pgvector guarda o histórico e busca por semelhança. Faltam identidade entre canais, permissões por finalidade, auditoria e apagamento, que a revisão de segurança cobra.

Quanto custa manter a memória dos agentes em casa?

A conta soma a infraestrutura, o modelo que extrai fatos de cada conversa e o time que opera tudo. Só o plantão 24 horas pede no mínimo oito engenheiros num único local, pela conta do livro Site Reliability Engineering, do Google. Na Niadra, o preço é por conversa, de US$ 5 a 15 a cada mil.

Posso começar numa plataforma e construir em casa depois?

Pode, se a plataforma exportar tudo em formato aberto e não controlar o seu agente. É assim que a Niadra funciona: o agente ganha três chamadas, sem trocar prompt, modelo nem fornecedor. Para sair, você importa a exportação no seu sistema e aponta as três chamadas para ele.