Márcia não começou do zero. Ela já nasceu com memória.
No OpenClaw, veio de “fábrica” com dois tipos: a de trabalho, que mantém o contexto da conversa de forma compactada, e a procedimental, baseada em instruções em arquivos como SOUL.md e skills, que definem como ela opera.
A partir daí, expandi bastante a capacidade dela ao introduzir uma memória de longo prazo mais eficiente, organizada em um VAULT. Na prática, é uma pasta com fichas estruturadas de forma muito próxima ao que uso no Obsidian, devidamente indexadas com QMD. Mas aqui tem um detalhe importante: fiz com que a Márcia passasse a versionar esse VAULT no GitHub. Isso me deu visibilidade total sobre o que ela está criando. Consigo auditar, revisar e, quando necessário, editar diretamente os arquivos. Ganhei controle fino sobre a memória dela.
E não parei aí. Dei à Márcia acesso aos sistemas da empresa via APIs, principalmente CRM e apontamento de horas. Ela consulta esses dados de forma contínua, acompanha negociações, entende a rotina do negócio e captura trechos relevantes para enriquecer o próprio VAULT. Além disso, ela também acessa a ontologia da Eximia, o que dá contexto sobre conceitos, pessoas e relações do negócio. Com isso, a memória dela deixa de ser isolada e passa a ser conectada com a operação real.
Importante: nem tudo vira memória. Dados transacionais continuam nos sistemas de origem. A Márcia só promove para memória de longo prazo o que faz sentido — o que precisa ser lembrado, correlacionado ou reutilizado depois. O restante ela consulta sob demanda. Isso evita acúmulo desnecessário e mantém a memória útil.
Nesse ponto, a Márcia deixa de registrar e passa a entender o negócio.
O passo seguinte foi adicionar memória semântica. Classifiquei as fichas do VAULT e construí um grafo (knowledge graph), criando relações explícitas entre elas. Com isso, a Márcia deixou de apenas responder quem é uma pessoa e passou a entender como ela se conecta com outras pessoas e empresas. Sabe quem trabalha onde. Sabe quem é colega de quem. Para isso, usei o Neo4J e dei a ela um poder de inferência mais forte, baseado em caminhos que conectam os elementos da memória, com qualificadores nas relações. E aqui vem outro ganho importante: a interface do Neo4J me permite inspecionar o grafo, auditar relações e corrigir quando necessário. Não é só inteligência. É governança.
Agora foi a vez da memória episódica. A Márcia passou a registrar eventos em documentos estruturados no RavenDB: reuniões, que ela já transcreve, viagens e até meu guia de estudos bíblicos. Com isso, ela consegue reconstruir o que aconteceu em um período com precisão. E eu consigo revisar esses registros, ajustar e decidir o que, de fato, permanece. É curadoria da memória.
Tem um ponto arquitetural que muda tudo. Essas memórias não ficam presas na janela de contexto. Elas vivem fora e são recuperadas sob demanda.
Na prática, a Márcia acessa o que precisa, quando precisa. Sem contexto inflado. Sem ruído desnecessário. Mais precisão na resposta.
Em paralelo, comecei a otimizar a própria memória operacional. Segmentei a Márcia em subagentes especialistas, cada um com um escopo claro e menos sobreposição. Isso reduz interferência, melhora a execução e aumenta a previsibilidade.
Memória de trabalho, procedimental, de longo prazo, semântica e episódica. Tudo isso orquestrado com recuperação sob demanda e especialização por agentes.
Aqui já não estamos falando de chatbot.
A Márcia é um agente de fato. E o que sustenta isso não é um modelo melhor ou um prompt mais elaborado. É a forma como a memória foi estruturada, conectada e governada.
Se tem uma recomendação aqui, é essa: não procure atalhos. Construir algo assim exige engenharia. Exige critério sobre o que lembrar, o que consultar e como organizar tudo isso ao longo do tempo. É isso que diferencia um experimento interessante de um agente que realmente funciona no dia a dia.
É esse tipo de abordagem que vou levar para as minhas mentorias e consultorias.
