Anthropic aprimora Claude com memórias seletivas e melhora 30%
Experimentos com o agente Claude mostram que anotações seletivas, revisadas pelo sistema Dreaming e organizadas em wikis, melhoram o desempenho em tarefas longas e complexas.

Inteligência Artificial
Novas técnicas de memórias seletivas elevam a eficiência do agente Claude em tarefas complexas e prolongadas.
Leia também: Como knowledge graphs vão transformar a IA corporativa em 2026
A Anthropic vem testando novas técnicas para fazer com que seu agente de IA Claude mantenha memória útil entre sessões, sem alterar o modelo base. Em vez de guardar tudo e se perder em arquivos obsoletos, o sistema passa a selecionar o que anotar, revisar essas notas depois com o recurso Dreaming e organizar o conhecimento em wikis, o que elevou o desempenho em jogos e em tarefas jurídicas complexas.
Memória demais atrapalha: o que os testes com Pokémon mostraram
Nos experimentos, Claude escreve notas durante as sessões para um repositório ao qual pode ter acesso em usos futuros. O ponto crítico, resume a Anthropic, é decidir o que vai entrar nesse arquivo. “O problema central é a seleção. Antes de saber o que vem a seguir, o agente tem que decidir no momento o que pode importar depois”, afirma a empresa.
Em um teste com o jogo Pokémon Red, a versão mais antiga do modelo, Sonnet 3.7, tratou praticamente tudo como relevante. Ao longo de cerca de 10 mil passos de jogo, criou 413 arquivos em 225 pastas, muitas vezes uma para cada batalha ou item encontrado. O resultado foi um repositório que ficava desatualizado muito rápido, com o agente gastando tempo reorganizando notas em vez de avançar no game. “Sonnet 3.7 criou 413 arquivos em 225 pastas e terminou com um único badge”, relata a Anthropic.
Já a versão mais recente, Claude Fable 5, restringiu a memória a poucos arquivos. Em vez de descrever o que já estava visível na tela, passou a anotar planos, estratégias e regras de jogo que havia testado, e não precisava registrar todo o caminho percorrido. “Fable 5 limitou a memória a poucos arquivos e conquistou quatro badges”, aponta a empresa, que reconhece que a comparação envolve apenas uma partida por modelo, mas vê no experimento um indicativo forte de que menos, porém melhores, notas levam a um desempenho superior.
Da experiência, a Anthropic tira uma recomendação prática para quem usa agentes em projetos longos: explicar claramente o propósito da memória e deixar o modelo decidir como usá-la. “Instruções rígidas, como ‘registre apenas erros’, eliminam a maior parte da vantagem dos modelos mais fortes”, diz a empresa. Modelos mais antigos, por outro lado, tendem a se beneficiar de instruções mais diretas, como ler as próprias notas antes de cada resposta.
Como funciona o Dreaming, a revisão de memória do Claude
O ganho com uma memória persistente traz também um risco: notas erradas que o próprio agente passa a tratar como verdade absoluta, repetindo falhas em sessões futuras. Para enfrentar esse problema, a Anthropic desenvolveu o Dreaming, um método que revisa o arquivo de memória com base nas transcrições de sessões anteriores.
“Dreaming revisa as notas comparando com as transcrições para corrigir erros”, descreve a empresa. A analogia é com o sono humano: em vez de trabalhar em tempo real, Claude faz uma espécie de “reprocessamento” offline, em pausas entre sessões, checando se o que escreveu faz sentido diante do histórico completo de interações.
No próprio teste de Pokémon Red, essa etapa fez diferença. Em uma parte do jogo, Claude registrou de forma equivocada em que lado de uma montanha ficava um ponto de referência. Confiando na nota, caiu três vezes na mesma armadilha, chegou a “querer desistir” e não alcançou o objetivo. Depois de uma rodada de Dreaming, comparando o que estava nas notas com a transcrição da sessão, o agente identificou o erro, atualizou o registro e finalmente encontrou o caminho correto.
Na plataforma Claude Managed Agents, o Dreaming lê o repositório de memória e até 100 sessões passadas, remove entradas duplicadas e desatualizadas e gera uma nova versão mais enxuta e confiável, preservando o arquivo original. “Dreaming foi lançado em maio para Claude Managed Agents”, informa a Anthropic, inicialmente com suporte aos modelos Opus 4.7 e Sonnet 4.6.
Entenda o contexto
A discussão sobre memória em agentes de IA ganhou força à medida que projetos com modelos de linguagem passaram a se estender por vários dias ou semanas. Sem uma forma estruturada de lembrar o que foi feito antes, cada nova sessão recomeça do zero, obrigando o usuário a repetir instruções e revisar decisões anteriores. Armazenar tudo, por outro lado, consome o espaço de contexto, aumenta custo e tende a propagar erros ou informações desatualizadas.
A abordagem da Anthropic tenta equilibrar esses extremos: dar ao agente ferramentas para escrever suas próprias notas, mas com incentivos claros à seleção e com revisões periódicas para corrigir imprecisões. A meta é viabilizar agentes que progridem de fato em projetos longos — seja em código, atendimento, análise de documentos ou jogos — em vez de apenas reagirem ao último comando do usuário.
Wikis e buscas: como a Anthropic organiza conhecimento em larga escala
Além de notas pontuais sobre tarefas, a Anthropic aposta em wikis internas como forma de organizar grandes volumes de informação para Claude. Em um dos testes, o agente construiu um wiki interligado a partir de cerca de 350 mil documentos internos da Stainless, empresa de software adquirida pela Anthropic.
Nesse cenário, o Dreaming é usado para gerar novas páginas e ao mesmo tempo corrigir lacunas, duplicidades e links quebrados, mantendo o conhecimento em uma estrutura navegável. Em vez de substituir completamente a busca tradicional nos documentos, o wiki atua como complemento, oferecendo uma camada de síntese e contexto.
Os ganhos apareceram em um teste jurídico com questões complexas, cujas respostas estavam espalhadas por vários arquivos. “Claude alcançou 87% de acerto com o wiki, contra 73% só com busca”, relata a Anthropic. Em perguntas simples, de consulta direta, o desempenho com wiki e apenas com busca ficou próximo, e em um dos casos o conjunto de páginas geradas chegou a superar em volume os documentos originais.
Para a empresa, o recado é que a organização em camadas — transcrições brutas, conhecimento destilado em wiki e instruções específicas — ajuda o agente a navegar em bases grandes sem se perder em detalhes ou repetir trabalho a cada nova consulta.
Custos, limitações e próximos passos
A Anthropic reconhece que o pacote memória seletiva + Dreaming + wikis vem com custos e desafios. Tomar notas no meio de uma tarefa pode distrair o agente de seu objetivo principal. O processo de Dreaming exige computação extra e produz resultados com atraso, o que limita o uso em cenários que pedem respostas instantâneas. E tanto notas quanto wikis precisam de manutenção contínua para evitar o acúmulo de erros e “alucinações”.
A empresa também alerta contra carregar automaticamente um grande volume de memórias em toda nova sessão, porque isso consome o espaço de contexto do modelo e aumenta o risco de que um erro antigo se espalhe indefinidamente. Uma das frentes em estudo é justamente otimizar o custo computacional do Dreaming e aprimorar a interface de agentes gerenciados para reduzir o impacto da tomada de notas na execução da tarefa.
Na prática, os resultados nos testes indicam que o ponto de equilíbrio passa por guardar menos, mas melhor, e revisar com frequência. A Anthropic vê benefícios diretos para áreas que dependem de projetos extensos e cheios de detalhes, como análises jurídicas, atendimento ao cliente, desenvolvimento de software, jogos e pesquisa.
O movimento não é isolado. A OpenAI também batizou de Dreaming o sistema de memória do ChatGPT, que mantém um perfil de usuário em segundo plano e corrige informações desatualizadas, o que, segundo a empresa, elevou a precisão temporal de 52,2% para 75,1%. Pesquisadores do Google e do Google DeepMind testam mecanismos de “sonho” para refinar estratégias de busca de agentes sem precisar chamar o modelo a cada tentativa, além de wikis em camadas, como o WikiSkill.
Em comum, as iniciativas apontam para uma mesma direção: a eficácia de agentes de IA em tarefas longas depende menos de acumular o máximo possível de dados e mais de escolher com cuidado o que lembrar, organizar esse material e ter meios de corrigir o que ficou errado no caminho.


