Memória Agentic: Walrus enfrenta o próximo grande gargalo da IA

Com a Instrução Normativa 1.888/2022 da Receita Federal e a recente regulamentação do mercado de criptoativos (Lei 14.478/2022), movimentos do mercado global impactam diretamente quem opera no Brasil. Fique atento a:

• Tributação: Operações acima de R$ 35 mil/mês têm incidência de IR (15-22,5%)
• Exchanges reguladas: Priorize plataformas registradas na CVM para maior segurança jurídica
• Adoção institucional: Bancos e fintechs brasileiras ampliam oferta de cripto para clientes
• Autocustódia: Entenda a diferença entre deixar em exchange vs. carteira própria (hardware wallet)

À medida que os agentes de IA se tornam cada vez mais onipresentes, a memória agente está se tornando uma das questões mais importantes no espaço da inteligência artificial.

Empresas e indivíduos estão confiando em agentes para tarefas cada vez mais complexas e de alto risco, mas a camada de memória na qual a maioria dos agentes é executada atualmente tem limitações que afetam a qualidade de seu trabalho.

Isso é algo Morsa juntamente com um SDK lançado recentemente chamado Mem Wal está procurando resolver – trazendo verificabilidade, disponibilidade, portabilidade e compartilhamento para a memória agente, disse Abinhav Garg, gerente de produto do grupo Mysten Labs. Descriptografar.

“Com o Walrus plus MemWal, a memória reside em uma camada de dados aberta e verificável, o que significa que não está vinculada a nenhum modelo ou fornecedor”, explicou Garg. Isso significa que os usuários podem alternar entre provedores de modelos, como OpenAI e Anthropic, enquanto os dados são armazenados com garantias verificáveis, portanto, são à prova de falsificação – algo que é “especialmente importante à medida que os agentes começam a operar em fluxos de trabalho mais críticos, onde a correção e a auditabilidade são importantes”, disse ele.

Os dados armazenados no Walrus herdam suas garantias integradas em termos de verificabilidade, portabilidade e disponibilidade, permitindo “compartilhamento mais fácil de memória entre agentes entre equipes e organizações”, acrescentou, tornando-os “obrigatórios para a colaboração dos agentes”.

MemWal também se integra a estruturas populares de orquestração de agentes OpenClaw e Nemo Garra através de um plugin lançado esta semana. “Queríamos tornar a memória verificável de longo prazo fácil de adaptar em sistemas reais”, disse Garg, acrescentando que ela permite um fluxo de trabalho “perfeito” para os construtores.

“Sem isso, os desenvolvedores teriam que entender a integração de uma camada de armazenamento descentralizada como o Walrus, o que poderia adicionar atrito e complexidade”, explicou ele. “Com a integração, eles podem simplesmente equipar seus agentes com memória durável e verificável diretamente com as ferramentas que já estão usando.”

MemWal e privacidade

A privacidade está a tornar-se “um problema muito maior para os sistemas de IA em geral”, disse Garg, observando que os agentes são cada vez mais chamados a lidar com dados confidenciais e proprietários. “Sejam fluxos de trabalho empresariais, informações financeiras ou contexto pessoal, as expectativas em torno da confidencialidade aumentam significativamente”, acrescentou.

MemWal e Walrus têm privacidade e controle de acesso programável por meio de uma camada de criptografia nativa, o que significa que “mesmo que o armazenamento em si seja descentralizado, o conteúdo permanece confidencial e regido por políticas – mesmo os provedores de armazenamento não podem lê-lo”, explicou Garg.

Para os usuários, ele argumentou: “Não é mais aceitável que esses dados fiquem em algum sistema opaco e centralizado sem garantias claras”, observando que o armazenamento privado, controlado e auditável para memória agente se tornará “um requisito definidor ao longo do tempo”.

Novos casos de uso para memória agente

Capacitar a memória agente com verificabilidade, disponibilidade, portabilidade e compartilhamento abre uma série de aplicações, disse Garg, desde agentes de suporte ao cliente que retêm dicas contextuais sobre os usuários até a colaboração entre agentes em equipes diferentes “trabalhando com base no mesmo histórico do cliente”.

“Há um parceiro incrível que está tentando descobrir como pode haver coordenação entre agentes como editor ou consumidor em um mercado”, acrescentou. “Então, como esses agentes interagiriam entre si e se envolveriam em uma espécie de mensagem durante um período de tempo? E essa mensagem pode ser usada como uma espécie de memória em si.”

Outros parceiros têm explorado a memória agente para robôs que precisam compartilhar contexto entre si para coordenar tarefas no mundo real. “Então, imagine se eles fizessem isso durante horas ou mesmo semanas – digamos, durante um cenário de resposta a desastres, eles precisariam dessa memória compartilhada”, explicou Garg.

Em última análise, ele prevê uma “padronização da pilha” para os agentes. “Você verá uma separação clara entre computação, dados, memória e coordenação”, disse ele. “Nossa visão é que a memória e os dados não devem estar vinculados a nenhum modelo ou plataforma única – então o Walrus se torna aquela camada de dados durável e o MemWal se torna uma camada de memória sobre ela.”

Use o guia de início rápido para adicionar memória MemWal aos seus agentes agora.