Architecture

O protocolo Agent2Agent da Google, geralmente abreviado para A2A, teve um primeiro ano estranho.

Os agentes de polling (verificação periódica) são uma das partes menos glamourosas da arquitetura de assistentes de IA, mas também são uma das mais úteis.

A arquitetura de agentes de IA está começando a se dividir em duas camadas.

O Protocolo A2A, sigla para Agent2Agent Protocol (Protocolo Agente para Agente), é um padrão aberto para comunicação entre sistemas independentes de agentes de IA.

O CQRS é um daqueles padrões que é frequentemente superdimensionado, complicador e, ocasionalmente, diagnosticado erroneamente como uma cura para o tédio do bom e velho CRUD.

Os LLMs são imprevisíveis. Eles alucinam, vazam dados, geram conteúdo prejudicial ou recusam solicitações legítimas. As barreiras de segurança (guardrails) restringem o comportamento do modelo sem sacrificar a capacidade.

A memória transforma assistentes de reativos em persistentes, mas também é onde muitos sistemas se deterioram silenciosamente. Pesquisas argumentam que a divisão entre memória de curto e longo prazo já não é suficiente para a memória moderna de agentes; os SDKs da OpenAI e do LangGraph apontam para uma pilha mais simples — memória de trabalho, estado durável e recuperação.

Um assistente de IA em produção não é “um LLM com um prompt”. É um sistema que aceita intenção, mantém estado, decide quando recuperar ou agir e expõe detalhes suficientes de tempo de execução para depurar falhas.

A maioria dos sistemas de conhecimento modernos otimiza a recuperação, e isso é compreensível. A pesquisa é visível, fácil de demonstrar e parece mágica quando funciona. Digite uma pergunta, obtenha uma resposta.

A premissa é simples: o conhecimento compilado é mais reutilizável do que fragmentos recuperados. O RAG tornou-se a resposta padrão para uma questão direta: como fornecer a um LLM acesso a conhecimento externo?

PKM, RAG, wikis, sistemas de memória de IA e, agora, fluxos de trabalho práticos assistidos por IA são frequentemente discutidos como se resolvessem o mesmo problema. Eles não o fazem. Todos lidam com conhecimento, mas operam em camadas diferentes:

A maioria dos tutoriais sobre “saída estruturada” de LLMs é superficial. Eles ensinam você a pedir JSON educadamente e depois torcer para que o modelo se comporte. Isso não é validação. Isso é otimismo com chaves.

Assistentes modernos ainda esquecem tudo quando você fecha a aba, a menos que algo persista além da janela de contexto. Provedores de memória de agentes são serviços ou bibliotecas que mantêm fatos e resumos entre sessões — frequentemente integrados como plugins para que o framework permaneça leve enquanto a memória escala.

Você já sabe como funciona. Você abre um chat com um agente de IA, explica seu projeto, compartilha suas preferências, realiza algum trabalho e fecha a aba. Ao voltar na semana seguinte, é como falar com um estranho — todo o contexto sumiu, todas as preferências foram esquecidas, o projeto precisa ser explicado do zero.

OpenClaw parece simples em demonstrações. Em produção, ele se torna um sistema.

O verdadeiro argumento não é se o PostgreSQL pode pesquisar texto ou se o Elasticsearch pode armazenar documentos. Ambos podem. A questão interessante é onde a complexidade da pesquisa deve residir.