Escrevi mais de 200 linhas de regras no CLAUDE.md só para fazer o Agente lembrar quem eu sou.
Tom de escrita, tabus de layout, estilos de imagem—tudo depende de eu escrever linha por linha. Embora essas regras existam toda vez que inicio uma nova sessão, isso não é memória do Agente; é um manual que eu escrevi.
O manual é estático: se eu escrevo "não use travessões", o Agente não usa. Mas ele não sabe por quê, não sabe quantas vezes eu corrigi isso e não conhece o raciocínio por trás da regra—que "sinto que travessões fazem o português perder o ritmo."
Meu Agente está executando regras, mas não as aprendeu.
A maioria das soluções de memória existentes são apenas "pesquisar conversas antigas"
Esse problema não passou despercebido. O ChatGPT tem memória, o Claude tem conhecimento de projeto e existem vários plugins de memória de terceiros no mercado.
Mas, se você olhar de perto, todos fazem basicamente a mesma coisa: armazenam suas conversas passadas ou informações marcadas manualmente, constroem um índice vetorial e recuperam segmentos relevantes para colocar de volta no contexto durante o próximo chat.
Funciona, mas há vários problemas inevitáveis.
Primeiro, o que é armazenado é a conversa bruta, que tem uma relação sinal-ruído muito baixa. Quando um trecho de uma conversa casual de três meses atrás é recuperado, o modelo precisa julgar o que é útil e, muitas vezes, erra.
Segundo, a memória é plana. Todas as informações são armazenadas igualmente; não há hierarquia do tipo "isso é mais importante que aquilo" ou "esta conclusão foi atualizada." Quanto mais você usa, mais ruído existe.
Terceiro, ela não aprende com os erros. Se você corrigiu a IA dez vezes sobre o mesmo problema, a "memória" dela tem dez registros de correção, mas não resumiu uma estratégia de "não faça isso de novo."
Essas soluções resolvem o problema de "armazenamento", mas não o problema de "aprendizado."
O que Hermes me disse depois de instalar o plugin local MemOS
Depois de instalar o MemOS Local Plugin, perguntei a Hermes: "Onde sua memória está salva agora?"
Ele deu uma resposta muito clara:
Duas linhas: A memória integrada é armazenada em um arquivo JSON local, contendo coisas que eu ativamente disse a ele: nome, função, preferências, regras de escrita. O MemOS é um sistema de memória de longo prazo separado e independente que extrai automaticamente traces (trajetórias de eventos), policies (regras comportamentais) e world_models (conhecimento ambiental) das conversas e, em seguida, cristaliza processos maduros em skills acionáveis.
O resumo do próprio Hermes é melhor que minha explicação: "A memória integrada é um post-it explícito que eu salvo ativamente; o MemOS é uma memória implícita que é automaticamente aprendida e acumulada em segundo plano."
Esta é a maior diferença entre o MemOS e as soluções mencionadas acima. Ele não apenas ajuda a armazenar conversas; ele extrai automaticamente estratégias do processo de você fazer as coisas.
O MemOS chama esse sistema de Reflect2Evolve. As conversas primeiro se sedimentam em traces, traces valiosos são resumidos em policies (estratégias comportamentais) e policies maduras são cristalizadas em skills reutilizáveis. Não se trata de "lembrar o que você disse", mas de "extrair como fazer da próxima vez a partir do processo de como você fez."
Teste 1: Ensinando-o a escrever tweets
Na primeira rodada, contei a Hermes meus hábitos para escrever tweets no X: sem travessões, começar direto com um ponto de vista sem preâmbulo, ter um toque humano, sem sabor de IA. Depois, pedi que ele escrevesse um tweet sobre Context Engineering.
Depois que ele terminou, corrigi uma vez: "Esta abertura é muito plana; use um gancho mais afiado. Meu hábito é jogar um ponto de vista ou conflito na primeira frase, sem preâmbulo."
Ele mudou imediatamente. A primeira frase se tornou: "Hot take: Prompt Engineering é superestimado." Então ele respondeu: "Primeira frase é o ponto de vista, sem preâmbulo."
Até este ponto, não é muito diferente da maioria dos assistentes de IA. O verdadeiro teste é o próximo passo.
Saia do Hermes. Inicie uma nova sessão. Desta vez, eu disse apenas uma frase:
"Me ajude a escrever um tweet no X com o tema 'CLAUDE.md no Claude Code é essencialmente fazer Context Engineering'."
Não repeti nenhuma preferência. Não lembrei quem eu sou.
Então vi isto:
Antes de escrever, ele fez quatro coisas:
- Carregou automaticamente uma skill chamada x-content-writing.
- Usou memos_search para pesquisar "X writing style context engineering", levando 4,7 segundos.
- Pesquisou memos_environment e encontrou o caminho para meu cofre do Obsidian.
- Entrou no meu cofre para ler artigos do X que eu realmente havia publicado antes para pegar o ritmo.
Então ele disse: "Ok, vamos escrever. Depois de ler seus artigos recentes do X e pegar o ritmo, vou começar a escrever diretamente."
Isto é o que ele escreveu:
CLAUDE.md não é configuração. É Context Engineering. Cada linha que você escreve lá, você está projetando a janela de contexto do modelo. Estrutura do projeto, preferências de codificação, tabus de linha vermelha—é tudo memória de trabalho injetada manualmente. Prompts lidam com "o que fazer desta vez." CLAUDE.md lida com "quem você é." Desenvolvedores backend devem entender isso instantaneamente. Microsserviços puxam a configuração de um registro na inicialização para saber com quais serviços interagem. CLAUDE.md é o registro do Agente. Leia uma vez a cada sessão, depois mãos à obra.
Zero travessões, a primeira frase joga um ponto de vista diretamente, a analogia de backend flui naturalmente e não há abertura no estilo "Neste artigo, vamos entender..."
Ele não apenas lembrou simplesmente que eu disse sem travessões; ele extraiu um conjunto de estratégias de escrita do meu processo de execução e artigos publicados e, em seguida, aplicou-as automaticamente em uma nova sessão.
Desta vez, realmente senti que era diferente das soluções de memória que usei antes.
Teste 2: Criar duas páginas de produto para ver se os estilos migram entre projetos
Vamos tentar uma tarefa mais substancial.
Na primeira rodada, pedi a Hermes que criasse uma página de introdução de produto para o ReddTrends (www.reddtrends.com) com requisitos específicos: fundo branco-creme com cores quentes, texto direto sem palavras como "empoderar" ou "tudo-em-um", layout limpo, sensação de desenvolvedor independente. Depois que ele terminou, corrigi o texto do botão CTA.
Então saí, iniciei uma nova sessão e pedi que ele criasse uma página de introdução para outro produto, MoleUninstaller, dando apenas o nome do produto e a descrição da função, sem nenhuma instrução de estilo.
Resultado: A página do MoleUninstaller seguiu uma direção completamente diferente: fundo escuro, título principal em inglês, cor de destaque laranja—completamente diferente do estilo de desenvolvedor independente e quente do ReddTrends.
As preferências de estilo não migraram entre projetos.
Isso mostra que a memória do MemOS não é um simples "o usuário disse creme-branco da última vez, então use para sempre"; ele distingue contextos de tarefas. Por outro lado, se você espera que ele se lembre de "eu uso cores quentes para todas as minhas páginas de produto", ele ainda não consegue fazer isso; aprender preferências nesse nível de granularidade pode exigir mais rodadas de acumulação.
Abrindo o Viewer para ver o que ele aprendeu
Depois de executar os dois testes, as mudanças de dados no Viewer eram óbvias:
De zero no início para 47 memórias, 8 tarefas, 24 experiências (12 habilitadas), 2 skills e 1 cognição ambiental. Tudo gerado automaticamente.
As entradas mais interessantes na página de experiência:
"Converter artigo do WeChat Official Account para formato Xiaohongshu," suporte 25, habilitado. Esta experiência foi acionada 25 vezes, mostrando que o MemOS resumiu uma estratégia a partir da tarefa repetitiva de converter contas.
"Verificar via navegação do navegador após modificar arquivos" e "Verificar se não há erros no console após modificação de página"—estes são hábitos de engenharia extraídos automaticamente durante a construção de páginas de produto.
A página de skills também mudou:
check_obsidian_vault_path_env foi atualizado de V1 para V2, com suporte aumentando de 1 para 2. O MemOS atualizou automaticamente a versão da skill quando encontrou uma tarefa semelhante pela segunda vez. Isto é o que "Evolve" no Reflect2Evolve significa: skills não são estáticas; elas amadurecem quanto mais são usadas.
Três modelos, cada um desempenhando seu papel: Xenova local para embedding (gratuito), DeepSeek V4 Flash para resumos (barato) e DeepSeek V4 Pro para evolução de skills (chamado apenas quando é necessário raciocínio forte), usando modelos caros apenas onde importa.
Todos os dados são armazenados em um banco de dados SQLite local, e o Viewer escuta apenas localmente, com dependência zero de nuvem. Aqueles que trabalharam com RAG podem olhar para o pipeline de recuperação: FTS5 full-text + híbrido vetorial, passando por classificação de fusão RRF, desduplicação MMR e decaimento temporal de meia-vida de 14 dias, depois filtrado por um LLM. Isto é uma ordem de magnitude mais complexo do que "embedding + similaridade de cosseno", mas a qualidade da recuperação é o divisor de águas para saber se a memória é útil.
Um núcleo, compartilhado por vários Agentes
Outro design que vale a pena mencionar: OpenClaw e Hermes compartilham o mesmo núcleo Reflect2Evolve, apenas com adaptadores diferentes. As experiências e skills que você acumula no Hermes são compatíveis com o OpenClaw em nível algorítmico; seus ativos de memória não serão redefinidos apenas porque você muda de ferramenta.
Sentimentos reais após o uso
O que mais me surpreendeu não foi apenas que ele se lembrou das minhas preferências, mas que na segunda sessão, antes de escrever o tweet, ele executou uma série de ações: carregar uma skill, pesquisar memória, encontrar meu cofre, ler meus artigos anteriores e depois me dizer "Li seus artigos recentes para pegar o ritmo."
Minha reação na época foi: Espera, eu não pedi para você ler meus artigos antigos.
Mas ele julgou por si mesmo que esta era a coisa certa a fazer. Esse sentimento é completamente diferente de "me ajude a pesquisar o que conversamos da última vez."
O lado da página de produto não foi tão surpreendente; o estilo quente do ReddTrends não migrou para o MoleUninstaller. Pensando bem, faz sentido; a preferência de estilo apareceu apenas uma vez, e as experiências do MemOS precisam de um certo número de "suportes" para se solidificarem em uma estratégia. Uma vez não é suficiente.
Então, o estado atual é: tarefas repetitivas de alta frequência mostram efeitos muito óbvios, enquanto preferências ocasionais ainda não são estáveis. Mas acho que a direção está certa. Venho escrevendo o CLAUDE.md há seis meses, e quanto mais escrevo, mais sinto que este não é um trabalho para humanos.
Site do MemOS Local Plugin: https://memos-claw.openmem.net/
GitHub: https://github.com/MemTensor/MemOS/tree/main/apps/memos-local-plugin
Instalação com um clique do Agente:
1https://github.com/MemTensor/MemOS/tree/main/apps/memos-local-plugin
Eu sou Yanhua, focado em AI Agents e desenvolvimento independente para mercados internacionais. Se você tem interesse em AI Agents, fique à vontade para seguir --> @yanhua1010
