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 eu 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 já corrigi isso, e não conhece o julgamento 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 "buscar conversas antigas"
Esse problema não passou despercebido. O ChatGPT tem memória, o Claude tem conhecimento do 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 a próxima conversa.
Funciona, mas há vários problemas inevitáveis.
Primeiro, o que é armazenado são conversas brutas, que têm uma relação sinal-ruído muito baixa. Quando um fragmento 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. Toda a informação é armazenada 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 do tipo "não faça isso de novo."
Essas soluções resolvem o problema de "armazenamento", mas não o problema de "aprendizado."
O que Hermes me disse depois que instalei o plugin local do MemOS
Depois de instalar o Plugin Local do MemOS, perguntei ao Hermes: "Onde sua memória está salva agora?"
Ele deu uma resposta muito clara:
Duas linhas: A memória integrada está 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 aprendida e acumulada automaticamente em segundo plano."
Essa 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 ao Hermes meus hábitos para escrever tweets no X: sem travessões, começar direto com um ponto de vista sem preâmbulos, ter um toque humano, sem sabor de IA. Depois, pedi que ele escrevesse um tweet sobre Context Engineering.
Depois que ele terminou, eu o 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 preâmbulos."
Ele mudou imediatamente. A primeira frase se tornou: "Opinião polêmica: Prompt Engineering é superestimado." Então ele respondeu: "Primeira frase é o ponto de vista, sem preâmbulos."
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 era.
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 ali está projetando a janela de contexto do modelo. Estrutura do projeto, preferências de codificação, tabus de linha vermelha — tudo é memória de trabalho injetada manualmente. Prompts lidam com "o que fazer desta vez." CLAUDE.md lida com "quem você é." Desenvolvedores backend entendem 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 e 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 do tipo "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, as aplicou automaticamente em uma nova sessão.
Desta vez, senti verdadeiramente que era diferente das soluções de memória que usei antes.
Teste 2: Criando duas páginas de produto para ver se os estilos migram entre projetos
Vamos tentar uma tarefa mais substancial.
Na primeira rodada, pedi ao 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, estilo de desenvolvedor independente. Depois que ele terminou, corrigi o texto do botão CTA.
Em seguida, saí, iniciei uma nova sessão e pedi que ele criasse uma página de introdução para outro produto, o MoleUninstaller, fornecendo 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 — totalmente diferente do estilo indie desenvolvedor 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"; ela distingue contextos de tarefa. Por outro lado, se você espera que ele lembre "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 nos dados no Viewer foram 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 o formato Xiaohongshu", suporte 25, habilitado. Essa experiência foi acionada 25 vezes, mostrando que o MemOS resumiu uma estratégia da tarefa repetida de converter contas.
"Verificar via navegação do navegador após modificar arquivos" e "Verificar se não há erros no console após modificação da 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 atualizou 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. É isso que "Evolve" em Reflect2Evolve significa: as skills não são estáticas; elas amadurecem quanto mais são usadas.
Três modelos, cada um desempenhando seu papel: Xenova local para embeddings (grátis), 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 importam.
Todos os dados são armazenados em um banco de dados SQLite local, e o Viewer escuta apenas localmente, com dependência zero de nuvem. Quem já trabalhou com RAG pode olhar para o pipeline de recuperação: híbrido FTS5 full-text + vetor, passando por ranqueamento de fusão RRF, deduplicação MMR e uma decadência temporal de meia-vida de 14 dias, então filtrado por um LLM. Isso é uma ordem de magnitude mais complexo 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 no 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 lembrou 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, em seguida, 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 essa era a coisa certa a fazer. Esse sentimento é completamente diferente de "me ajude a pesquisar o que conversamos da última vez."
A parte 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 solidificar 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. Escrevo CLAUDE.md há meio ano, e quanto mais escrevo, mais sinto que esse não é um trabalho para humanos.
Site do Plugin Local MemOS: 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 Agentes de IA e desenvolvimento independente para mercados overseas. Se você tem interesse em Agentes de IA, siga --> @yanhua1010
