Melhores Sistemas de Memória Persistente para Agentes de IA 2026

O Mem0 é a melhor escolha padrão de sistema de memória persistente para um agente de IA que você esteja desenvolvendo, enquanto o Perplexity Brain é a principal opção pronta para uso (no-build). O dado recente de mercado vem do próprio fornecedor Perplexity: 25% mais precisão, 16% mais recall e 13% menos custo em tarefas no Computer que precisavam de contexto histórico.

Resumo Rápido: Qual Sistema de Memória Persistente para Agentes de IA Escolher?

Opte pelo Mem0 quando precisar de uma API de memória dentro do seu próprio produto e quiser um caminho prático partindo de um protótipo gratuito até um serviço gerenciado de produção. Escolha o Perplexity Brain quando o agente já atuar no Perplexity Computer e o objetivo for eliminar o trabalho de recapitulação sem ter de criar infraestrutura de memória. Adote o Hindsight quando o agente precisar raciocinar sobre fatos dinâmicos e longos históricos, ou o Zep quando um grafo de conhecimento temporal com governança corporativa for o núcleo da sua arquitetura.

O restante do ranking atende a demandas mais específicas. O Supermemory se destaca quando conversas, documentos e conectores exigem uma camada de contexto multimodal unificada. O Cognee atende equipes que buscam um motor que mescle grafo, vetores e relacional rodando localmente ou na própria nuvem (BYOC). As memory stores do Claude Managed Agents são a opção mais auditável baseada em arquivos dentro do runtime gerenciado da Anthropic. O Letta é a melhor alternativa em portabilidade para agentes de programação cuja identidade precise sobreviver a trocas de modelo subjacente. Já o LangMem é a biblioteca indicada para quem já constrói fluxos no LangGraph e quer controlar 100% do armazenamento e das políticas.

Os valores abaixo foram conferidos em August 28, 2026. A designação "Gratuito" pode indicar um plano hospedado sem custo, um projeto open-source auto-hospedado (self-hosted) ou um aplicativo grátis com despesas separadas de modelo e infraestrutura. Como não são economicamente idênticos, detalhamos o custo real em cada seção.

Este comparativo não é um ranking puro de benchmarks. Um sistema de memória pode ter uma recuperação impecável e ainda assim ser a compra errada para o seu projeto caso falhe na política de exclusão, no isolamento entre clientes (tenancy), nas metas de latência ou no modelo de suporte operacional. O sistema ideal é aquele cujo limite de persistência atende exatamente ao tipo de informação que você precisa preservar.

Para simplificar a tomada de decisão: contrate uma plataforma gerenciada quando a mensalidade for inferior ao custo de horas de engenharia necessárias para construir e manter extração, consolidação, recuperação, correção e exclusão por conta própria. Desenvolva internamente quando o controle dos dados ou o comportamento da memória for um requisito inegociável. Essa regra define melhor a escolha do que décimos em benchmarks.

O Que Você Está Realmente Comprando

Memória persistente não é sinônimo de prompts maiores. A janela de contexto é o volume que o modelo enxerga durante uma única inferência. Um checkpoint possibilita retomar um fluxo a partir de um estado salvo. Já a memória durável determina o que deve ser retido ao longo do tempo, como esses dados evoluem e qual fatia resumida deve retornar em sessões futuras. Uma camada de conhecimento com governança adiciona regras de propriedade, rastreabilidade (provenance), retenção e exclusão a esse estado.

Cada nível atende a falhas diferentes. Se o agente precisa retomar um passo exato após uma falha de execução, use um checkpoint. Se ele deve se lembrar de que um cliente alterou o contato financeiro no mês passado, utilize memória durável com validade temporal. Se houver necessidade de justificar por que aquele contato apareceu na resposta, anexe links de origem ou versões imutáveis. E se os dados de um cliente jamais puderem vazar para outro, o isolamento de tenants deve nascer integrado à memória.

O impacto orçamentário direto disso é o custo de recarga de contexto: tokens de entrada gastos reenviando histórico antigo, horas de equipe resumindo o passado e falhas em tarefas decorrentes de dados defasados ou conflitantes. A Perplexity mensurou esse problema em seu relatório de lançamento do Brain: tarefas no Computer que demandavam contexto histórico custaram 13% menos com o Brain nas primeiras medições, atingindo 25% a mais de precisão e 16% mais recall. Esses números vêm de métricas do próprio provedor em seu ecossistema, mas apontam a meta econômica correta: reduzir chamadas repetidas e tráfego redundante de contexto enquanto eleva a qualidade das entregas.

As melhores plataformas combatem esse custo por diferentes frentes:

• Recuperação seletiva: resgata apenas o trecho estritamente relevante em vez de reenviar todo o histórico.
• Consolidação: unifica registros duplicados e converte padrões recorrentes em um modelo de trabalho conciso.
• Raciocínio temporal: diferencia fatos que eram verdade no passado do que é válido no presente.
• Correção: viabiliza o ajuste manual ou automatizado de informações incorretas antes que contaminem novos ciclos.
• Rastreabilidade (Provenance): permite auditar a origem de cada dado armazenado, evitando alucinações plausíveis.
• Controles de tenancy: delimita os dados com segurança por usuário, projeto, agente ou organização.

Por essas razões, um banco de dados vetorial isolado não soluciona todo o ciclo de memória. Ele armazena embeddings e recupera trechos por similaridade, mas não avalia se um fato foi superado, se uma correção deve sobrescrever um dado, se um documento expirou ou se uma preferência pertence a um indivíduo, a uma sessão ou a uma empresa inteira. Sistemas como Hindsight, Zep, Mem0, Supermemory e Cognee fornecem governança e lógica sobre a busca. Já soluções baseadas em arquivos, como as memory stores do Claude e os repositórios do Letta, tornam esse estado auditável de outra forma.

A fronteira dos dados importa mais que a interface. O Perplexity Brain guarda histórico de tarefas executadas no Computer; não é uma API neutra para o seu SaaS. As memory stores do Claude guardam pequenos arquivos no Managed Agents; não formam um grafo de conhecimento automático. Mem0 e Supermemory são serviços de aplicação que exigem definir quando o agente lê, grava e apaga. Já Cognee e Graphiti oferecem autonomia total sob o preço de assumir a gestão de infraestrutura.

Aqui também reside a divisão entre memória e habilidades (skills). Uma habilidade é uma instrução operacional de como executar um processo; a memória armazena o aprendizado factual de o que ocorreu, o que mudou e o que importa agora. A distinção fica nítida ao analisar persistent agent skills and learned context. Políticas estáveis pertencem a skills e configurações; o novo contato de um cliente pertence à memória. Misturar ambos torna a auditoria impraticável.

A Matemática de Custos Antes do Ranking

Tabelas de preço parecem similares até que se examine a métrica de cobrança. Um fornecedor fatura por tokens de entrada retidos, outro por tokens únicos incorporados (embedded), outro por tokens processados e outro por pequenos blocos chamados Episodes. Comparar o valor por milhão sem alinhar a unidade cobrada gera ilusão de ótica financeira.

Vejamos uma ingestão de 10 milhões de tokens:

• No Hindsight, o Retain de 10 milhões de tokens de entrada custa $100 (à taxa de $10 por milhão). Permanecendo guardados após a carência de 30 dias, o storage adiciona $2.50 per month. O Recall de 10 milhões de tokens de saída custaria $7.50, embora sistemas bem ajustados recuperem frações bem menores do que armazenam.
• No Supermemory, 10 milhões de tokens SM de texto puro em seu grafo custam $50 ($0.005 por 1,000). Conteúdo rico sai por $100. O detalhe crucial é a deduplicação: informações repetidas ou idênticas não são cobradas novamente.
• No Cognee Standard, processar 10 milhões de tokens custa $25 ($2.50 por milhão). Três workspaces extras adicionam $15, resultando em uma projeção de $40 mensais para esse perfil.

Isso não prova que o Cognee seja quatro vezes mais barato que o Hindsight. O Retain do Hindsight aplica extração e modelagem avançada; o Supermemory cobra por sua própria métrica de tokens deduplicados; o Cognee tarifa o processamento do seu pipeline. São três medidores aplicados a tipos de trabalho inteiramente distintos.

O Zep tem uma divisão de faixas de uso bem demarcada. O plano Flex custa $125 com 50,000 créditos inclusos e adiciona 10,000 créditos por $25. Dez recargas elevam a conta para $375, totalizando 150,000 créditos. Por outro lado, o Flex Plus já custa $375 e entrega 200,000 créditos. Acima de 150,000 créditos mensais, o Flex Plus torna-se mais barato antes mesmo de considerar limites maiores e rollover estendido. Em 160,000 créditos, o Flex chegaria a $400, enquanto o Flex Plus se manteria em $375.

Na Perplexity, o modelo é por usuário (assento), não por requisições de API. O plano Consumer Max custa $200 mensais ou $2,000 no plano anual. Dez contas somam $24,000 no pagamento mês a mês contra $20,000 na assinatura anual — uma diferença de $4,000 ao ano. Já o Enterprise Max sai por $325 por usuário ao mês ou $3,250 no plano anual, gerando economia anual de $6,500 para dez contas no faturamento antecipado. O compromisso anual só faz sentido quando a equipe comprovar que o Brain poupa retrabalho suficiente para compensar o lock-in.

No caso do Claude, os custos de inferência entram na balança. O Sonnet 5 custa $2 por milhão de tokens de entrada e $10 por milhão de saída. Uma rotina de 10 milhões de entrada e 1 milhão de saída gera $30 antes de outros custos de runtime. Reenviar um resumo de 100,000 tokens ao longo de 100 sessões totaliza 10 milhões de tokens de entrada ($20 nas tabelas públicas, sem considerar cache). As memory stores não tornam a leitura gratuita, mas dão ao agente o recurso de consultar apenas o arquivo necessário em vez de sobrecarregar todo prompt inicial.

A pergunta financeira essencial não é "qual fornecedor tem a menor taxa inicial?". É "o que representa uma unidade memorizada no meu sistema, quantas vezes será gravada e lida, e qual o prejuízo se for registrada errada?". Calcule separadamente gravação, leitura, storage retido, inferência do modelo e horas gastas corrigindo alucinações. Feito isso, compare a assinatura gerenciada com os custos de equipe para manter o stack aberto.

Como Selecionamos Estes Sistemas

Nove plataformas foram selecionadas por apresentarem mecanismos reais de persistência e uma proposta de valor clara. O filtro baseou-se em seis critérios:

1. Limite de persistência: O estado resiste ao reinício do processo, a uma nova sessão, à troca de LLM ou ao redeploy da aplicação? Quem detém a custódia desse dado?
2. Qualidade de recuperação: A solução combina sinais semânticos, lexicais, grafos e temporais, ou limita-se à busca por vizinhos mais próximos (k-NN)?
3. Correção e rastreabilidade: É viável auditar por que uma memória foi gravada, editá-la com segurança, rastrear versões e excluí-la de fato?
4. Isolamento de tenants e governança: Há suporte nativo a usuários, projetos, agentes e organizações? Permite auto-hospedagem, BYOC ou acesso somente leitura?
5. Carga de engenharia: Quanto tempo o time precisará gastar criando rotinas de extração, consolidação, monitoramento, retenção e segurança?
6. Formato da cobrança: A cobrança ocorre por usuário, requisição, token, Episode, tempo de retenção, operações ou infraestrutura computacional?

Todos os valores, planos, limites e recursos foram checados em páginas de preços oficiais, documentações técnicas, repositórios e notas de release em August 28, 2026. Os sistemas não foram testados na prática pela nossa equipe para este comparativo, motivo pelo qual o título não traz termos como "Testado". Benchmarks dos fornecedores são identificados explicitamente como dados publicados pelas próprias empresas, e não como avaliações independentes.

Critérios de exclusão também foram rigorosos. Bancos de dados vetoriais simples não entraram como soluções completas porque apenas indexar e buscar embeddings não supre o ciclo de vida da memória. Frameworks gerais de agentes sem camada durável ficaram de fora. Mecanismos de memória de chats de consumo sem auditoria ou API foram descartados — exceto o Perplexity Brain, que atua como fluxo substancial de trabalho corporativo com agentes.

O guia prioriza a utilidade prática em detrimento de divisões teóricas de categorias. O Perplexity Brain ou o Letta operam de forma bem distinta da API do Mem0, mas atendem ao mesmo dilema: construir a memória do zero, adotar um ambiente pronto ou delegar a custódia a um runtime específico de agentes.

1. Mem0: A API de Memória Padrão para Times de Produto

O Mem0 é a melhor escolha padrão para times que precisam de memória persistente entre sessões sem precisar adotar de imediato um grafo temporal complexo ou o ambiente fechado de um provedor. Um agente de suporte pode isolar memórias por usuário e sessão (run_id), recuperar preferências antes de responder e aplicar correções ou datas de expiração posteriormente. O serviço gerenciado traz consolidação e ordenação temporal ausentes na versão open-source. O principal atrito reside no upgrade de plano: a faixa Starter de $19 é restrita, enquanto as funções exigidas para ambientes corporativos ficam no plano Pro de $249.

As versões gerenciada e open-source do Mem0 compartilham as operações fundamentais: add, search, get, list, update, delete, delete-all e history. Ambas suportam escopos por user_id, agent_id e run_id, ordenação por entidades, entradas multimodais, expiração de dados, reranking, instruções customizadas de extração, REST e SDKs em Python e JavaScript. Essa base idêntica dá segurança contra lock-in e viabiliza a migração caso o time queira assumir a infraestrutura.

A comparação oficial Platform vs OSS detalha bem as diferenças. A Platform adiciona tenancy via app_id, suporte a organizações e projetos, feed de eventos no projeto, Graph Memory nativa, Memory Decay, raciocínio temporal e o Dream (consolidação em background). Também disponibiliza webhooks, categorias, exportações estruturadas, feedback loop, sumarizações e operações em lote de até 1,000 memórias.

A versão OSS v3 não conta com Graph Memory consultável, Memory Decay, raciocínio temporal, Dream, webhooks, feed de eventos, exportação gerenciada, sumarizações ou atualizações em lote. É possível construir um excelente serviço com o código aberto, mas o time deve fornecer o banco vetorial, o modelo de embeddings, as rotinas de limpeza e a governança. O open-source dá autonomia, mas não replica a plataforma gerenciada sem esforço técnico.

Ideal para: Equipes de desenvolvimento integrando memória de usuário, agente e sessão a produtos SaaS ou sistemas internos.
Destaque: API compartilhada entre as edições na nuvem e auto-hospedada, com grafo gerenciado, decay, ordenação temporal e consolidação sob demanda.
Preços: Hobby é gratuito com 10,000 inclusões, 1,000 recuperações e 1 projeto mensal. Starter custa $19/month com 50,000 inclusões, 5,000 recuperações e 1 projeto. Pro custa $249/month para 500,000 inclusões, 50,000 recuperações, projetos ilimitados, Graph Memory, Dream, analytics e canal privado no Slack. Enterprise tem valores sob consulta com volume ilimitado, SLA, deploy on-premises, logs de auditoria, SSO e integrações dedicadas. Valores checados em August 28, 2026 na página de preços do Mem0.
Teste gratuito: O plano Hobby na nuvem é gratuito e não exige cartão; a edição open-source pode ser hospedada localmente sem custo de licença.

Roteiro Prático de Adoção do Mem0

Evite o erro de tentar "gravar tudo". Defina uma categoria clara de fatos estáveis, preserve timestamps e links de origem, e meça o impacto prático nas consultas repetidas.

1. 1

   Defina o contrato de dados

   Comece por uma entidade específica, como preferências de configuração de clientes, decisões aceitas ou restrições de faturamento. Delimite o que pode ser gravado, quem é o dono, o critério de expiração e o que é proibido persistir.

2. 2

   Isole os escopos em cada escrita

   Envie sempre os identificadores corretos de usuário, agente e execução (run_id). Recorra ao app_id apenas quando houver separação real entre produtos. Omissão de escopo gera falhas críticas de isolamento de dados.

3. 3

   Consulte a memória antes do passo crítico

   Execute a busca logo antes da chamada ao modelo que realmente requer o contexto, injetando apenas a porção necessária. Jamais envie a lista completa de memórias em todos os prompts.

4. 4

   Disponibilize correção e descarte

   Dê à aplicação um endpoint claro para atualizar ou apagar fatos desatualizados. Na nuvem, use as métricas de feedback e o feed de eventos; no OSS, implemente telemetria própria na infraestrutura.

5. 5

   Evolua de plano com base em métricas

   Mantenha-se no Hobby ou Starter até que as cotas de requisição ou a demanda por múltiplos projetos exijam o salto. Migre para o Pro quando os recursos de grafo e consolidação justificarem os $230 extras por mês.

Veredito: O Mem0 é a recomendação geral mais segura, mas seus diferenciais avançados transformam um teste de $19 em um custo fixo de $249. Se o seu caso requer apenas guardar configurações e preferências, o Starter ou a versão OSS atendem bem. Se você precisa de temporalidade, consolidação automática e busca em grafo, compare o Pro com o Hindsight e o Zep antes de bater o martelo.

2. Perplexity Brain: A Melhor Memória Pronta para o Trabalho Diário

O Perplexity Brain é a melhor opção quando as atividades já são executadas no Perplexity Computer e a empresa busca reter contexto sem alocar desenvolvedores. Um analista ou gestor pode retomar um projeto semanas depois e o Computer trará à tona decisões tomadas, arquivos, responsáveis e tópicos pendentes. O Brain atualiza o modelo de trabalho em segundo plano e vincula cada anotação à sua fonte original. O limitador é a portabilidade: trata-se de um Research Preview exclusivo dos planos Max pagos, e não de uma API que você possa acoplar ao seu próprio sistema.

Lançado em June 18, 2026 como um sistema autoaperfeiçoável para o Computer, o Brain cria um grafo de contexto a partir das operações realizadas na ferramenta e atualiza uma wiki gerada por LLM em ciclos periódicos (como durante a noite), segundo a nota oficial de lançamento. Os insumos englobam sessões de chat, resultados de conectores, arquivos anexados, versões de documentos e intervenções do usuário. Trata-se de uma verdadeira memória de trabalho corporativa, muito além de um simples campo de preferências em um chatbot.

A documentação atual do Brain traz mecanismos práticos de controle: cada entrada traz o link de onde foi extraída; conceitos, entidades e linhas de trabalho ficam acessíveis em formato de grafo e wiki; o usuário pode editar ou apagar registros, e qualquer correção é assimilada na sincronização seguinte. Informações ultrapassadas são marcadas como defasadas em vez de serem tratadas como verdades permanentes.

A privacidade segue barreiras formais de produto: o Brain processa apenas as interações do próprio assinante e desconsidera sessões anônimas (incognito). Existe um botão para desativá-lo e administradores do Enterprise podem bloqueá-lo em toda a organização. A Perplexity ressalta que utiliza filtros baseados em IA para bloquear credenciais e dados sigilosos, além de garantir que dados de planos corporativos não treinam modelos. Vale notar: filtros automatizados reduzem riscos, mas não substituem o cuidado humano de evitar o upload de segredos.

Os ganhos reportados devem ser compreendidos em seu contexto. A Perplexity aponta que, em testes internos em tarefas já executadas no Computer, o Brain obteve 25% a mais de precisão, 16% mais recall e 13% menos custos quando contexto prévio era necessário. A metodologia fechada não é detalhada publicamente, portanto encare esses números como indicadores promissores do produto, e não como vitória definitiva sobre APIs dedicadas de memória.

Ideal para: Analistas, executivos e gestores de projetos que realizam trabalho de conhecimento recorrente no Perplexity Computer.
Destaque: Memória em background que correlaciona arquivos, tarefas, conectores e decisões com rastreabilidade direta à fonte.
Preços: O Brain está disponível em Research Preview nos planos Consumer Max ($200/month ou $2,000/year) e Enterprise Max ($325/seat/month ou $3,250/seat/year). O Enterprise Pro custa $40/seat/month ou $400/seat/year, mas não dá acesso ao Brain. O Consumer Max inclui 10,000 créditos mensais de Computer; o Enterprise Max inclui 15,000 (créditos não acumuláveis). Dados conferidos em August 28, 2026 nos artigos de planos da Perplexity, preços Enterprise e guia de créditos.
Teste gratuito: Não há período de teste nos planos Enterprise Pro ou Enterprise Max; o uso do Brain requer assinatura Max elegível ativa.

A titularidade dos projetos exige atenção no rateio de custos: a Perplexity cobra o consumo do Brain do criador do projeto compartilhado, independentemente de quem execute as tarefas ali. Para fluxos de trabalho em equipe, determine um responsável formal e monitore os créditos antes de conceder acesso amplo.

O desconto anual só se justifica com o uso comprovado. Dez contas no Consumer Max economizam $4,000 ao ano no faturamento antecipado. No Enterprise Max, a economia atinge $6,500 ao ano para dez assentos. Vale rodar um piloto de 30 dias para verificar se os membros realmente aproveitam a retenção de contexto antes de contratar o ano todo.

Veredito: O Perplexity Brain é a maneira mais rápida de dar memória operacional a tarefas executadas em IA com respaldo em fontes, mas você está pagando por um ecossistema de trabalho, não por uma camada técnica reutilizável. Escolha-o se a sua empresa atua dentro do Computer. Ignore-o se você precisa embutir memória no seu próprio software ou infraestrutura.

3. Hindsight: O Melhor em Raciocínio Temporal Profundo e Reflexão

O Hindsight desponta como a opção ideal quando a memória exige mais do que resgatar textos semelhantes. Um agente de pesquisa analítica pode armazenar dados datados, vincular pessoas a projetos, gerar sínteses conceituais e, posteriormente, identificar o que mudou entre dois intervalos de tempo. O algoritmo de recuperação TEMPR processa quatro sinais distintos simultaneamente em vez de se limitar a embeddings. A contrapartida é um modelo de faturamento mais granular e uma curva de aprendizado superior à de APIs básicas de preferências.

O ciclo de memória no Hindsight é estruturado em três operações primordiais: Retain (extrai dados factuais, entidades e registros cronológicos para um banco de memória); Recall (recupera memórias correlatas usando estratégias concorrentes); e Reflect (habilita o agente a deduzir conclusões com base na missão, nas regras e no perfil do banco de dados). Essa divisão é valiosa porque operações de escrita, leitura e abstração de alto nível apresentam custos e tempos de resposta bem diferentes.

A arquitetura hierárquica organiza as informações em três camadas: na base estão fatos puros do mundo e registros contextuais; no nível intermediário ficam as Observações (padrões validados com embasamento); no topo ficam os Modelos Mentais (resumos executivos voltados a responder perguntas rotineiras). Ao ser consultado, o Hindsight avalia primeiro os Modelos Mentais, passa pelas Observações e atinge os Fatos Puros apenas se necessário, economizando o custo de reconstruir raciocínios idênticos a cada chamada.

O método TEMPR combina quatro frentes de recuperação simultâneas: similaridade semântica, correspondência de palavras-chave via BM25, conexões em grafo e deduções cronológicas temporais. Termos exatos ou identificadores resolvem-se no BM25; relacionamentos corporativos demandam o grafo; e consultas como "o que mudou desde o último trimestre?" necessitam de tratamento temporal nativo. Essa composição coloca o Hindsight à frente de abstrações simples sobre vetores.

Em testes de desempenho, o Hindsight divulgou no benchmark BEAM uma marca de 64.1% na faixa de 10 milhões de tokens, contra 40.6% da segunda melhor solução registrada, além de atingir 73.9% em 1 milhão e 71.1% em 500,000 tokens (uma vantagem alegada de 58% na faixa de 10M). O ranking é público, mas como não recriamos o experimento, os dados devem ser tratados como relatórios do próprio fabricante sujeitos à validação na sua esteira de dados.

Ideal para: Projetos de inteligência de mercado, agentes de pesquisa analítica e fluxos de longa duração onde temporalidade, síntese e resolução de contradições são cruciais.
Destaque: Sistema de busca TEMPR articulado com hierarquização que converte dados brutos em observações fundamentadas e modelos mentais ágeis.
Preços: Uso auto-hospedado gratuito sem licença de software. O Hindsight Cloud (Pay-As-You-Go) cobra Retain a $10/MTok de entrada, Recall a $0.75/MTok de saída, Reflect a $0.05 por execução, Retrieve Model a $0.25/MTok de saída, Refresh Model a $0.05 por execução, conversão de arquivos via Iris a $7.50/MTok de saída e armazenamento de dados após 30 dias a $0.25/MTok/month. Há recargas de créditos de $10, $25, $50 ou $100 (ou compras avulsas entre $5 e $1,000, onde 1 crédito = $1). Planos Enterprise contam com descontos progressivos sob contrato. Dados validados em August 28, 2026 na página de faturamento do Hindsight.
Teste gratuito: A edição open-source auto-hospedada é livre de custos de licença; a infraestrutura em nuvem adota cobrança sob demanda (Pay-As-You-Go) sem período de testes com prazo fixo.

A reestruturação de preços ocorrida em July 6, 2026 invalidou análises financeiras antigas: o Retain caiu de $15 para $10 por milhão de tokens de entrada; as operações de Reflect e Refresh Model deixaram o modelo por token e passaram a custar $0.05 por chamada fixa; e passou a vigorar a taxa de storage de $0.25 por milhão de tokens ao mês após 30 dias. Planejamentos baseados em referências anteriores a essa data devem ser refeitos.

Em um cenário de ingestão de 10 milhões de tokens de histórico, o Retain inicial soma $100 e a guarda após o período gratuito adiciona $2.50 ao mês. Um pacote de 100 execuções do Reflect adiciona $5. A consolidação sai em conta perto do volume de entrada, mas reingestões repetidas elevam a fatura. A recomendação prática é deduplicar e estruturar o texto antes do Retain, evitando alimentar o banco com ruído.

Veredito: O Hindsight se paga quando a exatidão das respostas depende de cronologia e síntese conceitual; ele é superdimensionado para bots que apenas registram saudações e preferências simples. Contrate-o se os seus testes práticos provarem que a recuperação temporal melhora as decisões finais do agente, e não pelo apelo técnico dos quatro métodos de busca.

4. Zep e Graphiti: O Melhor Grafo de Conhecimento Temporal com Governança

O Zep é a solução corporativa indicada para empresas que demandam um grafo de conhecimento temporal com governança rígida, enquanto o Graphiti é o motor de código aberto voltado a quem prefere programar e sustentar o ambiente por conta própria. Um assistente de atendimento pode armazenar o ciclo de vida de uma conta como eventos datados, invalidar dados superados e resgatar o contexto interligado sem apagar o histórico de auditoria. O Zep adiciona gestão de usuários, threads, registros de auditoria, políticas de retenção e escalabilidade. O ponto de fricção reside na cobrança por créditos durante a ingestão e na barreira de entrada de $125 no plano gerenciado inicial.

A documentação comparativa Zep vs Graphiti estabelece bem a divisão das ferramentas. O Graphiti constrói Context Graphs individuais por entidade e conecta-se a instâncias de Neo4j, FalkorDB ou Amazon Neptune. Ele estrutura fatos de maneira bi-temporal, revoga informações obsoletas e combina recuperação vetorial, textual e em grafo. Trata-se de um núcleo robusto, mas sua equipe responderá pela infraestrutura, tenant management, telemetria e calibração de performance.

O Zep executa o Graphiti encapsulado em um Context Lake gerenciado, adicionando algoritmos de extração, observações, ordenação, embeddings, retenção de conversas e usuários, painel visual e logs detalhados de API. A governança engloba controle de acesso RBAC para equipes, ABAC para agentes, trilhas de auditoria, políticas de expiração, isolamento de dados e chaves de criptografia gerenciadas pelo cliente (BYOK/BYOC no Enterprise). O Zep promete latências inferiores a 200ms na recuperação; confirme essa marca executando testes na sua região e com o seu volume de conexões.

A cobrança no Zep adota o conceito de Episode, que pode ser uma mensagem de chat, um bloco JSON ou um parágrafo textual. Um Episode de até 350 bytes consome 1 crédito; cada fração adicional de 350 bytes exige mais 1 crédito. Chamadas de webhook custam um oitavo (1/8) de crédito. Consultas de busca, retenção de dados, usuários, histórico de conversas e armazenamento do grafo consomem zero créditos, concentrando os custos variáveis na entrada e no processamento, e não na leitura.

Ideal para: Agentes corporativos e sistemas em escala que lidam com relações complexas, dados cadastrais mutáveis e auditoria obrigatória.
Destaque: Núcleo de grafo temporal com transição direta do open-source para a nuvem gerenciada e controles avançados de tenancy.
Preços: O plano Free inclui 10,000 créditos/month, 2 projetos, 1 licença de Memory MCP Server e 5 tipos personalizados de entidades/arestas (sem rollover ou recarga automática). O Flex custa $125/month com 50,000 créditos inclusos, recargas de 10,000 créditos por $25, rollover de 30 dias e 5 projetos. O Flex Plus sai por $375/month com 200,000 créditos, recargas de 40,000 por $75, rollover de 60 dias e 10 projetos. O Enterprise traz condições customizadas com SLA contratual, projetos ilimitados, retenção de logs por 1 ano e modelos cloud, BYOK ou BYOC. Preços verificados em August 28, 2026 na página de preços do Zep.
Teste gratuito: O plano Free entrega 10,000 créditos todos os meses, embora opere com limites de taxa mais baixos, menor prioridade de processamento e sem acúmulo de saldo.

A modelagem de custos deve focar no peso em bytes das mensagens, não no número de diálogos. Um exemplo do simulador da Zep calcula 15,000 Episodes com média de 700 bytes (o que gera 30,000 créditos) somados a 20,000 webhooks (2,500 créditos), totalizando 32,500 créditos — volume comportado com folga pelo plano Flex. Transmitir payloads verbosos quando um evento conciso bastaria pode triplicar o consumo sem trazer qualquer ganho à inteligência da memória.

A virada financeira para o Flex Plus acontece exatamente aos 150,000 créditos previstos. O Flex com dez recargas soma os mesmos $375 do Flex Plus, porém entregando apenas 150,000 créditos. Em 160,000 créditos, o Flex atinge $400, ao passo que o Flex Plus permanece em $375, oferecendo ainda 40,000 créditos de sobra. Esse é o gatilho objetivo para negociações com a área de compras.

Veredito: O Graphiti serve a desenvolvedores que querem criar e operar o grafo temporal internamente; o Zep atende a empresas que precisam de governança e escala sem alocar engenharia de infraestrutura. Se a sua demanda envolve apenas salvar preferências isoladas, o grafo temporal e o piso de $125 serão desnecessários. Se as decisões do agente dependem de relações contratuais que mudam ao longo dos meses e exigem trilha de auditoria, o custo do Zep se justifica com facilidade.

5. Supermemory: O Melhor para Contexto Multimodal e Conectores

O Supermemory é a alternativa mais eficiente quando um agente precisa unificar o contexto entre diálogos, documentos, perfis de usuários e conectores de software. Um assistente executivo pode assimilar uma reunião em áudio ou texto, vinculá-la a uma política interna em PDF e posteriormente resgatar tanto a cláusula aplicável quanto o perfil consolidado daquele usuário. Graças à deduplicação de dados, conteúdos idênticos não sofrem nova cobrança na métrica de tokens SM. Em contrapartida, recursos de disponibilidade imediata, conectores avançados e controles corporativos distribuem-se por diferentes tarifas e faixas de plano.

O guia inicial do Supermemory detalha três modalidades de busca sob uma mesma containerTag. A busca documental traz fragmentos do arquivo original para rotinas de RAG. A busca na memória navega pelos fatos extraídos e suas arestas no grafo. Já a consulta de perfil entrega um sumário consolidado com dados recentes que pode ser anexado diretamente ao prompt, sem necessidade de varrer toda a base. Essa arquitetura permite solicitar evidências, histórico relacional ou perfis sem sobrecarregar todas as interações.

O fluxo de processamento é assíncrono. O modo padrão (dynamic dreaming) processa arquivos relacionados em lote, gerando sínteses mais coesas. Ativar o processamento instantâneo (instant dreaming) indexa o arquivo no momento exato do envio, mas consome uma operação avulsa por documento. Essa opção instantânea é útil em testes ou em etapas em que o agente precisa do dado no segundo seguinte, mas usá-la irrestritamente em produção pode inflar a fatura com facilidade.

A segregação de clientes baseia-se em tags e identificadores consistentes. O containerTag deve acompanhar o usuário por todo o ciclo de leitura e escrita. As chaves de API com escopo restrito limitam a atuação a um contêiner específico, bloqueando acessos a faturamento, criação de novas credenciais e configurações de conta. O mecanismo protege fluxos delegados a terceiros, cabendo à sua aplicação gerenciar rotação e atribuição das chaves.

A lógica de faturamento beneficia bases que passam por sincronizações rotineiras. Tokens SM correspondem estritamente aos tokens inéditos ingeridos e indexados pelo Supermemory. Reenviar o mesmo arquivo ou sincronizar documentos inalterados não gera nova cobrança desses tokens. A indexação de texto no grafo sai por $0.005 por 1,000 tokens SM, e dados ricos (mídia/arquivos) saem por $0.010. No SuperRAG, as taxas são de $0.001 (texto) e $0.002 (mídia) por 1,000 tokens. Consultas em grafo custam $0.005 por 1,000 buscas, e operações de memória são tarifadas a $0.10 por 1,000 eventos.

Ideal para: Agentes que operam simultaneamente com histórico de conversas, arquivos complexos, perfis dinâmicos de clientes e conectores SaaS.
Destaque: Três métodos de recuperação sobre um único contêiner com deduplicação de tokens e integração com diversas fontes de dados.
Preços: Free custa $0/month (cerca de $5 de consumo incluídos). Pro sai por $19/month com cerca de $20 em consumo, storage e usuários ilimitados, 2 membros na equipe e suporte a Google Drive, Notion e OneDrive. Max custa $100/month com cerca de $130 em consumo, além de Gmail e Granola. Scale vai a $399/month com cerca de $600 em consumo, até 10 colaboradores, conectores avançados (GitHub, S3, Web Crawler), limites rígidos de gastos, certificações SOC 2 e HIPAA BAA, e suporte a self-hosting. Enterprise não divulga valores e oferece deploy totalmente desconectado da internet (air-gapped). Tarifas de consumo detalhadas acima. Dados validados em August 28, 2026 na página de preços do Supermemory.
Teste gratuito: O plano Free inclui cerca de $5 mensais em requisições sem pedir cartão de crédito; startups e grupos acadêmicos qualificados podem solicitar 3 meses de gratuidade no plano Scale.

Pelos valores atuais, processar 10 milhões de tokens SM de texto no grafo gera um custo de $50 (ou $100 em mídia rica). O montante é reduzido perto do custo das LLMs, mas um volume contínuo de pequenos arquivos disparados com processamento instantâneo pode inflacionar a linha de operações. Monitore volume de tokens e quantidade de arquivos em separado: ingerir 1 milhão de tokens distribuídos em 10 arquivos é financeiramente bem diferente de ingeri-los em 10,000 pequenos registros.

Os créditos da assinatura mensal não acumulam entre faturamentos. Recargas avulsas compradas à parte não têm validade. O nível Free congela requisições ao zerar créditos, enquanto contas pagas aceitam recarga automática; o Scale permite configurar tetos rígidos de consumo. Em produção, use sempre um customId estável para atualizar dados, mantenha o dynamic dreaming ativo para rotinas habituais e trave o limite financeiro mensal.

Veredito: O Supermemory é uma excelente plataforma de ingestão de contexto abrangente, não uma API enxuta de memória pura. Adote-o se o seu agente depende de sincronização com múltiplos formatos de arquivos, perfis dinâmicos e fontes externas. Prefira uma API mais focada se a sua necessidade envolver apenas trechos curtos de texto que caibam no banco de dados que você já possui.

6. Cognee: O Melhor Motor de Conhecimento Aberto para Arquiteturas BYOC

O Cognee é a melhor escolha de motor de conhecimento aberto para equipes que precisam representar memória em três frentes: grafos, vetores e estruturas relacionais. Um agente voltado à pesquisa acadêmica ou científica pode processar relatórios, construir ontologias, depurar nós e arestas desatualizados e realizar consultas estruturadas preservando a linhagem do dado (provenance). Os padrões baseados em arquivos tornam a criação de protótipos locais extremamente simples. O desafio está na complexidade técnica: um motor de conhecimento exige muito mais definições de schema, banco e validação do que uma API simplificada de preferências.

O pipeline de processamento do Cognee opera em quatro etapas formais: add (recebe as fontes); cognify (executa seis passos internos que categorizam documentos, checam permissões, fatiam textos, utilizam LLMs para extrair entidades e relações, criam resumos, geram embeddings e salvam arestas no grafo); memify (elimina nós ultrapassados, reforça conexões ativas, repondera arestas e adiciona dados derivados); e search (executa a recuperação sobre toda essa base).

A variedade de armazenamento justifica o termo "motor". O Cognee opera simultaneamente um banco em grafo, um vetorial e um relacional. Em ambientes locais, adota por padrão soluções em arquivo como Kuzu, LanceDB e SQLite, dispensando dezenas de serviços auxiliares para rodar o primeiro teste. Em produção corporativa, suporta conexões com Neo4j, FalkorDB, Neptune, Qdrant, pgvector, Redis, DuckDB, Pinecone, ChromaDB e PostgreSQL.

A suíte oferece 14 modos de recuperação distintos, englobando complementação de grafos, fragmentos textuais puros, busca lexical, sumários, filtros cronológicos, consultas em Cypher, validações por código e um mecanismo de seleção automatizada. Essa flexibilidade acomoda diferentes perfis de perguntas, mas impõe um esforço de testes ao time: é necessário validar qual modalidade responde melhor a cada caso, evitando depender cegamente da seleção automática.

O isolamento multi-tenant funciona em backends como pgvector, Neo4j, Kuzu e LanceDB. Esse controle é fundamental: separar usuários no prompt não protege os dados se a pesquisa subjacente varrer um grafo sem escopo delimitado. Testes de tenancy devem comprovar gravações, leituras, exclusões e regras de inferência em cada banco configurado.

Ideal para: Equipes que desenvolvem motores semânticos especializados, usam nuvem própria (BYOC) ou conectam ontologias ricas a agentes autônomos.
Destaque: Fluxo estruturado de quatro etapas (add, cognify, memify, search) articulado sobre bancos de grafos, vetoriais e relacionais.
Preços: Free é $0/month com 1 milhão de tokens, 1 workspace, usuários e endpoints ilimitados, sem exigência de cartão. Standard cobra $2.50 por milhão de tokens processados e $5 por workspace adicional, trazendo conectores para Slack, Notion, Linear e Google Drive. Enterprise tem valores sob medida em contratos BYOC nos formatos Startup, 6, 12 e 24 meses, rodando na nuvem do cliente com SLA e suporte dedicado. A versão Open Source pode ser auto-hospedada sem taxas de licença. Dados conferidos em August 28, 2026 na página de planos do Cognee.
Teste gratuito: O plano Free é perpétuo na nuvem e não requer cartão; o motor em código aberto é gratuito para testes e produção local.

A relação de custos na nuvem é vantajosa para volumes moderados. Processar 10 milhões de tokens custa $25 no plano Standard. Adicionando três workspaces extras ($15), a conta totaliza cerca de $40 ao mês. Note que esse valor não inclui o consumo de LLMs dos provedores, horas de desenvolvimento nem os custos de máquinas nos bancos auto-hospedados. O valor baixo por token não deve ser confundido com o custo total de posse (TCO).

O gatilho que indica a escolha do Cognee é o formato relacional do problema. Se o agente responde frequentemente a dúvidas de múltiplos saltos lógicos (ex: "qual fornecedor impacta determinado componente e qual cláusula contratual mudou?"), a modelagem do Cognee entrega muito valor. Se cada registro for apenas uma preferência amarrada ao ID do cliente, o Mem0 ou um banco simples resolverão o problema com muito mais agilidade.

Veredito: O Cognee é o motor indicado para equipes que querem moldar ontologias de conhecimento, e não meramente arquivar o histórico do chat. Escolha-o se a modelagem em grafo e a operação na própria infraestrutura forem diretrizes fundamentais. Evite-o se o time estiver optando por ele apenas para fugir de um plano de $19, sem que haja ninguém para gerenciar o stack resultante.

7. Claude Managed Agents Memory Stores: A Melhor Memória Nativa em Arquivos Auditáveis

As memory stores do Claude Managed Agents são a escolha certa quando um agente já está implementado no ecossistema gerenciado da Anthropic e o estado contínuo puder ser estruturado em documentos de texto versionados. Um agente financeiro pode montar um repositório de políticas internas em modo somente leitura ao lado de um repositório de trabalho em modo leitura e escrita, registrar alterações em relatórios e criar um histórico com versões imutáveis. O padrão de sistema de arquivos facilita inspeções por ferramentas padrão de shell e revisões manuais fora do fluxo. O contra-ponto: o serviço está em beta público, impõe limites estritos por arquivo e não divulga preço específico para armazenamento.

As sessões no Managed Agents são voláteis por padrão. Uma memory store é uma coleção de arquivos de texto vinculada a um workspace que se mantém estável entre execuções. Quando associada aos recursos de uma sessão, a pasta fica acessível no diretório /mnt/memory/<store-name>/, e o agente recorre a comandos convencionais de leitura, escrita, busca e terminal (bash), em vez de comandos proprietários de memória.

O modelo lembra mais documentos corporativos duráveis do que indexação semântica abstrata. A aplicação hospedeira pode abastecer o diretório com diretrizes da empresa. Uma sessão pode montá-lo em modo somente leitura (read-only) ou leitura e escrita (read-write). As alterações são refletidas na base central. Toda gravação gera uma nova versão imutável acompanhada de registro de operações, viabilizando auditoria, rollback cronológico e censura cirúrgica (redaction). O controle de concorrência otimista impede que dois agentes sobrescrevam o mesmo documento sem aviso.

Os parâmetros técnicos moldam a estrutura dos dados. Cada arquivo de texto pode ter no máximo 100KB. Uma sessão pode carregar simultaneamente até 8 stores, e essa vinculação só pode ser definida no ato de inicialização da sessão. O arquivamento de uma store é definitivo e irreversível: ela passa a ser somente leitura, perde a capacidade de ser anexada a novas sessões e não pode ser restaurada (embora conexões prévias continuem ativas). Esse cenário exige dividir os registros em múltiplos documentos específicos, evitando arquivos massivos centralizados.

O aviso de segurança da documentação é enfático: jamais grave credenciais, tokens ou chaves de API nas memory stores. Textos salvos ali podem ser reproduzidos integralmente em sessões futuras que montarem o diretório. A orientação da Anthropic é armazenar segredos em variáveis de ambiente blindadas em vaults. Caso uma credencial vaze para um arquivo de memória, não basta remover o texto na versão atual; é mandatório redigir ou expurgar todas as versões imutáveis afetadas.

Ideal para: Agentes no Anthropic Managed Agents que demandam documentos de projetos, políticas e perfis auditáveis e versionados entre sessões.
Destaque: Acesso via sistema de arquivos nativo com suporte a versões imutáveis, rollback, redaction e permissões granulares de escrita e leitura.
Preços: A Anthropic não publicou tarifas isoladas para as memory stores na documentação do beta avaliada. Cobram-se os custos regulares de runtime e dos modelos: Claude Sonnet 5 custa $2/MTok de entrada e $10/MTok de saída; Claude Opus 4.8 custa $5/MTok de entrada e $25/MTok de saída. Valores checados em August 28, 2026 no anúncio do Sonnet 5 pela Anthropic.
Teste gratuito: As memory stores estão em beta público sob o header de API managed-agents-2026-04-01; não há plano gratuito avulso ou período de testes exclusivo divulgado para essa funcionalidade.

A vantagem econômica reside na leitura seletiva, e não em armazenamento sem custo. Pelas tabelas do Sonnet 5, reenviar um documento com 100,000 tokens ao longo de 100 execuções gera 10 milhões de tokens de entrada ($20 antes de deduplicações por cache). Montar um diretório permite ao agente consultar apenas o arquivo necessário, mas instruções frouxas podem levá-lo a abrir o diretório todo a cada interação. Monitore o perfil de leitura antes de assumir reduções automáticas de custo.

A configuração do Agent e a memory store devem ser tratadas de forma separada na arquitetura. A visão geral do Managed Agents ressalta que a configuração versionada do Agent é instanciada uma única vez e reaproveitada em várias execuções. A memory store abriga os dados de trabalho. Alterar as instruções do sistema gera uma nova versão do Agent; retificar o cadastro de um cliente deve refletir apenas no arquivo de memória correspondente. Essa segregação isola regressões em deploys.

Veredito: As memory stores do Claude são ótimos repositórios de trabalho versionados, mas não constituem uma camada cognitiva automatizada de memória. Utilize-as quando a transparência de arquivos convencionais e a rastreabilidade forem vantagens competitivas. Integre uma etapa de busca semântica à parte se a base de arquivos atingir dimensões que o agente não consiga navegar sozinho.

8. Letta: A Melhor Memória Portátil para Agentes de Código

O Letta desponta como a melhor opção para garantir que o aprendizado e a identidade de um agente de programação continuem existindo caso o fornecedor do modelo de linguagem seja substituído. Um assistente de código pode ser inicializado a partir do histórico do repositório ou de sessões antigas no Claude Code ou Codex, organizar seu contexto de trabalho e alternar entre LLMs sem perder seu histórico. A estratégia foca em padrões abertos, independência de modelos e arquivos locais. O ponto de cautela é o momento de transição: o Letta está descontinuando padrões antigos de memória no servidor, o que torna tutoriais anteriores obsoletos rapidamente.

O aplicativo Letta Code pode começar do zero ou carregar memórias prévias por meio do comando /init, analisando o repositório e registros de sessões anteriores do Claude Code ou Codex. Subagentes especializados revisam os diálogos, reescrevem o contexto e otimizam a base. O comando /doctor reorganiza e purga dados incoerentes. Essas rotinas são vitais: memórias cumulativas sem rotinas de poda acabam transformando o contexto em prompts gigantescos e imprevisíveis.

A portabilidade é o centro da proposta de valor. O Letta desacopla a bagagem do agente da API do provedor de inteligência artificial, possibilitando trocar de LLM no meio de uma sessão sem perder o histórico ou o estilo de atuação. O software aceita chaves de API próprias do desenvolvedor ou planos de código compatíveis. O executável está disponível para macOS, Windows e Linux, funcionando como um cliente prático no terminal, e não apenas como conceito de SDK.

A mudança técnica recente merece atenção. No anúncio da nova fase do Letta, a persistência abandonou ferramentas exclusivas de edição de bancos para adotar repositórios de contexto versionados em Git chamados MemFS. Chamadas genéricas de sistema de arquivos substituíram os endpoints proprietários antigos do servidor. Novas skills locais e subagentes assumiram lógicas que antes ficavam travadas no back-end. A estrutura ganhou em portabilidade e facilidade de leitura, mas gerou quebras de compatibilidade com implementações antigas.

O Letta alertou que as ferramentas antigas de memória de servidor estão sendo descontinuadas, com prazo de depreciação de templates e do antigo sistema de arquivos fixado para meados de April 2026. Qualquer novo projeto deve partir obrigatoriamente do ecossistema moderno do Letta Code e dos context repositories, evitando códigos baseados em rotinas como core_memory_replace ou background agents no servidor. O período de transição exige atenção redobrada.

Ideal para: Agentes de engenharia de software e programadores que buscam manter contexto, habilidades e arquivos estáveis mesmo trocando de provedores de IA.
Destaque: Repositórios de contexto versionados em Git integrados a subagentes de manutenção, /init e /doctor em um ambiente independente de modelos.
Preços: O Letta Code é gratuito para iniciar e consome as chaves de API do desenvolvedor ou planos suportados; custos de infraestrutura própria e consumo das LLMs correm à parte. A URL oficial de planos do Letta retornava erro 404 quando consultada em August 28, 2026, impedindo a listagem de preços públicos para o serviço em nuvem. A documentação oficial do Letta apresenta caminhos para a nuvem gerenciada Letta Cloud e a suíte completa de auto-hospedagem App Server.
Teste gratuito: Entrada livre pelo aplicativo e pelo runtime aberto; não há confirmação de testes formais com tempo delimitado na nuvem nesta edição.

O valor econômico do Letta fica evidente quando a independência de fornecedores é um objetivo claro. Para times que alteram o modelo de programação a cada trimestre, manter as convenções do código, as decisões tomadas e os apontamentos de bugs intactos poupa dias de onboarding. Já empresas que padronizaram toda a operação em uma nuvem proprietária e dependem de APIs fechadas de tenancy acharão o modelo do Mem0 ou os controles do Claude mais adequados.

Trate os context repositories como ambientes de produção: revise diffs em commits, barre a entrada de senhas e defina quais arquivos o agente tem permissão para editar. O log do Git traz transparência, mas não substitui sozinho políticas formais de retenção e exclusão. Memória portátil sem governança vira passivo operacional.

Veredito: O Letta é a escolha ideal de memória para agentes de desenvolvimento de software que não podem ficar amarrados a uma LLM específica, mas sua reformulação técnica exige atenção rigorosa às versões de código. Implemente desde o início o modelo baseado em arquivos e descarte tutoriais que dependam de métodos de servidor que a empresa já marcou para remoção.

9. LangMem: A Melhor Biblioteca de Memória para Projetos em LangGraph

O LangMem é a biblioteca mais indicada para times com projetos no LangGraph que preferem codificar suas próprias regras de retenção em vez de assinar uma plataforma de memória gerenciada. Um agente pode registrar e consultar fatos durante um diálogo, enquanto um processo assíncrono em background consolida e refina o conhecimento após a conversa. Seu core é agnóstico em relação ao banco de dados e integra-se diretamente à camada de storage nativa do LangGraph. Atenção a um detalhe crítico: a implementação de exemplo baseada em memória volátil apaga tudo ao reiniciar o processo; produção de verdade exige um banco relacional configurado.

O repositório do LangMem entrega primitivas de código, e não uma infraestrutura pronta. Componentes de tempo de execução (hot-path) permitem ao agente ler ou salvar anotações no decorrer do chat. Em paralelo, rotinas de segundo plano consolidam duplicatas, corrigem incongruências e podem reescrever instruções de sistema. O pacote é compatível tanto com o storage padrão do LangGraph quanto com soluções personalizadas.

Essa flexibilidade justifica sua adoção. Uma equipe pode delimitar memória semântica (fatos do cliente), memória episódica (ações do agente no passado) e memória procedimental (atualização contínua de prompts e diretrizes) sem se prender ao banco de dados de terceiros. Também permite afastar o custo de processamento das extrações da chamada principal da API, preservando a latência do usuário. Em contrapartida, recai sobre a equipe a responsabilidade de manter schemas, chamadas aos modelos, periodicidade de consolidação, exclusões e escalabilidade do banco.

O risco operacional reside no código de testes. A classe InMemoryStore opera unicamente na memória RAM do processo e é resetada a cada reinício do serviço. A documentação instrui explicitamente a utilização de AsyncPostgresStore ou outro conector durável em ambientes reais. Um teste que preserva dados entre requisições no mesmo processo local não comprova persistência em produção. Teste sempre reiniciando o serviço nos seus critérios de aceite.

Ideal para: Engenheiros utilizando LangGraph que precisam de políticas próprias de memória e contam com infraestrutura de banco de dados e avaliação já estabelecida.
Destaque: Ferramentas de tempo real desacopladas de tarefas de consolidação em background, operando sobre qualquer mecanismo de storage compatível.
Preços: O código do LangMem é distribuído sob licença MIT e gratuito. A suíte opcional de telemetria LangSmith oferece o plano Developer a $0/seat/month (1 assento e 5,000 traces básicos mensais, mais consumo). O Plus custa $39/seat/month para múltiplos assentos, 10,000 traces mensais e 1 deploy serverless pequeno, mais consumo. O Enterprise traz planos sob consulta para nuvem própria e híbrida. Consumo excedente do LangSmith é tarifado a $1.50 por LCU e $1.00 por LSU. Valores checados em August 28, 2026 na página de preços da LangChain.
Teste gratuito: A biblioteca é open-source e gratuita; a ferramenta auxiliar LangSmith adota plano Developer sem custos, em vez de testes com prazo fixo.

O LangMem só é a rota mais barata se a empresa já mantiver a estrutura básica pronta. O código em si custa $0, mas a sustentação de um Postgres de alta disponibilidade, jobs em fila, extrações com LLMs, telemetria e engenheiros de plantão tem custo expressivo. Compare esses gastos de equipe com os planos Starter e Pro do Mem0, e não com zero. Cinco desenvolvedores no LangSmith Plus começam a conta em $195 mensais antes de considerar tokens, tráfego e banco de dados.

A biblioteca funciona muito bem quando integrada a fontes vivas de dados. O LangMem retém o histórico e as decisões do agente, mas dados cadastrais atualizados, legislação e cotações devem vir de uma camada de busca em tempo real, como os sistemas analisados no artigo sobre APIs de busca de IA para agentes autônomos. A memória deve reter a premissa da última decisão; a API de busca confirma o que mudou no mundo exterior.

Veredito: O LangMem oferece blocos de construção afiados de memória em código, e não uma infraestrutura gerenciada pronta para uso. Escolha-o se a personalização completa do fluxo for indispensável e o LangGraph já for seu orquestrador oficial. Fuja dele se o time precisa de um serviço estável entregue pronto e está correndo o risco de colocar scripts de exemplo voláteis em servidores de produção.

Qual Sistema Escolher para Cada Caso

A decisão mais rápida parte dos limites do seu fluxo de trabalho, e não de notas absolutas em benchmarks.

Escolha o Perplexity Brain para trabalho de conhecimento sem programar

Adote o Brain se gestores, analistas ou times de suporte já utilizam o Perplexity Computer e retornam com frequência aos mesmos temas. Ele elimina o esforço manual de recapitulação e busca de documentos sem envolver desenvolvedores. A escolha se inverte caso a memória precise atender a um aplicativo próprio, cruzar ecossistemas ou operar via API aberta.

Escolha o Mem0 como a API padrão para produtos de software

Use o Mem0 quando uma solução SaaS ou corporativa demandar retenção de dados isolada por usuário e por agente, e o time quiser começar rápido em nuvem com a segurança de poder migrar para código aberto. Permanece como a opção prioritária até que necessidades avançadas de grafos temporais, auditoria em arquivos ou ingestão multimodal pesada surjam. Atenção à mudança de faixa de $19 para $249 mensais para validar se as funções exclusivas da nuvem realmente compensam o salto.

Escolha o Hindsight quando as perguntas dependerem de tempo e síntese

Opte pelo Hindsight para históricos extensos em que vocabulário técnico exato, relações interpessoais, linhas do tempo e deduções conceituais influenciem o resultado final. É a ferramenta certa quando testes práticos provarem que a busca por vetores comum ignora dados atualizados ou falha em sintetizar conclusões. Volte para o Mem0 ou um banco simples se deduções conceituais não mudarem o rumo das decisões.

Escolha o Zep para grafos temporais com conformidade corporativa

Use o Graphiti se a equipe fizer questão de manter o grafo temporal em servidores próprios; prefira o Zep se controles de acesso (RBAC/ABAC), logs de auditoria, segregação de tenants e nuvem gerenciada forem prioridades da empresa. O Zep ganha atratividade financeira clara a partir de 150,000 créditos mensais estimados, quando o Flex Plus passa a ser mais econômico do que compras avulsas no Flex. A escolha perde sentido se as informações não tiverem formato de grafo ou forem apenas dados cadastrais pontuais.

Escolha o Supermemory para contexto multimodal e sincronização de arquivos

Adote o Supermemory quando o conhecimento combinar chats, PDFs, gravações, perfis comportamentais e sincronização contínua com serviços de nuvem. Sua cobrança por tokens inéditos protege o caixa contra custos em arquivos idênticos reprocessados. Volte para uma API convencional se a quantidade de arquivos e o modo instantâneo encarecerem a conta sem trazer valor ao produto.

Escolha o Cognee quando a ontologia for o próprio negócio

Use o Cognee quando relações entre entidades, rastreabilidade profunda, deploy em nuvem própria (BYOC) e múltiplas estratégias de recuperação forem vitais para o software. Destina-se a equipes capacitadas para gerenciar bancos vetoriais, relacionais e em grafo simultaneamente. Prefira uma API gerenciada caso a engenharia não tenha profissionais dedicados à evolução de esquemas e à infraestrutura de busca.

Escolha as memory stores do Claude para arquivos de trabalho auditáveis

Adote as memory stores do Claude Managed Agents quando o estado contínuo precisar ser transparente, editável via terminal e estruturado em arquivos de texto com versionamento estrito, controle de concorrência e rollback. A solução deixa de ser viável quando o volume documental atingir proporções em que a leitura direta em arquivos se torne caótica ou demande cruzamento automatizado de grafos.

Escolha o Letta para agentes de código que mudam de modelo

Use o Letta se as convenções de desenvolvimento, a análise do repositório e o histórico das tarefas precisarem sobreviver à troca de LLM. A opção perde sentido caso a empresa adote uma plataforma gerenciada única ou prefira não lidar com as quebras de compatibilidade da migração arquitetural que o Letta atravessa.

Escolha o LangMem para políticas de memória exclusivas no LangGraph

Escolha o LangMem quando seu time dominar o LangGraph e quiser estruturar modelos de retenção, consolidação assíncrona e bancos de dados customizados. A escolha se inverte para serviços gerenciados quando a manutenção desses subsistemas virar um desvio de foco e custo desnecessário para o produto.

A regra geral é direta: a nuvem gerenciada vence quando a mensalidade for inferior aos custos de engenharia e aos riscos operacionais de manter tudo internamente; soluções abertas ou auto-hospedadas vencem quando privacidade estrita, controle físico e liberdade de configuração não puderem ser delegados. Inclua o tempo gasto corrigindo dados errados nessa conta. Um sistema com recuperação barata que exige uma hora semanal de faxina manual por cliente é, no fim do mês, o mais caro de todos.

O Que Evitar na Sua Escolha

Evite contratar um serviço apenas pelo apelo do termo "memória" sem checar sua capacidade real de persistência. A ferramenta deve sobreviver ao reset do processo, resgatar dados de forma seletiva, aceitar correções e permitir exclusões no isolamento correto de tenant. Fique atento às falhas mais comuns:

LangGraph InMemoryStore em ambientes de produção

A classe InMemoryStore serve apenas para tutoriais e validações locais de código. A própria documentação do LangMem alerta que seus dados se perdem ao reiniciar o serviço. Jamais coloque esse componente em servidores de produção, mesmo que os dados pareçam persistir em testes rápidos. Adote lojas baseadas em bancos reais, como o AsyncPostgresStore, e force o reinício do processo nos testes de homologação.

Tratar bancos de vetores isolados como sistemas completos de memória

Pinecone, Qdrant e ferramentas similares são excelentes na persistência e indexação de embeddings, mas não resolvem sozinhos a inteligência de uma memória. Uma solução completa demanda rotinas de extração, validação temporal, tratamento de inconsistências, isolamento de inquilinos, auditoria de origem, regras de retenção e exclusão real. Ou você programa essas camadas internamente ou recorre a plataformas que as entregam prontas.

Perplexity Brain como API para aplicações de terceiros

O Brain entrega ótimos resultados no Computer, mas não foi feito para sustentar produtos SaaS que exigem chaves de API multi-inquilino, esteira própria de modelos e políticas customizadas de exportação. A assinatura financia uma estação de trabalho completa. Não force um ambiente de usuário final a exercer o papel de uma plataforma para desenvolvedores.

Graphiti sem equipe técnica de sustentação

O Graphiti fornece um motor poderoso de grafo temporal em código aberto, mas não gerencia instâncias, deploys, monitoramento, atualizações de segurança ou ajustes de consulta para você. Evite auto-hospedá-lo unicamente para fugir da taxa de $125 do Zep Flex se nenhum engenheiro do time puder responder pela estabilidade do serviço.

Códigos obsoletos de servidor do Letta

Fuja de arquiteturas baseadas em métodos legados de servidor, tais como core_memory_replace, comportamentos do antigo sistema de arquivos ou agents noturnos no back-end. A equipe do Letta comunicou abertamente a depreciação e substituição desses módulos. Estruture seus projetos sobre o Letta Code, repositórios de contexto em Git e as diretrizes recentes do SDK.

Softwares de memória sem mecanismos claros de correção e exclusão

Mesmo arquiteturas de ponta tornam-se passivos jurídicos e técnicos quando ninguém consegue expurgar dados incorretos. Rotinas automatizadas de consolidação podem transformar um apontamento falso em uma verdade permanente no sistema. Antes do lançamento, defina claramente quem tem autorização para auditar a origem, atualizar um dado defasado, censurar um segredo e deletar cadastros inteiros, garantindo que réplicas e caches sejam eliminados. Se o fornecedor falhar nesse suporte, descarte-o para atividades críticas.

O Próximo Passo Prático

Não tente transferir toda a sua base de dados na próxima segunda-feira. Selecione um único fluxo repetitivo no qual a retenção do passado faça diferença visível, como o levantamento semanal de um cliente, a continuidade de tarefas de programação ou o respeito a diretrizes operacionais acordadas.

1. Defina o contrato de memória: Estabeleça a classe única de informações que pode ser mantida, a chave de tenancy associada, a fonte, a regra de expiração e os dados vetados. Não armazene senhas ou chaves.
2. Execute um teste em paralelo (shadow mode): Deixe o agente atual operando normalmente enquanto a ferramenta de memória avaliada processa o contexto de forma espelhada. Armazene as saídas sem alterar o fluxo produtivo real.
3. Crie 20 cenários de teste com dados passados: Inclua fatos alterados recentemente, termos técnicos exatos, escolhas antigas vs. novas, pedidos formais de exclusão e uma memória deliberadamente falsa. Benchmarks genéricos de mercado não substituem essa bateria de testes.
4. Avalie quatro indicadores fundamentais: Monitore a taxa de acerto nas respostas, o total de tokens/créditos consumidos, o tempo gasto por humanos resumindo histórico e a incidência de correções manuais. Monitore a latência, mas não permita que uma resposta errada ganhe apenas por ter sido rápida.
5. Teste o ciclo de vida completo: Reinicie o serviço, inicie uma nova sessão, modifique um dado na fonte, remova acessos de um tenant, apague um registro e certifique-se de que cópias antigas não reapareçam nas buscas.
6. Projete o custo operacional: Calcule o modelo de cobrança real da ferramenta considerando um mês cheio de gravações, consultas, retenção de storage, operações extras e volume de usuários. Some o custo em horas de equipe caso opte por soluções abertas.
7. Fixe os marcos de transição: Defina com precisão quais volumes de uso, exigências regulatórias ou limites técnicos indicarão o momento de subir de plano ou mudar de solução.

No Mem0, o marco costuma ser a migração do Starter para o Pro assim que a demanda por buscas em grafo ou as cotas mensais compensarem os $230 adicionais. No Zep, a virada chega ao superar 150,000 créditos mensais, quando o Flex Plus se torna financeiramente mais vantajoso. Na Perplexity, ocorre quando a rotina no Computer economizar retrabalho suficiente para pagar a licença de $200 ou $325. No LangMem, é a decisão da equipe de assumir o banco de dados e a governança em vez de achar que software gratuito significa infraestrutura sem custos.

Ao fim da semana de testes, coloque apenas esse primeiro fluxo em produção. A implementação de memória mais eficiente não é a que processa o maior volume bruto de arquivos, mas a que viabiliza execuções consistentes, reduz tráfego redundante de contexto, diminui correções e apaga o que for solicitado sem deixar rastros.

Perguntas Frequentes

Quais sistemas de memória para agentes de IA estão disponíveis no GitHub?

Mem0, Hindsight, Graphiti, Cognee, Letta Code e LangMem disponibilizam código aberto no GitHub. No entanto, código aberto não é sinônimo de recursos idênticos: o Mem0 restringe vários recursos corporativos de ranking e governança à sua Platform fechada, o Graphiti exige desenvolver toda a governança externa do grafo, e o LangMem demanda sustentação própria de bancos duráveis.

O que é um framework de memória para agentes de IA?

Um framework de memória para agentes é a camada responsável por gerenciar quais dados um agente autônomo deve gravar, como essa estrutura de conhecimento é atualizada e corrigida ao longo do tempo, e qual recorte específico deve ser reinjetado em execuções futuras. Ele integra persistência, rotinas de extração, busca seletiva e regras de ciclo de vida, indo muito além de simplesmente salvar o histórico bruto das conversas.

Um banco de dados vetorial é suficiente para a memória de um agente?

Não, isoladamente ele não resolve o problema. Um banco vetorial persiste embeddings e faz buscas por similaridade semântica, mas a operação em produção requer isolamento de tenants, validação temporal de fatos, resolução de conflitos, auditoria de fontes, regras de retenção e ferramentas seguras de correção e exclusão. Ele serve como o motor de armazenamento de baixo nível, sob uma camada completa de memória.

Uma janela de contexto maior elimina a necessidade de memória persistente?

Não. Uma janela ampla apenas aceita mais dados dentro de um ciclo único de inferência, mas não determina o que deve sobreviver a uma nova sessão, quais dados estão ultrapassados, a quem pertence cada fato ou como apagar informações com segurança. Além disso, a busca seletiva persistente evita ter de pagar pelo reenvio de todo o histórico da empresa a cada interação.

Quando devo escolher o Mem0 em vez do Hindsight ou do Zep?

Adote o Mem0 como a solução padrão para aplicações gerais de software. Escolha o Hindsight quando a inteligência das respostas depender de raciocínio temporal apurado, buscas paralelas e modelos de reflexão dedutiva. Escolha o Zep quando a modelagem de entidades em grafos temporais combinada com governança rígida (RBAC, ABAC, isolamento e retenção corporativa) for um requisito obrigatório.

Qual é o sistema de memória persistente mais barato para agentes de IA?

Várias opções contam com planos gratuitos de entrada, mas o custo final varia conforme o medidor e o perfil da infraestrutura. O Cognee Standard fatura 10 milhões de tokens processados por $25 (fora workspaces extras e banco), o Supermemory cobra $50 por 10 milhões de tokens SM de texto no grafo, e o Hindsight cobra $100 pelo Retain de 10 milhões de tokens de entrada. Cada ferramenta executa operações distintas por essas métricas, e modelos auto-hospedados embutem despesas de servidores, modelos de IA e equipe.

Como fazer um agente de IA esquecer dados com segurança?

Disponibilize endpoints específicos na aplicação para expiração, edição manual, exclusão e redaction, amarrados rigorosamente às mesmas chaves de tenant usadas na gravação. Após o comando, faça testes para verificar se o dado realmente sumiu. Deletar apenas o registro principal não basta caso logs imutáveis, resumos automáticos, nós de grafos, camadas de cache ou backups ainda continuem retornando a informação.

Quer validar critérios de persistência, exclusão segura e custos em uma planilha prática? Baixe o AI Business Workflow Audit Checklist e avalie o primeiro fluxo de memória da sua empresa na próxima semana.