Assistente de engenharia no Letta: memória autoatualizável, pesquisa em arquivo e cenários portáteis
É abordada a construção de um agente que gerencia blocos da memória principal por conta própria, acessa um arquivo vetorial e aciona ferramentas determinísticas; também são analisados o estado compartilhado entre vários agentes, a geração em fluxo e a exportação do fluxo de trabalho para um arquivo portátil.

Finalidade do assistente
Este guia de aprendizagem reúne um assistente de engenharia com estado persistente em Letta. O agente recebe a descrição «Copiloto de engenharia com memória de longo prazo inspecionável». A arquitetura combina memória, pesquisa, ferramentas, interação entre vários agentes e rastos de execução.
Critério: o assistente é adequado para tarefas de engenharia com estado persistente e memória de longo prazo verificável.
Blocos da memória principal e autoatualização
A memória principal é composta por quatro blocos verificáveis. O agente pode atualizá-los autonomamente.

O código define quatro blocos com valores predefinidos e limites distintos.
| Bloco | Conteúdo | Valor predefinido | Limite |
|---|---|---|---|
persona | «Sou o Mnemo, um copiloto de engenharia. Sou conciso e concreto, e nunca invento factos — se não sei alguma coisa, digo-o e vou procurar.» | — | 3000 |
human | Informações estáveis sobre o engenheiro: nome, função, stack, preferências e estilo de trabalho. | Desconhecido até agora. | 3000 |
project_state | Estado atual do projeto: etapas, bloqueios, decisões e respetivas justificações. | (vazio) | 5000 |
lessons | Lições aprendidas e erros a não repetir; o formato é uma linha por lição. | (vazio) | 2000 |
Critério: os blocos separam a função do agente, o perfil do engenheiro, o estado do projeto e as lições aprendidas. Os limites estabelecem as fronteiras de cada bloco.
Configuração de embeddings, etiquetas e modelos
O código define embedding openai/text-embedding-3-small para o agente. O código atribui as etiquetas ["tutorial", "copilot"]. O código lista os modelos preferenciais: openai/gpt-4.1, openai/gpt-4o-mini, anthropic/claude-sonnet-4-20250514. O sistema seleciona o primeiro modelo disponível da lista. Se não encontrar nenhum, o sistema utiliza o primeiro modelo recebido.
Critério: a ordem da lista define a prioridade. A alternativa é o primeiro modelo recebido.
Acesso programático e colaboração entre agentes
O acesso programático aos blocos resolve duas questões.
- sincronização do estado;
- utilização partilhada por vários agentes.
O acesso abrange os blocos da memória principal.
Critério: o acesso partilhado aos blocos é necessário para sincronizar o estado entre agentes.
Memória de arquivo e pesquisa semântica
A memória vetorial de arquivo serve para a pesquisa semântica. Faz parte da arquitetura do assistente.
Critério: a pesquisa no arquivo é necessária para consultas semânticas aos dados acumulados.
Ferramenta de avaliação de risco no servidor e execução em streaming
Uma ferramenta personalizada no servidor executa uma avaliação determinística de risco. A execução em streaming faz parte da arquitetura do assistente.
Critério: a avaliação de risco requer uma ferramenta no servidor com lógica determinística. A execução requer transmissão em streaming.
Histórico no servidor e cenários portáteis
O histórico de mensagens no servidor permite manter conversas. A exportação .af garante a portabilidade.
Critério: uma conversa contínua requer um histórico no servidor. A portabilidade do cenário requer a exportação .af.
Perguntas mais frequentes
Materiais semelhantes
Todos os materiais
Anotação híbrida de imagens: a automatização acelera o treino de modelos de visão por computador
O artigo descreve como a pré-anotação por algoritmos reduz o trabalho manual e melhora a qualidade dos conjuntos de dados de treino, bem como por que motivo a verificação por amostragem humana continua a ser necessária. São abordadas as limitações do método em condições difíceis de captura e em tipos de objetos raros.
5 novembro 2026
Método GoldiMask para o ajuste fino de modelos de linguagem de difusão: seleção de contexto e ponderação dos alvos
O trabalho apresenta o GoldiMask — uma abordagem de ajuste fino supervisionado para modelos de linguagem com difusão discreta, que seleciona tokens visíveis por meio da maximização aproximada de uma função submodular e atribui pesos aos objetivos restantes com base na sua utilidade para o treino. As experiências com vários modelos e conjuntos de dados demonstram um aumento da precisão média, ganhos em tarefas de raciocínio lógico e programação, bem como menos iterações de descodificação paralela no GSM8K e no MATH-500, com qualidade semelhante.
30 outubro 2026
Transformers adicionou suporte à execução de modelos GGUF quantizados no Apple Silicon
O artigo descreve a integração do formato GGUF do llama.cpp no Transformers: inferência local no Mac, carregamento de modelos através da API da biblioteca e execução de um servidor compatível com a OpenAI. Com o exemplo do Qwen3.5-4B, mostra como a escolha do nível de quantização afeta o tamanho dos pesos e os requisitos de memória.
18 outubro 2026